CN109766618A - 一种基于机器学习的应力应变预测方法 - Google Patents

Abstract

本发明一种基于机器学习的应力应变预测方法属于检测预测技术领域，涉及一种基于机器学习的应力应变预测方法。预测方法是由机器学习作为媒介，通过处理应力应变实验数据，作为学习模型的输入及输出，选择合适的算法和相应训练参数，进行训练，从而得到预测网络。在预测过程中，通过操作计算机控制加载装置每次加载的力、并用解调仪采集测量数据，利用数据分析软件处理实验数据，建立适当的学习模型，训练该模型，从而实现被测系统应变场的准确预测。该方法适用于任意应用光纤应变传感器检测系统的应力应变场预测，避免考虑加载力和预紧力的确定，试件弹性模量范围和复杂模型简化等问题产生的误差，大幅提高标定精度，且操作方便，快速，易推广。

Description

一种基于机器学习的应力应变预测方法

技术领域

本发明属于检测预测技术领域，涉及一种基于机器学习的应力应变预测方法。

背景技术

飞机工装系统的应力应变检测在飞机装配的在线监控过程中有着十分重要的作用，是保障飞机整机装配质量的关键。飞机工装检测需要对工装零件的应力应变场进行高精测量及预测，飞机工装零件结构、位置、检测特征等复杂多样，使得工装零件的应变特性检测条件更加苛刻，并且在预测效率以及准确性上也都提出了严格的要求。近年来，随着工业生产的不断进步，对应力应变的检测监控需求也有所提升，需要精准预测不同情况下的应力应变场状态。现阶段用于应力应变预测的方法主要两种有：有限元数值模型分析方法、应力应变关系曲线修正方法。有限元分析要求确定可知的输入作为先决条件，才能保证分析的准确性，且仿真分析时间较长，无法做到即时预测；应力应变关系曲线函数分析方法需要有被测体的数学物理模型作为基础，建立更合适的函数关系，通过此函数关系预测应变值，但是实际工程应用中的被测体模型一般极为复杂，难以简化，且并无准确可分析关系函数，致使无法在实际工程中通过此方法进行应力应变预测。现有的应力应变预测方法有时无法满足所有种类的被测体的监控预测需求。因此，如何合理设计预测方法实现可以对实际应用中不同复杂程度的被测系统进行快速预测成为目前的主要难题和研究方向。

郭进全等人的专利《高温材料应力松弛剩余应力和损伤的预测方法》,专利号为201310025222.4中介绍了一种应用于高温材料的应力松弛剩余应力和损伤预测方法，主要是利用材料高温下的蠕变数据，采用数值分析技术，得到应力松弛曲线和应力松弛损伤曲线，从而预测高温材料的应力松弛剩余应力和损伤程度。

许逢庭等人的专利《硅胶弹性体手感分析及疲劳寿命预测的有限元模拟方法》,专利号为201410422591.1中公开了一种基于有限元分析的硅胶弹性体手感分析及疲劳寿命预测方法，进行几何建模后，对有限元模型施加约束、载荷和定义接触模式并进行网格划分，最终得到云图寿命及应力分布区域数据。

孟维迎等人于2018在北京航空航天大学学报期刊第1期发表的《纤维金属层板金属层应变测量及应力预测方法》中通过数字化光学应变法，实现了层板中金属层应变的测量，同时以子层刚度理论获得层板的等效刚度矩阵，修正经典层板理论中整体刚度矩阵的求解方法，实现了金属层应力的更准确预测。

以上三种方法虽然实现了从需求上完成预测的过程，但是对于复杂系统的即时预测并不能达到准确且快速的结果输出，普适性不高、效率低、时间久，且检测预测过程过于复杂不易推广，在实际应用中对操作人员的要求过大。

发明内容

本发明要解决的技术难题是克服现有技术的缺陷，发明一种基于机器学习的应力应变预测方法，该方法首先安装连接应变传感器预测硬件系统，采集传感器的应变信号进行数据处理，选择合适算法及参数建立机器学习模型，利用实验数据训练模型，最后应用模型进行预测效果应用。避免了有限元分析初始条件和应变函数模型无法确定的问题，能有效的运用数据驱动的方式，解决在数学物理模型的机理分析上不确定因素带来的困难，实现被测系统应力应变场的准确预测。另外，此方法对所有被测系统都能普遍适用，且满足快速预测的需求。

