CN111025899A - 一种非线性动态质量系统预测方法 - Google Patents
一种非线性动态质量系统预测方法 Download PDFInfo
- Publication number
- CN111025899A CN111025899A CN201911144034.7A CN201911144034A CN111025899A CN 111025899 A CN111025899 A CN 111025899A CN 201911144034 A CN201911144034 A CN 201911144034A CN 111025899 A CN111025899 A CN 111025899A
- Authority
- CN
- China
- Prior art keywords
- parameters
- response
- key
- dynamic quality
- control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于控制工程技术领域，具体为一种非线性动态质量系统预测方法。本发明方法包括：获取非线性动态质量系统的控制系统关键参数和响应关键指标；对所述关键参数和响应关键指标进行预处理；根据非线性动态质量系统的控制特性，建立机器学习模型初始参数；选取非线性动态质量系统响应指标作为适应度函数，采用遗传算法对机器学习模型的初始参数进行迭代优化；然后利用非线性动态质量系统的控制系统关键参数和响应关键指标进行机器学习模型训练，得到响应参数与控制系统关键参数之间的对应关系；采用该对应关系对具有不同控制参数的非线性动态质量系统进行响应预测。本发明避免了该控制系统复杂的动力计算，有助于推动动态质量系统的工程应用。
Description
技术领域
本发明属于控制工程技术领域，具体涉及一种非线性动态质量系统预测方法。
背景技术
在机械工程、结构工程以及航空航天等领域，系统振动控制技术已经是一项解决结构振动和环境噪音等问题的有效手段。动态质量系统具有“质量放大”和“增效减振”的控制优势，现有研究针对这一热点技术提出了基于动态质量元件的新型振动控制解决方案，并发展了相关的优化设计算法。然而，面临实际工程的复杂问题，既有研究中被广泛采用的线性系统假设，不能合理有效地考虑实际减振对象的非线性力学行为。基于线性系统假设而获得的动态质量系统优化设计参数不能满足实际非线性结构在复杂工况下的减振控制需求，限制了研究成果的适用范围，进而降低了其应用价值。在非线性系统的控制研究方面，系统本身的非线性力学特性使得系统的振动问题呈现强非线性特性，不便于工程技术人员的理解和控制工程的研究。
人工智能技术，特别是机器学习的兴起和发展为非线性系统的模拟、控制和优化设计提供了不依赖明确物理概念的解决方案。如何实现对非线性动态质量系统的预测和设计，成为本领域技术人员亟待解决的技术问题。
发明内容
本发明的目的在于提供一种预测速度快、预测精度高的非线性动态质量系统预测方法。
本发明提供的非线性动态质量系统预测方法， 具体步骤如下：
（1）获取非线性动态质量系统的控制系统关键参数和响应关键指标，并将所述的控制系统关键参数和响应关键指标存储于计算机存储器；所述控制系统的关键参数为设计预先设定，对应的系统响应关键参数指标可通过试验测试和系统非线性动力分析获取；这里，所述控制系统关键参数包含但不限于动态质量系统的质量系数、阻尼系数、刚度系数、非线性系统的频率参数和阻尼参数等，所述响应关键指标包含但不限于控制系统的输出响应和控制成本力等；
（2）对所述的关键控制参数和非线性系统响应指标进行预处理，以满足机器学习模型对训练数据标准化要求；
（3）采用遗传算法对机器学习模型中的初始参数进行迭代优化，并在此基础上利用所述的非线性动态质量系统的控制系统关键参数和响应关键指标进行机器学习模型训练，得到响应参数与控制系统关键参数之间的对应关系；所述的机器学习模型采用人工神经网络模型，初始参数包括：人工神经网络权值、偏置及其阶数、人工神经网络隐藏层数；
（4）根据得到的响应参数与控制系统关键参数之间的对应关系，对具有不同控制参数的非线性动态质量系统进行响应预测。
本发明中，所述的关键控制参数和非线性系统响应指标需要满足数据的鲁棒性要求。
本发明步骤（2）中，所述对关键控制参数和非线性系统响应指标进行预处理，包含对数据的清洗以消除错误、冗余和数据噪音，格式化以统一数据格式，并实现其标准化。所述数据的标准化指通过数据预处理以使其满足机器学习模型内部激活函数的可行域。
本发明步骤（3）中，所述采用遗传算法对机器学习模型的所述的初始参数进行迭代优化，包括：
根据非线性动态质量系统的控制特性，建立机器学习模型初始参数；
选取非线性动态质量系统响应指标作为适应度函数，采用遗传算法对所述的机器学习模型初始参数进行迭代优化，迭代代数、种群规模、变异概率关键指标考虑非线性动态质量系统控制特性和数据特征：当所述动态质量控制系统非线性相关参数较小以致系统响应关键参数离散性增加时，或不同系统响应关键参数指标互相关系数小于0.5时，需增加变异概率和迭代代数。
本发明步骤（3）中，所述利用非线性动态质量系统的控制系统关键参数和响应关键指标进行机器学习模型训练过程中，根据拟训练精度和数据特征针对性地调整机器学习的模型种类。当训练精度要求较低时，可选择前馈或基于误差反向传播的前馈神经网络模型模型；相反，建议选择记忆神经网络和图神经网络。对于具有复杂力学拓扑形式的动态质量控制系统（即控制元件数量大于3）或非线性敏感的受控系统，该受控系统响应参数数据离散性增强，不同类型响应指标之间相关函数波动增加，建议采用记忆神经网络。
所述的训练过程中，通过随机挑选训练数据作为检验数据来校核所训练人工神经网络的鲁棒性和适用性。
本发明步骤（4）中，所述利用对应关系对具有不同控制参数的非线性动态质量系统进行响应预测，其预测过程包括：由用户将预测输入数据存储至所述预测系统中，并更新训练数据库，根据步骤（3）的方法，更新机器学习模型。
