一种冲凿机具的频率测量方法及系统与流程

本发明涉及智能测量，尤其涉及一种冲凿机具的频率测量方法及系统。

背景技术：

1、液压凿岩机、破碎锤等冲凿机具广泛应用于矿山开采、隧道掘进及建筑拆除等工程领域。冲击频率作为表征机具工作效率的核心参数，其实时精准的测量对于实现自动化凿岩和闭环控制至关重要。目前，主流的测量技术主要为应力波理论，即通过安装电阻应变片，将机械冲击产生的压缩应力波转化为电压信号，通过分析电压波形的周期性来计算冲击频率。然而，在恶劣工程环境下，现有的信号处理与频率计算方法存在着显著的技术缺陷，冲凿机具工作时往往伴随剧烈的机械振动和复杂的电磁干扰，在采集电压信号时会叠加大量高频毛刺噪声。此外，应力波在细长钎杆中传播时会产生频散效应，导致波形随传播距离的增加而发生畸变、展宽。更严重的是，当钻头与岩石接触阻抗不匹配时，产生的反射拉伸波会与后续的入射压缩波发生叠加，这使得时域波形的峰值位置发生偏移甚至消失，从而影响频率的测量精度。而传统的基于频域傅里叶变换虽然可以将信号转换至频域分析，能一定程度上克服噪声带来的干扰，但基于频域傅里叶变换是基于信号在分析的时间窗为平稳信号进行的分析，而冲凿机具的冲击信号属于典型的非平稳瞬态信号，其频率成分随时间剧烈变化，因此，传统的基于频域傅里叶变换难以区分真实的冲击频谱与干扰谐波。近年来，部分技术尝试引入卷积神经网络或循环神经网络进行智能识别，然而，普通卷积神经网络感受野有限，难以捕捉长距离的波形关联，而循环神经网络在处理长序列采样点时存在梯度消失问题，且串行计算效率低下，难以满足工业现场对实时性的要求。可见，现有的冲凿机具的频率测量方法存在测量精度低、鲁棒性较差的问题。

技术实现思路

1、本发明提供了一种冲凿机具的频率测量方法及系统，以解决现有的冲凿机具的频率测量方法存在测量精度低、鲁棒性较差的问题。

2、为了实现上述目的，本发明通过如下的技术方案来实现：

3、第一方面，本发明提供一种冲凿机具的频率测量方法，包括：

4、s1、获取冲凿机具的工作电压信号；

5、s2、通过连续小波变换将工作电压信号转换为二维时频特征图；

6、s3、将二维时频特征图输入预训练完成的wtformer（wavelet transform-transformer，小波变换-变换器网络）深度网络模型，依次经图像切片与线性投影、轻量化相对位置编码、时-频带状稀疏多头自注意力计算、轻量化门控前馈网络处理，输出编码后的全局上下文特征序列；

7、s4、对全局上下文特征序列执行全局平均池化操作，得到包含冲击周期规律的全局高维特征向量，将全局高维特征向量输入全连接回归层，计算输出冲凿机具的冲击频率。

8、可选的，步骤s3中，图像切片与线性投影，包括：

9、将尺寸为h×w的二维时频特征图，按照预设图块尺寸划分为n个互不重叠的子图块，其中，图块总数满足如下关系式：

10、；

11、式中，为时频特征图的频率维度高度，w为时频特征图的时间维度宽度，为频率方向的子图块尺寸，为时间方向的子图块尺寸；

12、将每个子图块展平为一维向量，再通过包含可学习权重矩阵与偏置项的线性映射层，将各一维向量映射为固定维度的特征向量，其中，计算公式满足如下关系式：

13、；

14、式中，为第i个子图块展平后的一维向量，为对应的特征向量，为可学习权重矩阵，为偏置项；

15、所有子图块对应的特征向量共同构成初始特征序列。

16、可选的，步骤s3中，轻量化相对位置编码，包括：

17、确定每个特征向量对应的二维位置坐标，其中，为特征向量在频率方向的索引位置，为特征向量在时间方向的索引位置；

18、对任意两个特征向量与，分别计算频率方向相对位移与时间方向相对位移，其中，计算满足如下关系式：

19、；

20、；

21、式中，为特征向量在频率方向的索引位置，为特征向量在时间方向的索引位置；为特征向量在频率方向的索引位置，为特征向量在时间方向的索引位置；

22、构建可训练的相对位置偏置表

b，基于相对位置偏置表、频率方向相对位移以及时间方向相对位移确定偏置项。

23、可选的，步骤s3中，时-频带状稀疏多头自注意力计算，包括：

24、通过三组可学习的线性变换矩阵，将特征向量分别映射为查询向量序列、键向量序列与值向量序列；

25、基于查询向量序列、键向量序列、值向量序列以及偏置项，构建每个注意力头的注意力计算表达式，其中，注意力计算表达式满足如下关系式：

26、；

27、式中，表示特征向量对应的注意力分数，为时-频稀疏邻接集合，表示允许特征向量关注哪些其它特征向量，表示特征向量对应查询向量序列，表示特征向量对应的键向量序列，表示特征向量对应的值向量序列，表示偏置项，表示注意力头的特征维度；

28、基于注意力分数构建每个注意力头的单头稀疏自注意力特征序列，将每个注意力头输出的单头稀疏自注意力特征序列经输出投影、残差连接和归一化，得到多头稀疏自注意力特征序列。