本发明采用的技术方案是一种基于机器学习的应力应变预测方法，其特征是，预测方法是由机器学习作为媒介，通过处理应力应变实验数据，作为学习模型的输入及输出，选择合适的算法和相应训练参数，进行训练，从而得到预测网络。在预测过程中，通过操作计算机控制加载装置每次加载的力、并用解调仪采集测量数据，利用数据分析软件处理实验数据，建立适当的学习模型，训练该模型，从而实现被测系统应变场的准确预测；方法的具体步骤如下：

第一步、安装连接应变传感器预测硬件系统

先将固定装置6安装在精密光学平台1上，应力应变传感器5安装在被测铝板2上，并固定在固定装置6上，保证静止状态的稳定性，再将施力装置4与力传感器3连接，固定在施力装置4上，将力传感器3接入数据采集系统7中采集信号，数据采集系统7与计算机8连接，用于在相应软件上读取传感器信号变化，相互通讯实现对加载力信号的采集，应力应变传感器5接入解调仪9的通道中，解调仪9与计算机8连接，用于在相应软件上读取传感器波长，相互通讯实现对应变信号的采集；

第二步、应变传感器信号采集

实验开始时，启动数据采集系统7，开启计算机8、解调仪9；操作施力装置4使力传感器3与被测试件2接触并产生加载，设定每组加载的次数A和每次加载力的数值，通过读取计算机8上相应软件上的加载力数值，控制每次施加的力；同时，由计算机8通过解调仪9的系统软件，读取每次施力装置4加载后的应变传感器5的波长测量值信号；重复以上加载步骤M次，得到一共MA组测量数据，完成整个应变传感器数据采集过程。

实现对应变传感器5波长读数的实时采集读取及存储过程，完成整个应变传感器信号采集过程；

第三步、建立被测系统的机器学习预测模型

计算机8内存储有整个实验过程的测量数据，利用计算机8对实验数据进行数据分析，通过数据分析软件，编程建立机器学习预测模型，以一部分数据ε_a作为输入，一部分数据ε_b作为输出，利用数据驱动建立两部分之间的非线性映射关系；即：

f:ε_a→ε_b (1)

将应变输出值ε_b进行调节，建立加权支持向量机调整模型，即转换为最优化问题：

其中，ω、b分别是最优超平面斜率与截距，c是惩罚系数，ξ_i是松弛变量，μ_i为权重系数。经简化计算后，可看作是解决式(3)中的对偶问题：

其中，α为拉格朗日乘子，e＝[1,2,…,n]^T，Q为n×n的半正定矩阵；

Q_ij＝ε_biε_biK(ε_ai,ε_ai) (4)

其中，K(ε_ai,ε_ai)为核函数方程。式(3)求解后，根据对偶关系，则ω的最佳优化结果满足：

其中，φ(ε_ai)代表ε_ai向高维空间的映射；

最终的调整模型表示为：

得到输入输出数据间的预测学习模型；

第四步、训练该系统预测模型并进行预测应用

调用训练好的预测模型，将相应的应力应变数据键入输入端，应用该保存好的预测模型进行预测，即可得到输出端位置的应力应变数据的准确预测值，从而达到复杂模型应力应变场的检测需求；

采用回归系数R²作为预测精度的评定：

式中，为应变ε_b预测值与真值之差的平方和，为应变ε_b真值均值的平方和，i为样本序号，i＝1,2,…,n，n为样本数。

本发明的有益效果是本方法相对比于对被测体应力应变场状态的其他传统预测方法来说，能有效的运用数据驱动的方式，解决在机理分析上不确定因素带来的困难，无需计算并探索不同载荷对应的应力应变理论值，避免实际应用中定量确定有限元分析初始输入条件的困难，只需获取大量实验数据，通过软件建立适宜的训练模型，进行有效机器学习，得到预测模型，即可对检测监控系统进行预测操作应用，准确获取其预测应变值。此种方法适用于任意应用光纤应变传感器检测系统的应力应变场预测，避免考虑加载力和预紧力的确定，试件弹性模量范围和复杂模型简化等问题产生的误差，大幅提高了标定精度，且操作方便，快速，易推广。