本发明所提出的基于机器学习的非线性动态质量系统预测方法，避免了该控制系统复杂的动力计算，通过考虑非线性动态质量控制系统的控制复杂度、数据特征，针对性地融合遗传算法、神经网络选型等技术，形成一套预测非线性动态质量系统响应的方法，有助于推动动态质量系统的工程应用。
附图说明
图1是本发明实施例提供的一种非线性动态质量系统预测模型和方法的流程图。
图2是本发明实施例提供的遗传算法优化人工神经网络的流程框图。
图3成本评价指标β误差值。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种非线性动态质量系统预测模型和方法，参照图1所示，该方法包括步骤。
S1、获取非线性动态质量系统的控制系统关键参数和响应关键指标，并将所述的控制系统关键参数和响应关键指标进行存储；
其中，所述的关键控制参数和非线性系统响应指标需要满足数据的鲁棒性要求，应包含非线性动态质量系统动力分析结果和试验测试结果。
S2、对所述的关键控制参数和非线性系统响应指标进行预处理，包含对数据的清洗以消除错误、冗余和数据噪音，格式化以统一数据格式；
其中，以标准正态分布为例，对清洗后的数据进行标准化处理，并进行存储。
S3、考虑非线性动态质量系统的控制特性，建立机器学习模型初始参数；
其中，所建立的模型初始参数的数目应满足不小于（输入参数个数+输出参数个数+1）×隐藏节点+（输出参数个数）。
S4、选取非线性动态质量系统响应指标作为适应度函数，采用遗传算法对所述的机器学习模型初始参数进行迭代优化；
其中，迭代代数、编码长度、种群规模、变异概率等关键指标应考虑非线性动态质量系统控制特性和数据特征；
作为一个实施例，编码长度可初始设定为（输入参数个数+输出参数个数+1）×隐藏节点+（输出参数个数）。
S5、利用所述的非线性动态质量系统的控制系统关键参数和响应关键指标进行机器学习模型训练，以得到响应参数与控制系统关键参数之间的对应关系；
本实施例中，根据拟训练精度和数据特征针对性地调整机器学习的模型种类；
所述的训练过程中，通过随机挑选训练数据作为检验数据来校核所训练人工神经网络的鲁棒性和适用性。当模型的预测精度不能满足预定要求时，可重复S5步骤进行进一步的迭代优化。
S6、采用所述的对应关系对具有不同控制参数的非线性动态质量系统进行响应预测；
本实施例中，所述的预测过程由用户将预测输入数据存储至所述预测系统中，并更新训练数据库，同时更新机器学习模型；
以基于优化后的误差反向传递的前馈神经网络为例，选取56组样本数据，每个样本包含3项动态质量控制系统参数—质量比（变化范围[0.1 1.0]）、阻尼比（变化范围[0.020.05]）和刚度比（变化范围[0.1 0.5]），采用所述预测系统对成本评价指标β（变化范围[01.0]）进行预测，预测结果与动力响应分析结果之间的误差如图3所示。从图3中可以看出，本发明所提出的一种非线性动态质量系统预测方法及其模型可以有效的考虑非线性动态质量控制系统的控制特点，在较高精度的前提下完成系统响应的预测和模拟。
本实施例提供的一种非线性动态质量系统预测模型和方法，与本发明实施例所提供的基于人工神经网络的非线性动态质量系统预测模型和方法属于同一发明构思，可执行本发明任意实施例所提供的非线性动态质量系统预测模型和方法。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关联的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种非线性动态质量系统预测方法，其特征在于，具体步骤如下：
（1）获取非线性动态质量系统的控制系统关键参数和响应关键指标，并将所述的控制系统关键参数和响应关键指标存储于计算机存储器；所述控制系统关键参数包含动态质量系统的质量系数、阻尼系数、刚度系数、非线性系统的频率参数和阻尼参数，由设计预先设定；所述响应关键指标包含控制系统的输出响应和控制成本力，通过试验测试和系统非线性动力分析获取；
（2）对所述的关键控制参数和非线性系统响应指标进行预处理，以满足机器学习模型对训练数据标准化要求；
（3）采用遗传算法对机器学习模型中的初始参数进行迭代优化，并在此基础上利用所述的非线性动态质量系统的控制系统关键参数和响应关键指标进行机器学习模型训练，得到响应参数与控制系统关键参数之间的对应关系；所述的机器学习模型采用人工神经网络模型，所述初始参数包括：人工神经网络权值、偏置及其阶数、人工神经网络隐藏层数；
（4）采用所述的对应关系对具有不同控制参数的非线性动态质量系统进行响应预测。
2.根据权利要求1所述的预测方法，其特征在于，所述关键控制参数和非线性系统响应指标满足数据的鲁棒性要求。
3.根据权利要求2所述的预测方法，其特征在于，步骤（2）中所述对关键控制参数和非线性系统响应指标进行预处理，包含对数据的清洗以消除错误、冗余和数据噪音，格式化以统一数据格式，并实现其标准化；这里所述数据的标准化指通过数据预处理以使其满足机器学习模型内部激活函数的可行域。
4.根据权利要求3所述的预测方法，其特征在于，步骤（3）中所述采用遗传算法对机器学习模型的所述的初始参数进行迭代优化，包括：
根据非线性动态质量系统的控制特性，建立机器学习模型初始参数；
选取非线性动态质量系统响应指标作为适应度函数，采用遗传算法对所述的机器学习模型初始参数进行迭代优化，其中，迭代代数、种群规模、变异概率这些关键指标考虑非线性动态质量系统控制特性和数据特征：当所述动态质量控制系统非线性相关参数较小以致系统响应关键参数离散性增加时，或不同系统响应关键参数指标互相关系数小于0.5时，增加变异概率和迭代代数。
5.根据权利要求4所述的预测方法，其特征在于，步骤（3）中所述利用非线性动态质量系统的控制系统关键参数和响应关键指标进行机器学习模型训练过程中，根据拟训练精度和数据特征针对性地调整机器学习的模型种类；当训练精度要求较低时，选择前馈或基于误差反向传播的前馈神经网络模型；相反，选择记忆神经网络和图神经网络；对于具有复杂力学拓扑形式的动态质量控制系统即控制元件数量大于3，或非线性敏感的受控系统，该受控系统响应参数数据离散性增强，不同类型响应指标之间相关函数波动增加，则采用记忆神经网；
