CN111638034A - 基于深度学习的应变天平温度梯度误差补偿方法及系统 - Google Patents
基于深度学习的应变天平温度梯度误差补偿方法及系统 Download PDFInfo
- Publication number
- CN111638034A CN111638034A CN202010517988.4A CN202010517988A CN111638034A CN 111638034 A CN111638034 A CN 111638034A CN 202010517988 A CN202010517988 A CN 202010517988A CN 111638034 A CN111638034 A CN 111638034A
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- balance
- temperature gradient
- gradient error
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/08—Aerodynamic models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
- G01M9/062—Wind tunnel balances; Holding devices combined with measuring arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Fluid Mechanics (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于深度学习的应变天平温度梯度误差补偿方法及系统,该方法通过在天平上布置温度传感器获取天平的温度数据以及温度梯度误差数据;然后根据天平温度梯度误差数据选取关键温度测点;最后建立深度置信网络DBN,设置初始参数,以关键温度测点的温度数据作为深度置信网络DBN的输入值,以温度梯度误差数据作为网络的输出值,进行深度置信网络DBN训练和温度梯度误差预测。本发明提出的方法,解决了天平温度梯度误差补偿方法精度不够高、鲁棒性及泛化能力不好的问题。通过选取出了天平上的关键温度测点,减少了温度传感器个数,降低了模型复杂程度;二是该温度梯度误差补偿方法预测精度高、鲁棒性和泛化能力较好。
Description
技术领域
本发明涉及航空航天测力试验气动力测量技术领域,特别是一种基于深度学习的应变天平温度梯度误差补偿方法及系统。
背景技术
应变天平的温度效应可分为两个不同的领域,即温度变化导致天平上的等温温度条件和导致天平体温度梯度的变化。风洞试验中,这两种条件同时存在于不同的水平上。对于等温温度条件的热补偿,在应变计电桥的适当支桥上安装一段温度敏感线,以补偿温度对天平测量的影响,在物理补偿完成后,用数学模型对剩余等温温度影响进行补偿。这种补偿方法只适用于稳态等温温度变化,而不适用于稳态或瞬态温度梯度分布的情况。
此外天平上的温度梯度会在天平的各个部分产生应变,并且与外力作用产生的应变无法区分,其中对天平测量影响最大、最难解决的问题就是温度梯度引起的轴向力测量误差,影响天平测量精准度且不容易补偿修正。已有的研究是通过在天平上布置一定数量的温度传感器采集天平温度分布信息,然后采用数学模型的方法或遗传算法对数据进行处理来对温度梯度误差进行补偿,但该方法的鲁棒性和泛化能力较差。
目前的温度梯度误差补偿技术都不能完全补偿对轴向力测量的任何梯度剖面或幅度的影响,残余温度梯度效应目前还没有得到补偿,直接影响到风洞试验的效率和数据质量。
发明内容
有鉴于此,本发明的目的在于提供一种基于深度学习的应变天平温度梯度误差补偿方法及系统,该方法采用建立DBN网络预测模型进行天平温度梯度误差预测补偿,具有较好的鲁棒性和泛化能力。
为达到上述目的,本发明提供如下技术方案:
本发明提供的基于深度学习的应变天平温度梯度误差补偿方法,包括以下步骤:
通过在天平上布置温度传感器获取天平的温度数据;
通过天平测量元件上粘贴的应变计组成的电桥获得温度梯度误差数据;
根据天平温度数据及温度梯度误差数据选取关键测温点;
建立深度置信网络DBN,设置初始参数,以关键温度测点的温度数据作为深度置信网络DBN的输入值,以温度梯度误差数据作为网络的输出值,进行深度置信网络DBN训练和温度梯度误差预测。