附图说明

图1为传感器应力应变预测系统的布置图。图中，1-精密光学平台，2-被测试件，3-力传感器，4-施力装置，5-应力应变传感器，6-固定装置，7-数据采集系统，8-计算机，9-解调仪。

图2为基于机器学习的应力应变预测方法的流程图。

图3为应用学习模型预测结果曲线图。其中，X轴-预测集样本数量，Y轴-应变值。

具体实施方式

以下结合技术方案和附图详细叙述本发明的具体实施方式。

附图1为应变传感器预测系统的安装图。本实施例中所使用的光纤解调仪型号为MOI公司的si255-16-ST/160-NO，其测量范围是-15000—15000με，解调精度为1pm，其量程为0—2000με，分辨率为0.5με。数据采集系统选用美国NI公司生产的基于虚拟仪器的控制器组合。其中包括数据采集模块NI PCI-4461，输入输出模块NI PCI-6528/5922，控制器主机PXIe-1082DC。其中数据采集模块PCI-4461分辨率达到24位，采样率可达204.8kS/s。力传感器为Honeywell公司的型号41的测压元件，具有高达0.1％的低误差率，且可选0到5V或4到20mA的输出，在NI系统上通过虚拟仪器转换为力学量显示。

附图2为应变传感器预测方法的流程图，整个预测方法分为以下四个部分，应变传感器预测硬件系统安装布置、应变传感器信号采集，建立被测系统的机器学习预测模型、训练该系统预测模型并进行预测应用。方法的具体步骤如下：

第一步、安装连接应变传感器预测硬件系统

本实施例中，应变传感器预测系统的安装图如附图1所示。在实验开始前，先将固定装置6安装在精密光学平台1上，光纤光栅应力应变传感器5安装在被测铝板2上，并固定在固定装置6上，保证静止状态的稳定性，再将施力装置4与力传感器3连接，固定在施力装置4上，力传感器3接入NI系统7中采集信号，NI系统7与计算机8连接，用于在相应软件上读取传感器信号变化，相互通讯实现对加载力信号的采集，光纤光栅应力应变传感器5接入光线解调仪9的通道中，光线解调仪9与计算机8连接，用于在相应软件上读取传感器波长，相互通讯实现对应变信号的采集。

第二步、应变传感器信号采集

实验开始时，启动NI系统7，开启计算机8、光纤解调仪9；操作施力装置4使力传感器3与被测试件2接触并产生加载，通过读取计算机8上虚拟仪器上的加载力数值，控制每次施加的力。根据本次实施例中选用的光纤应变传感器量程，设定每次加载20N，加载六次。在计算机8上稳定显示力传感器示数分别为0N、20N、40N、60N、80N、100N时，读取与光纤解调仪9相连接通讯的系统软件，待光纤应变传感器5的波长示数稳定后，操作计算机8分别读取传感器的测量值信号，并对其读数实现实时采集读取及存储过程，得到6组不同加载下的实验数据，重复以上步骤10遍，得到一共60组测量数据，完成整个应变传感器数据采集过程。

第三步、建立被测系统的机器学习预测模型

本实施例测量过程结束后，操作计算机8，利用光纤解调仪9采集测量波长数据，处理实验数据，得到可用于建立机器学习模型的光纤应变传感器应力应变数据，通过MATLAB软件，编程建立机器学习预测模型，利用公式(1)建立传感器实际测量值ε_a到预测期望输出值ε_b的映射关系：

f:ε_a→ε_b

选择参数c值为100，建立加权支持向量机调整模型，利用公式(2)，转换为最优化问题：

经公式(3)简化计算后，转换为对偶问题：

选择SVR模块，RBF核函数，通过公式(4)，公式(5)得到ε_ai向高维空间的映射，通过公式(6)最终的调整模型表示为：

本实施例模型建立完成后，运行程序代码，训练该模型，其中，训练集为54组数据，测试集为6组数据。

第四步、训练该系统预测模型并进行预测应用

将测试集的6组的应力应变数据键入输入端，应用该保存好的模型进行预测，得到输出端位置的应力应变数据的准确预测值，与实际测量值对比得到如图3所示图形，x代表预测集样本数量，y代表应变值，两种曲线分别表示预测输出和期望输出，即测量值。利用公式(7)计算预测输出的精度，得到其评价模型为R²＝0.95177，接近1，证明其精度较高，即该预测模型能够达到高精预测效果。