在训练过程中，通过随机挑选训练数据作为检验数据来校核所训练人工神经网络的鲁棒性和适用性。
6.根据权利要求5所述的预测方法，其特征在于，步骤（4）中所述利用对应关系对具有不同控制参数的非线性动态质量系统进行响应预测，其预测过程包括：由用户将预测输入数据存储至所述预测系统中，并更新训练数据库，根据步骤（3）的方法，更新机器学习模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911144034.7A CN111025899A (zh) | 2019-11-21 | 2019-11-21 | 一种非线性动态质量系统预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911144034.7A CN111025899A (zh) | 2019-11-21 | 2019-11-21 | 一种非线性动态质量系统预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111025899A true CN111025899A (zh) | 2020-04-17 |
Family
ID=70206234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911144034.7A Pending CN111025899A (zh) | 2019-11-21 | 2019-11-21 | 一种非线性动态质量系统预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111025899A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114168216A (zh) * | 2021-11-24 | 2022-03-11 | 阿里巴巴（中国）有限公司 | 一种参数调优方法、设备及存储介质 |
| CN117312865A (zh) * | 2023-11-30 | 2023-12-29 | 山东理工职业学院 | 基于非线性动态优化的数据分类模型的构建方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103092073A (zh) * | 2012-12-31 | 2013-05-08 | 中联重科股份有限公司 | 抑制臂架振动的控制方法及系统 |
| CN103258234A (zh) * | 2013-05-02 | 2013-08-21 | 江苏大学 | 基于粒子群优化bp神经网络的惯容器力学性能预测方法 |
| CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
| CN107729706A (zh) * | 2017-11-29 | 2018-02-23 | 湖南科技大学 | 一种非线性机械系统的动力学模型构建方法 |
| CN109284818A (zh) * | 2018-09-07 | 2019-01-29 | 北方爆破科技有限公司 | 一种基于事故树和遗传算法的爆破振动控制预测方法 |
| CN110232461A (zh) * | 2018-10-22 | 2019-09-13 | 鲁东大学 | 基于量子遗传算法优化的多关联向量机水质预测方法 |
-
2019
- 2019-11-21 CN CN201911144034.7A patent/CN111025899A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103092073A (zh) * | 2012-12-31 | 2013-05-08 | 中联重科股份有限公司 | 抑制臂架振动的控制方法及系统 |
| CN103258234A (zh) * | 2013-05-02 | 2013-08-21 | 江苏大学 | 基于粒子群优化bp神经网络的惯容器力学性能预测方法 |
| CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
| CN107729706A (zh) * | 2017-11-29 | 2018-02-23 | 湖南科技大学 | 一种非线性机械系统的动力学模型构建方法 |
| CN109284818A (zh) * | 2018-09-07 | 2019-01-29 | 北方爆破科技有限公司 | 一种基于事故树和遗传算法的爆破振动控制预测方法 |
| CN110232461A (zh) * | 2018-10-22 | 2019-09-13 | 鲁东大学 | 基于量子遗传算法优化的多关联向量机水质预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 彭文彬: "《机械装配动态质量量化指标的逆子结构分析与实验研究》", 《万方学位论文》 * |
| 曾文华: "《基于遗传算法的双隐层动态递归神经网络训练方法》", 《2001年中国智能自动化会议》 * |
| 许兆美等: "《基于遗传算法优化反向传播神经网络的激光铣削层质量预测》", 《中国激光》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114168216A (zh) * | 2021-11-24 | 2022-03-11 | 阿里巴巴（中国）有限公司 | 一种参数调优方法、设备及存储介质 |
| CN114168216B (zh) * | 2021-11-24 | 2024-04-26 | 阿里巴巴（中国）有限公司 | 一种参数调优方法、设备及存储介质 |