进一步,所述温度梯度误差数据是通过应变计电桥获得的。
进一步,所述关键温度测点是通过以下步骤来实现:
初始化参数后对温度数据进行减法聚类分析,得到初始聚类数及初始聚类中心;
将减法聚类得到的初始数据作为模糊C均值聚类算法的初始参数,进行聚类分析,得到温度数据的模糊划分矩阵,完成温度测点的分类;
计算温度测点与温度梯度误差之间的相关性,选出天平的关键测温点。
进一步,所述深度置信网络DBN训练是按照以下步骤进行的:
确定DBN网络的结构和参数;
将归一化处理后的关键温度测点数据与天平温度梯度误差输出数据分别作为网络的输入和输出,进行RBM无监督预训练;
将RBM无监督预训练得到的更新参数扩展后对BP神经网络进行初始化后继续训练,得到天平温度梯度误差预测模型。
进一步,所述DBN网络包括多个受限的玻尔兹曼机RBM和BP神经网络两部分:第一部分为无监督学习的受限的玻尔兹曼机,完成对输入数据的特征提取和挖掘,这一部分的输出作为第二部分的输入;第二部分为有监督学习的BP神经网络,完成数据的训练,得到最终的 DBN预测模型,所述DBN网络的训练过程按照以下步骤进行:
通过DBN网络中的玻尔兹曼机RBM进行无监督预训练得到BP神经网络的层内参数;
首先将样本温度数据X赋予第一个玻尔兹曼机RBM的可见层V1,然后根据以下公式(1) 和(2)计算隐藏层和可见层单元被激活的概率,对样本中的v和h交替进行采样;
其中,Wij为可见层和隐藏层两个相连单元之间的连接权值;
p表示单个可见层或隐藏层单元激活的概率;
vi表示第i个可见层单元;
j表示第j个隐藏层单元;
v=[v1,v2,…,vi,…vm]表示可见层的状态向量;
h=[h1,h2,…,hj,…,hn]表示隐藏层的状态向量;
θ={wij,ai,bj}表示RBM的更新参数;
ai为可见层单元的偏置值;
bj为隐藏层单元的偏置值;
利用对输入数据进行若干次Gibbs采样的结果作为玻尔兹曼机RBM模型参数的梯度项, Wij,ai,bj的更新公式如下:
bj=bj+η(h1-hk) (5)
其中,h1表示第一隐藏层状态向量;
v1表示第一可见层状态向量;
hk表示第k隐藏层状态向量;
vk表示第k可见层状态向量;
η表示学习率;
输入信号通过可见层神经元向前传递,将前一个玻尔兹曼机RBM的输出作为下一个玻尔兹曼机RBM的输入,依次逐层训练玻尔兹曼机RBM;
有监督权值调优:将顶层的BP神经网络接收到的数据作为输入,再根据理论输出与实际输出的误差,按相反的方向逐层传递到各个玻尔兹曼机RBM,逐层对参数θ进行调优,使得参数θ获得全局最优;
其中,θ={wij,ai,bj}表示。
本发明还提供了一种基于深度学习的应变天平温度梯度误差补偿系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
通过在天平上布置温度传感器获取天平的温度数据以及温度梯度误差数据;
根据天平温度梯度误差数据选取关键温度测点;
建立深度置信网络DBN,设置初始参数,以关键温度测点的温度数据作为深度置信网络 DBN的输入值,以温度梯度误差数据作为网络的输出值,进行深度置信网络DBN训练和温度梯度误差预测。
进一步,所述温度梯度误差数据是通过应变计电桥获得的。
进一步,所述关键温度测点是通过以下步骤来实现:
初始化参数后对温度数据进行减法聚类分析,得到初始聚类数及初始聚类中心;
将减法聚类得到的初始数据作为模糊C均值聚类算法的初始参数,进行聚类分析,得到温度数据的模糊划分矩阵,完成温度测点的分类;
计算温度测点与温度梯度误差之间的相关性,选出天平的关键测温点。
进一步,所述深度置信网络DBN训练是按照以下步骤进行的:
确定DBN网络的结构和参数;
将归一化处理后的关键温度测点数据与天平温度梯度误差输出数据分别作为网络的输入和输出,进行RBM无监督预训练;
将RBM无监督预训练得到的更新参数扩展后对BP神经网络进行初始化后继续训练,得到天平温度梯度误差预测模型。
本发明的有益效果在于:
本发明提出基于深度学习的应变天平温度梯度误差补偿方法,解决了天平温度梯度误差补偿方法精度不够高、鲁棒性及泛化能力不好的问题。通过选取出了天平上的关键温度测点,减少了温度传感器个数,降低了模型复杂程度;二是该温度梯度误差补偿方法预测精度高、鲁棒性和泛化能力较好。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为基于深度学习的应变天平温度梯度误差补偿方法流程图。