该预测方法相对于传统的有限元分析和函数修正方法来说，无需计算并探索不同载荷对应的应力应变理论值，避免实际应用中定量确定有限元分析初始输入条件的困难，只需一定量的实验数据，通过软件建立适宜的训练模型，能有效的运用数据驱动的方式，解决在机理分析上不确定因素带来的困难，对检测监控系统进行预测操作应用，准确获取其预测应变值。该方法可以实现对任意被测系统的高速、高精度预测过程，效率高、普适性强、操作简单易推广。

Claims (1)

1.一种基于机器学习的应力应变预测方法，其特征是，预测方法是由机器学习作为媒介，通过处理应力应变实验数据，作为学习模型的输入及输出，选择合适的算法和相应训练参数，进行训练，从而得到预测网络；在预测过程中，通过操作计算机控制加载装置每次加载的力、并用解调仪采集测量数据，利用数据分析软件处理实验数据，建立适当的学习模型，训练该模型，从而实现被测系统应变场的准确预测；方法的具体步骤如下：

第一步、安装连接应变传感器预测硬件系统

先将固定装置(6)安装在精密光学平台(1)上，应力应变传感器(5)安装在被测铝板(2)上，并固定在固定装置(6)上，保证静止状态的稳定性，再将施力装置(4)与力传感器(3)连接，固定在施力装置(4)上，力传感器(3)接入数据采集系统(7)中采集信号，数据采集系统(7)与计算机(8)连接，用于在相应软件上读取传感器信号变化，相互通讯实现对加载力信号的采集，应力应变传感器(5)接入解调仪(9)的通道中，解调仪(9)与计算机(8)连接，用于在相应软件上读取传感器波长，相互通讯实现对应变信号的采集；

第二步、应变传感器信号采集

实验开始时，启动数据采集系统(7)，开启计算机(8)、解调仪(9)；操作施力装置(4)使力传感器(3)与被测试件(2)接触并产生加载，设定每组加载的次数A和每次加载力的数值，通过读取计算机(8)上相应软件上的加载力数值，控制每次施加的力；同时，由计算机(8)通过解调仪(9)的系统软件，读取每次施力装置(4)加载后的应变传感器(5)的波长测量值信号，实现对应变传感器(5)波长读数的实时采集读取及存储过程；重复以上加载步骤M次，得到一共MA组测量数据，完成整个应变传感器信号采集过程；

第三步、建立被测系统的机器学习预测模型

计算机(8)内存储有整个实验过程的测量数据，利用计算机(8)对实验数据进行数据分析，通过数据分析软件，编程建立机器学习预测模型，以一部分数据ε_a作为输入，一部分数据ε_b作为输出，利用数据驱动建立两部分之间的非线性映射关系；即：

f:ε_a→ε_b (1)

将应变输出值ε_b进行调节，建立加权支持向量机调整模型，即转换为最优化问题：

其中，ω、b分别是最优超平面斜率与截距，c是惩罚系数，ξ_i是松弛变量，μ_i为权重系数；经简化计算后，可看作是解决式(3)中的对偶问题：

其中，α为拉格朗日乘子，e＝[1,2,…,n]^T，Q为n×n的半正定矩阵；

Q_ij＝ε_biε_biK(ε_ai,ε_ai) (4)

其中，K(ε_ai,ε_ai)为核函数方程，式(3)求解后，根据对偶关系，则ω的最佳优化结果满足：

其中，φ(ε_ai)代表ε_ai向高维空间的映射；

最终的调整模型表示为：

得到输入输出数据间的预测学习模型；

第四步、训练该系统预测模型并进行预测应用

调用训练好的预测模型，将相应的应力应变数据键入输入端，应用该保存好的预测模型进行预测，即可得到输出端位置的应力应变数据的准确预测值，从而达到复杂模型应力应变场的检测需求；

采用回归系数R²作为预测精度的评定：

式中，为应变ε_b预测值与真值之差的平方和，为应变ε_b真值均值的平方和，i为样本序号，i＝1,2,…,n，n为样本数。