[发明专利]基于深度学习的加速度信号采集卡采样频率智能升级方法

摘要

本发明提供了一种基于深度学习的加速度信号采集卡采样频率智能升级方法，包括数据收集，深度学习和检测三个步骤，数据收集是完成加速度信号数据采集卡采样频率智能升级的前提，深度学习是完成加速度信号数据采集卡采样频率智能升级的核心，检测是评估加速度信号数据采集卡采样频率智能升级结果的重要方法。本发明提升低采样频率数据采集卡的采样能力，从而达到以较低的成本获得较高的测量精度的目的。

主权项

1.一种基于深度学习的加速度信号采集卡采样频率智能升级方法，其特征在于包括下述步骤：步骤1：数据收集，产生并收集不同量级的加速度信号；采用振动冲击测试设备产生不同量级的加速度信号，用加速度计采集加速度信号，并通过电荷放大器进行放大，利用至少两个不同采样频率的采集卡采集放大后的加速度信号，并将加速度信号数据进行存储；步骤2：通过训练深层神经网络构建针对低采样频率数据采集卡测得的加速度信号的修正模型，将低采样频率数据采集卡采集到的加速度信号输入训练完成的深层神经网络，输出修正后的加速度信号，并且修正后的加速度信号与高采样频率数据采集卡的实测加速度信号的误差满足相应振动冲击试验的技术要求；采用深度学习方法对低采样频率数据采集卡采样频率进行智能升级，所述深度学习为采用自动编码机形式的深度神经网络学习低采样频率数据采集卡采集的信号和高采样频率数据采集卡采集的信号之间的映射；深度神经网络由编码机、解码机和峰值预测网络(Peak Prediction Network，PPN)三部分组成，具体学习过程为：首先，将所有用于训练深度神经网络的低采样频率数据采集卡采集得到的维数为n’的冲击信号序列x^r归一化为维数为n’的xⁿ，同时，峰值p^x被单独提取并被分别“喂进”编码机和PPN；通过编码机将归一化的信号xⁿ编码为序列维度为n₃的全局编码信息z；利用解码机将序列维度为n₃的全局编码信息z重构解码为序列维度为n的向量yⁿ，具体表述为：式(1)中，enc和dec分别是编码和解码函数，θ₁和θ₂分别为编码机和解码机的网络参数；所述深度神经网络建立的PPN，峰值预测网络的具体学习过程为：首先，将归一化的全局编码信息z和峰值信息p^x一起“喂进”PPN；输出值记为表征了输入峰值和准确峰值之间的误差；该误差将反馈回p^x来预测修正的预测峰值p^y；峰值预测网络的具体学习过程表述为：式(2)中，ppn峰值修正函数，φ为PPN的网络参数；将所述预测峰值p^y和解码信号yⁿ去归一化，从而获得最终修正的加速度信号序列y^pred；步骤3：修正信号检测模块用于评估修正后的低采样频率数据采集卡采集的加速度信号和高采样频率数据采集卡采集的加速度信号之间的误差，以高采样频率数据采集卡采集的加速度信号为基准，建立峰值相对误差和确定系数共两个指标来评价对低采样频率数据采集卡采集的加速度信号进行修正之后得到的加速度信号的精确程度；设y^pred为修复的加速度信号，y^Ref为相应的高采样频率数据采集卡采集的加速度信号；峰值相对误差和确定系数两个指标的具体计算公式分别如下：峰值相对误差的计算公式为：式(3)中：和分别为y^pred和y^Ref的最大值，峰值相对误差评价指标描述了修复的加速度信号在测量最大加速度响应方面的能力，也是评估修复加速度信号局部精度的重要指标；确定系数的计算公式为：式(4)中，为yRef的平均值，确定系数评价指标表征了修复的加速度信号的全局精度。