结合Transformer的轻量化中文语音识别

近年来,深度神经网络模型在语音识别领域成为热门研究对象。然而,深层神经网络的构建依赖庞大的参数和计算开销,过大的模型体积也增加了其在边缘设备上部署的难度。针对上述问题,提出了基于Transformer的轻量化语音识别模型。首先使用深度可分离卷积获得音频特征信息;其次构建了双半步剩余权重前馈神经网络,即Macaron-Net结构,并引入低秩矩阵分解,实现了模型压缩;最后使用稀疏注意力机制,提升了模型的训练速度和解码速度。为了验证模型,在Aishell-1和aidatatang_200zh数据集上进行了测试。实验结果显示,所提模型与Open-Transformer相比,所提模型在字错误率上相对下降了19.8%,在实时率上相对下降了32.1%。     

基于压气机动静叶干涉的共振研究

燃气轮机压气机叶片在设计时需要进行共振考核,但由于激振力复杂,叶片产生共振的条件也不相同。考虑了动静叶的干涉扰动,得到一般气流压力脉动模型,然后在压力脉动作用下推导下游动叶受迫响应的解析解,从受迫响应的解中得出基于压力脉动特性的共振条件。最后利用某燃气轮机压气机叶片轮盘模型进行了验证,得到了与理论推导一致的结果。该共振条件基于动静叶数量和动叶轮盘模态特性关系,揭示了阶次激励作用下叶片轮盘耦合振动存在更多可能出现的共振点,在设计阶段需要注意避开这些共振点,控制叶片振动,保证叶片安全运行。     

压气机启动过程动态压力分析

采用基于短时傅里叶变换(STFT)的方法对实测的压气机非稳态的动态压力信号进行了时频分析,发现压气机在启动过程中发生失速,失速团频率成分呈倍频关系,幅值较大。达到额定转速后,动态压力信号为稳定的周期信号,幅值较大的频率成分为上下游转子叶片的通过频率及其倍频。结合实测的叶片振动数据分析发现,压气机失速产生的气流激励引起了叶片异步共振。研究结果表明:STFT方法可以有效提取动态压力信号特征,确定动态压力中幅值较大的频率成分,为压气机叶片振动设计提供依据。