图2为DBN网络结构图。
图3为RBM结构图
图4为无监督逐层训练过程图。
图5为天平温度传感器测点布置位置图。
图6为BP网络模型温度梯度误差预测曲线图。
图7为动态模糊神经网络模型温度梯度误差预测曲线图。
图8为DBN网络模型温度梯度误差预测曲线图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
如图1所示,本实施例提供的基于深度学习的应变天平温度梯度误差补偿方法,包括如下步骤:
步骤一、首先通过在天平上布置温度传感器获取天平在不同温度载荷下的温度数据,通过在天平测量元件上粘贴应变计组成惠斯顿电桥获得天平温度梯度误差数据。
步骤二、通过减法聚类优化的模糊C均值聚类方法对样本温度数据进行处理,进行天平关键温度测点辨识:
首先,初始化参数后对温度数据进行减法聚类分析,得到相对合理的初始聚类数及初始聚类中心;然后,将减法聚类得到的初始值作为模糊C均值聚类算法的初始参数,进行聚类分析,得到温度数据的模糊划分矩阵,从而完成温度测点的分类;最后,根据温度测点与温度梯度误差之间的相关性大小,选出天平的关键测温点。
步骤三、建立深度置信网络(DBN),设置好初始参数,以关键测温点的温度数据作为网络的输入值,以温度梯度误差数据作为网络的输出值,进行网络训练和温度梯度误差预测。
本实施例提供的深度置信网络DBN训练是按照以下步骤进行的:
首先,确定DBN网络的结构和参数;然后,将归一化处理后的关键温度测点数据与天平温度梯度误差输出数据分别作为网络的输入和输出,进行RBM无监督预训练;最后,将RBM 无监督预训练得到的更新参数扩展后对BP神经网络进行初始化后继续训练,得到天平温度梯度误差预测模型。
本实施例提供的温度梯度误差预测是按照以下步骤进行的:
首先,基于关键温度测点的温度传感器获得天平的温度数据;然后,将新的温度数据作为训练好的DBN预测模型的输入,DBN网络的输出即为不同温度数据下的温度梯度误差预测值。
本实施例提供的基于DBN的应变天平温度梯度误差补偿的基本原理如下:
首先,在天平上布置温度传感器测点用于获取天平的温度分布数据,然后利用减法聚类优化的FCM算法进行关键温度测点的辨识,之后,将关键测温点的温度数据作为DBN网络的输入,以温度梯度误差输出数据作为DBN网络的输出进行训练,得到DBN预测模型,基于该模型即可对温度梯度误差进行预测,从而实现温度梯度误差补偿。
如图2所示,图2为DBN网络结构图,如图3所示,图3为RBM结构图,DBN网络结构和训练过程具体如下:
本实施例提供的DBN网络由多个受限的玻尔兹曼机(RBM)和BP神经网络组成,各个RMB 作为无监督特征提取部分,可以对数据进行预处理,这一过程得到的网络参数相比随机赋予初值的效果更优,相当于将优化后的已知初始权值赋予一个深层BP神经网络,因此,可以改善BP神经网络的性能,还能够加快模型收敛速度。
如图4所示,图4为无监督逐层训练过程图,DBN模型的训练过程可归纳为以下两个步骤:
(1)无监督预训练:DBN模型中的RBM采用对比散度(CD)算法以贪婪逐层的方式训练得到层内参数Wij,ai,bj,其中,Wij为两个相连神经元之间的连接权值,ai,bj分别为可见层神经元和隐藏层神经元的偏置值。
首先,将样本温度数据X赋予第一个RBM的可见层V1;
然后,根据式(1)和(2)计算隐藏层和可见层神经元被激活的概率,对样本中的v和h 交替进行采样。
利用对输入数据进行若干次Gibbs采样的结果作为RBM模型参数的梯度项,Wij,ai,bj的更新公式如下:
Wij=Wij+η(P(h1|v1)v1-P(h2|v2)v2) (3)
ai=ai+η(v1-V2) (4)
bj=bj+η(h1-h2) (5)
输入信号通过可见层神经元向前传递,以上一个RBM的输出作为下一个RBM的输入,依次逐层训练RBM。
(2)有监督权值调优:在无监督逐层训练过程中,不能确保RBM的参数θ={wij,ai,bj}达到全局最优。
因此将顶层的BP神经网络接收到的数据作为输入,再根据理论输出与实际输出的误差,按相反的方向逐层传递到各个RBM,逐层对参数θ进行调优,使得参数θ←θ+Δθ获得全局最优。