29、可选的，时-频稀疏邻接集合的构建包括：

30、对特征向量对应的子图块内的所有时频单元能量进行统计，得到子图块内各位置的能量值；

31、以子图块内各位置能量值的最大值作为该子图块的能量显著性评分，其中，子图块的能量显著性评分满足如下关系式：

32、；

33、式中，表示子图块的能量显著性评分，表示子图块内各位置的能量值；

34、将所有子图块的能量显著性评分从大到小排序，选取能量显著性评分排序前k个子图块作为高能图块，并基于高能图块对应的特征向量构建时-频稀疏邻接集合，其中，k表示可设定阈值。

35、可选的，步骤s3中轻量化门控前馈网络处理，包括：

36、通过线性映射将输入的多头稀疏自注意力特征序列拆分为候选特征分支与门控分支；

37、门控分支经gelu激活函数生成逐通道门控权重，与候选特征分支执行元素级乘法，得到门控调制特征；

38、通过输出投影层将门控调制特征恢复至输入维度，得到前馈网络输出；

39、将通道按预训练阶段统计的通道重要性分数从大到小排序，确定排序前c个通道保留，并基于保留的通道对前馈网络输出进行结构化剪枝，得到剪枝后的前馈网络输出，其中，c表示可设定通道剪枝阈值；

40、将剪枝后的前馈网络输出与多头稀疏自注意力特征序列进行残差连接和层归一化，得到上下文特征。

41、可选的，wtformer深度网络模型包含l层堆叠的编码器单元，每层编码器单元依次由归一化层、时-频带状稀疏多头自注意力层、轻量化门控前馈网络层构成；

42、经图像切片与线性投影和轻量化相对位置编码后输出的特征向量和偏置项，输入l层堆叠的编码器单元进行第1层，通过归一化层对特征向量进行归一化，通过时-频带状稀疏多头自注意力层对归一化后的特征向量和偏置项进行时-频带状稀疏多头自注意力计算，通过轻量化门控前馈网络层对注意力计算后的结果进行轻量化门控前馈网络处理，得到上下文特征；

43、将上下文特征，输入l层堆叠的编码器单元作为后续l-1层迭代编码的输入进行迭代编码，最终输出全局上下文特征序列。

44、可选的，wtformer深度网络模型的预训练方法，包括：

45、动态生成训练样本集，每个训练样本包含带噪声的时域电压信号与对应的真实冲击频率标签；样本的冲击频率覆盖1hz~10hz范围，信噪比覆盖-5db~20db范围；对所有训练样本执行z-score标准化处理；

46、将批量训练样本输入初始wtformer深度网络模型，依次经时频变换、特征编码、回归计算后，输出各样本对应的冲击频率预测值；

47、损失函数计算：采用均方误差作为核心损失函数，计算预测频率与真实频率之间的误差，损失函数表达式为：

48、；

49、式中，b为批量大小，为第i个样本的真实物理频率，为wtformer网络输出的预测频率，θ代表网络中所有可学习的参数；

50、通过反向传播算法计算损失函数对网络所有参数的梯度，采用adam优化器更新网络权重；

51、设置总训练轮次为300轮，采用余弦退火策略动态调整学习率；若验证集损失连续20轮未下降，则提前终止训练，保存验证误差最小的模型权重。

52、第二方面，本发明还提供一种冲凿机具的频率测量系统，包括：

53、信号采集预处理模块，用于在冲凿机具的应变敏感部位采集原始模拟电压信号，经模数转换、滑动窗口截取、去直流分量与幅值归一化处理后，输出预处理后的一维时域电压信号序列；

54、时频变换模块，用于对一维时域电压信号序列执行连续小波变换，生成二维时频特征图；

55、wtformer编码模块，存储预训练完成的wtformer深度网络模型，用于对二维时频特征图依次执行图像切片与线性投影、轻量化相对位置编码、时-频带状稀疏多头自注意力计算、轻量化门控前馈网络处理，输出全局上下文特征序列；

56、频率回归模块，用于对全局上下文特征序列执行全局平均池化得到全局高维特征向量，经全连接回归层计算输出冲凿机具的冲击频率。

57、有益效果：

58、本发明提供的冲凿机具的频率测量方法，通过连续小波变换将一维时域电压信号转换为二维时频特征图，相比于传统的快速傅里叶变换，连续小波变换能够同时在时间和频率两个维度上对信号进行局部化分析，保留了冲击事件在时间轴上的精确位置信息，对于冲凿机具这类典型的非平稳瞬态信号，该方法能够清晰呈现每次冲击事件在时频域中的能量分布纹理，有效克服了fft频谱泄露、栅栏效应以及无法区分真实冲击频谱与干扰谐波的缺陷，同时，小波变换的多分辨率分析特性能够有效分离宽频带、短时持续的冲击波与窄频带、长时持续的背景噪声，为后续深度网络提供了富含物理先验知识的特征图，显著降低了网络的学习难度。通过时-频带状稀疏多头自注意力机制，使模型能够自动学习入射波与多次反射波之间的长距离时序关联，相比于传统的时域峰值检测法在波形畸变、反射波叠加导致峰值偏移或消失时极易出现误判和漏判，以及传统卷积神经网络感受野有限、循环神经网络存在梯度消失等问题，本发明的transformer架构具有全局感受野，能够依据整体波形纹理而非局部峰值推断冲击周期。即使在信噪比低至-5db的极强噪声环境下，模型仍能保持高精度的频率预测。