申请/专利权人:大连交通大学
申请日:2023-09-25
公开(公告)日:2024-02-02
公开(公告)号:CN117494868A
主分类号:G06Q10/04
分类号:G06Q10/04;G06N3/0442;G06N3/08;G06N3/047
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.02.23#实质审查的生效;2024.02.02#公开
摘要:本发明公开了一种基于BiLSTM‑CRF的车轴疲劳裂纹声发射信号预测系统,包括设置在电脑终端内的用户登录模块、数据采集模块、BiLSTM‑CRF网络预测模块以及与电脑终端相连的数据采集设备。数据采集设备包括依次电性相连的声发射传感器、前置放大器以及声发射数字采集卡,声发射数字采集卡与电脑终端电性相连。BiLSTM‑CRF网络预测模块中包括经过训练的BiLSTM‑CRF神经网络预测模型。本发明系统可以实现车轴疲劳裂纹声发射信号波形的在线预测,不需要停机检测,大大提高了车轴的运行效率和安全性。本发明采用深度学习的方法,可以对车轴疲劳裂纹声发射信号波形进行更精确的预测。
主权项:1.一种基于BiLSTM-CRF的车轴疲劳裂纹声发射信号预测系统,其特征在于,用于车轴疲劳裂纹声发射信号波形的预测,包括设置在电脑终端4内的用户登录模块、数据采集模块、BiLSTM-CRF网络预测模块以及与所述电脑终端4相连的数据采集设备;所述数据采集设备包括依次电性相连的声发射传感器1、前置放大器2以及声发射数字采集卡3,所述声发射数字采集卡3与所述电脑终端4电性相连;所述BiLSTM-CRF网络预测模块中包括经过训练的BiLSTM-CRF神经网络预测模型;所述BiLSTM-CRF神经网络预测模型的训练过程具体包括如下步骤:步骤S11、向所述BiLSTM-CRF神经网络预测模型中输入待预测车轴的前部分已知的若干个车轴疲劳裂纹声发射信号数据;步骤S12、将所述信号数据划分为训练集和测试集,并设置所述BiLSTM-CRF神经网络预测模型的初始参数;步骤S13、将训练集的数据添加标签后输入到所述BiLSTM-CRF神经网络预测模型的BiLSTM层;所述训练集的数据在所述BiLSTM层中首先进行前向计算,然后进行后向计算,分别计算出LSTM的前向层的值和后向层的值,并将LSTM的前向层的值和后向层的值结合;步骤S14、利用softmax函数计算出BiLSTM层的输出数据;步骤S15、将BiLSTM层的输出数据作为CRF层的输入,利用CRF层进行条件约束,输出预测结果;步骤S16、计算预测结果的损失函数;步骤S17、使用梯度下降法更新网络参数,逆向微调参数,不断调节所述BiLSTM-CRF神经网络预测模型的参数,使得训练过程中预测值与真实值的误差最小,并确定预测网络的最优参数;步骤S18、达到设置的迭代终止条件,完成BiLSTM-CRF网络模型的训练;步骤S19、将测试集数据输入到训练完成的BiLSTM-CRF网络模型进行验证,并将输出预测值与真实值进行比对。
全文数据:
权利要求:
百度查询: 大连交通大学 基于BiLSTM-CRF的车轴疲劳裂纹声发射信号预测系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。