下面基于DBN的天平轴向力元件温度梯度误差预测实例,具体包括以下过程:
1、关键测温点辨识:
如图5所示,首先,在天平上布置24个温度传感器测点,用于获取天平温度分布数据,然后利用有限元分析软件进行天平流热固耦合仿真,得到天平温度数据和轴向力元件温度梯度误差输出数据。
然后,计算温度测点与温度梯度误差的相关性大小并按相关性从大到小的顺序进行排序,如表1所示。
表1相关性大小排序
表中,ΔT1,ΔT2,…,ΔT24为温度传感器测点的数据。
然后,基于减法聚类优化的模糊C均值聚类算法并初始化模糊聚类参数后对温度数据进行聚类分析,得到聚类数和对应有效性函数值的如表2所示:
表2聚类数和对应的有效性函数值
选择有效性函数值最小时的聚类数作为最终的聚类结果,因此基于减法聚类优化的FCM 算法将天平温度测点分为4类。减法聚类优化的FCM算法得到的聚类数为4的24个温度测点的隶属矩阵如表3所示:
表3隶属矩阵
根据表3的测温点隶属矩阵可知,天平上布置的温度传感器测点分为以下4类:
第一类:ΔT11、ΔT12、ΔT13、ΔT14、ΔT21、ΔT22;
第二类:ΔT1、ΔT2、ΔT7、ΔT8、ΔT9、ΔT10、ΔT17、ΔT18;
第三类:ΔT3、ΔT4、ΔT5、ΔT6、ΔT19、ΔT20;
第四类:ΔT15、ΔT16、ΔT23、ΔT24。
然后,根据表1中温度变量与温度梯度误差相关性大小排序;
最终,选择ΔT5、ΔT9、ΔT12、ΔT15这4个温度测点用于补偿建模。
从图5可以看出,这4个测点都在轴向力测量元件附件,说明这些测点可以很好的反应轴向力元件的温度分布情况。
2、确定DBN网络结构参数
确定DBN网络结构包括三个RBM(即有3个隐藏层)和一个三层BP神经网络网络。对DBN 网络的相关参数进行设定:学习率=1,动量=0.5,迭代次数根据训练过程设为80,批量大小=1。
将归一化处理后的关键温度测点数据与天平轴向力测量元件温度梯度误差输出数据分别作为网络的输入和输出。网络的输入层节点数等于关键温度测点个数,即为4;输出层节点数等于输出矢量维数,即为1。
3、DBN网络预测
以关键温度测点的数据作为输入,以温度梯度误差输出数据作为输出,进行DBN网络训练。将RBM无监督预训练得到的更新参数扩展后作为BP网络的输入进行训练,得到天平温度梯度误差预测模型,然后基于训练得到DBN预测模型进行天平温度梯度误差预测补偿。
图6、7、8所示,分别为三种方法的预测结果曲线图,结果表明,所提出的天平温度梯度误差补偿方法具有较高的预测精度,能够将天平轴向力元件温度梯度误差范围从±22.33 μV/V下降到±2.06μV/V,补偿效果相比BP神经网络和动态模糊神经网络更优。本实施例采用误差带宽、均方根误差、平均绝对误差和误差范围补偿百分比作为补偿模型预测精度的评价指标,评价结果如表1所示。
表1预测结果评价
根据图5~7及表1可以看出,基于DBN网络的温度梯度误差预测补偿模型预测精度更高,性能更稳定,能够有效补偿超过90%的误差输出。
综上所述,基于DBN网络的天平温度梯度误差补偿方法可用于应变天平温度梯度误差输出的预测和补偿。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (9)
1.基于深度学习的应变天平温度梯度误差补偿方法,其特征在于:包括以下步骤:
通过在天平上布置温度传感器获取天平的温度数据;
通过天平测量元件上粘贴的应变计组成的电桥获得温度梯度误差数据;
根据天平温度数据及温度梯度误差数据选取关键测温点;
建立深度置信网络DBN,设置初始参数,以关键温度测点的温度数据作为深度置信网络DBN的输入值,以温度梯度误差数据作为网络的输出值,进行深度置信网络DBN训练和温度梯度误差预测。
2.如权利要求1所述的方法,其特征在于:所述温度梯度误差数据是通过应变计电桥获得的。
3.如权利要求1所述的方法,其特征在于:所述关键温度测点是通过以下步骤来实现:
初始化参数后对温度数据进行减法聚类分析,得到初始聚类数及初始聚类中心;
将减法聚类得到的初始数据作为模糊C均值聚类算法的初始参数,进行聚类分析,得到温度数据的模糊划分矩阵,完成温度测点的分类;
计算温度测点与温度梯度误差之间的相关性,选出天平的关键测温点。
4.如权利要求1所述的方法,其特征在于:所述深度置信网络DBN训练是按照以下步骤进行的:
确定DBN网络的结构和参数;
将归一化处理后的关键温度测点数据与天平温度梯度误差输出数据分别作为网络的输入和输出,进行RBM无监督预训练;
将RBM无监督预训练得到的更新参数扩展后对BP神经网络进行初始化后继续训练,得到天平温度梯度误差预测模型。
5.如权利要求1所述的方法,其特征在于:所述DBN网络包括多个受限的玻尔兹曼机RBM和BP神经网络两部分:第一部分为无监督学习的受限的玻尔兹曼机,
完成对输入数据的特征提取和挖掘,这一部分的输出作为第二部分的输入;第二部分为有监督学习的BP神经网络,完成数据的训练,得到最终的DBN预测模型,所述DBN网络的训练过程按照以下步骤进行:
通过DBN网络中的玻尔兹曼机RBM进行无监督预训练得到BP神经网络的层内参数;
将样本温度数据X赋予第一个玻尔兹曼机RBM的可见层V1,然后根据以下公式(1)和(2)计算隐藏层和可见层单元被激活的概率,对样本中的v和h交替进行采样;
其中,Wij为可见层和隐藏层两个相连单元之间的连接权值;
p表示单个可见层或隐藏层单元激活的概率;
vi表示第i个可见层单元;
j表示第j个隐藏层单元;
v=[v1,v2,…,vi,…vm]表示可见层的状态向量;
h=[h1,h2,…,hj,…,hn]表示隐藏层的状态向量;
θ={wij,ai,bj}表示RBM的更新参数;
ai为可见层单元的偏置值;
bj为隐藏层单元的偏置值;
利用对输入数据进行若干次Gibbs采样的结果作为玻尔兹曼机RBM模型参数的梯度项,Wij,ai,bj的更新公式如下:
bj=bj+η(h1-hk) (5)
其中,h1表示第一隐藏层状态向量;
v1表示第一可见层状态向量;
hk表示第k隐藏层状态向量;
vk表示第k可见层状态向量;
η表示学习率;
输入信号通过可见层神经元向前传递,将前一个玻尔兹曼机RBM的输出作为下一个玻尔兹曼机RBM的输入,依次逐层训练玻尔兹曼机RBM;
有监督权值调优:将顶层的BP神经网络接收到的数据作为输入,再根据理论输出与实际输出的误差,按相反的方向逐层传递到各个玻尔兹曼机RBM,逐层对参数θ进行调优,使得参数θ获得全局最优;
其中,θ={wij,ai,bj}表示。
6.基于深度学习的应变天平温度梯度误差补偿系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
通过在天平上布置温度传感器获取天平的温度数据;
通过天平测量元件上粘贴的应变计组成的电桥获得温度梯度误差数据;
根据天平温度数据及温度梯度误差数据选取关键测温点;
建立深度置信网络DBN,设置初始参数,以关键温度测点的温度数据作为深度置信网络DBN的输入值,以温度梯度误差数据作为网络的输出值,进行深度置信网络DBN训练和温度梯度误差预测。
7.如权利要求6所述的系统,其特征在于:所述温度梯度误差数据是通过应变计电桥获得的。
8.如权利要求6所述的系统,其特征在于:所述关键温度测点是通过以下步骤来实现:
初始化参数后对温度数据进行减法聚类分析,得到初始聚类数及初始聚类中心;
将减法聚类得到的初始数据作为模糊C均值聚类算法的初始参数,进行聚类分析,得到温度数据的模糊划分矩阵,完成温度测点的分类;
计算温度测点与温度梯度误差之间的相关性,选出天平的关键测温点。
9.如权利要求6所述的系统,其特征在于:所述深度置信网络DBN训练是按照以下步骤进行的:
确定DBN网络的结构和参数;
将归一化处理后的关键温度测点数据与天平温度梯度误差输出数据分别作为网络的输入和输出,进行RBM无监督预训练;
将RBM无监督预训练得到的更新参数扩展后对BP神经网络进行初始化后继续训练,得到天平温度梯度误差预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010517988.4A CN111638034B (zh) | 2020-06-09 | 2020-06-09 | 基于深度学习的应变天平温度梯度误差补偿方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010517988.4A CN111638034B (zh) | 2020-06-09 | 2020-06-09 | 基于深度学习的应变天平温度梯度误差补偿方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111638034A true CN111638034A (zh) | 2020-09-08 |