| CN117312865A (zh) * | 2023-11-30 | 2023-12-29 | 山东理工职业学院 | 基于非线性动态优化的数据分类模型的构建方法及装置 |
| CN117312865B (zh) * | 2023-11-30 | 2024-02-27 | 山东理工职业学院 | 基于非线性动态优化的数据分类模型的构建方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | Robust adaptive model predictive control: Performance and parameter estimation | |
| CN105354277A (zh) | 一种基于递归神经网络的推荐方法及系统 | |
| Baldacchino et al. | Computational system identification for Bayesian NARMAX modelling | |
| Thaler et al. | Machine‐learning‐enhanced tail end prediction of structural response statistics in earthquake engineering | |
| Bhattacharjya et al. | Robust optimization of structures subjected to stochastic earthquake with limited information on system parameter uncertainty | |
| CN102110013A (zh) | 用于有效生成处理器体系结构模型的方法和设备 | |
| CN109472412A (zh) | 一种事件的预测方法及装置 | |
| CN111025899A (zh) | 一种非线性动态质量系统预测方法 | |
| Soleimani et al. | Artificial neural network application in predicting probabilistic seismic demands of bridge components | |
| Borboudakis et al. | Towards robust and versatile causal discovery for business applications | |
| JP6902487B2 (ja) | 機械学習システム | |
| Liu et al. | Prediction of ammunition storage reliability based on improved ant colony algorithm and BP neural network | |
| Liu et al. | Infinite time linear quadratic stackelberg game problem for unknown stochastic discrete‐time systems via adaptive dynamic programming approach | |
| Jha et al. | Structural reliability analysis using a hybrid HDMR-ANN method | |
| Fukasawa et al. | Is harvest size a valid indirect measure of abundance for evaluating the population size of game animals using harvest‐based estimation? | |
| CN114529228A (zh) | 一种面向电力监控系统供应链的风险预警方法及系统 | |
| Gu et al. | Stochastic inversion method for concrete dams on the basis of bayesian back analysis theory | |
| Zimmermann et al. | Importance function derivation for RESTART simulations of Petri nets | |
| Cao et al. | Reliability analysis for multi‐state systems subject to distinct random shocks | |
| Chan et al. | Monotonicity and active set strategies in probabilistic design optimization | |
| Eryilmaz | Generalized waiting time distributions associated with runs | |
| EP4227864A1 (en) | Evaluation method, evaluation device, and evaluation program | |
| CN113342474A (zh) | 客户流量的预测、模型训练的方法、设备及存储介质 | |
| Yao et al. | Robust stability of Markovian jumping genetic regulatory networks with disturbance attenuation | |
| Nutaro et al. | On the stability and performance of discrete event methods for simulating continuous systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200417 |