CN111638034B CN111638034B (zh) | 2021-07-09 |
Family
ID=72327901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010517988.4A Expired - Fee Related CN111638034B (zh) | 2020-06-09 | 2020-06-09 | 基于深度学习的应变天平温度梯度误差补偿方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111638034B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327971A (zh) * | 2020-10-27 | 2021-02-05 | 江南大学 | 金属棒温度分布系统的鲁棒启发式迭代学习控制方法 |
CN113324729A (zh) * | 2021-07-08 | 2021-08-31 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种风洞天平温度漂移物理补偿方法 |
CN115290293A (zh) * | 2022-10-08 | 2022-11-04 | 中国航空工业集团公司沈阳空气动力研究所 | 降低轴向力测量元件零点温度效应的应变天平研制方法 |
CN115950557A (zh) * | 2023-03-08 | 2023-04-11 | 深圳市特安电子有限公司 | 一种基于压力变送器的温度智能补偿方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US2844027A (en) * | 1956-06-11 | 1958-07-22 | Task Corp | Temperature compensated force balance |
US5056361A (en) * | 1990-09-18 | 1991-10-15 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Dual strain gage balance system for measuring light loads |
CN102622418A (zh) * | 2012-02-21 | 2012-08-01 | 北京联合大学 | 一种基于bp神经网络的预测装置及设备 |
CN103625655A (zh) * | 2013-12-23 | 2014-03-12 | 中国航天空气动力技术研究院 | 应变天平温度影响校准系统 |
CN104849019A (zh) * | 2015-05-14 | 2015-08-19 | 中国空气动力研究与发展中心设备设计及测试技术研究所 | 一种降低风洞应变天平温度效应的电路设计方法 |
CN108267076A (zh) * | 2016-12-30 | 2018-07-10 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种温度自补偿应变计 |
CN108764588A (zh) * | 2018-07-11 | 2018-11-06 | 天津工业大学 | 一种基于深度学习的温度影响电力预测方法 |
CN108763360A (zh) * | 2018-05-16 | 2018-11-06 | 北京旋极信息技术股份有限公司 | 一种分类方法及装置、计算机可读存储介质 |
CN108921208A (zh) * | 2018-06-20 | 2018-11-30 | 天津大学 | 基于深度学习的不平衡数据的均衡采样及建模方法 |
CN109000879A (zh) * | 2018-06-27 | 2018-12-14 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种风洞天平温度漂移修正方法 |
CN111143641A (zh) * | 2019-12-27 | 2020-05-12 | 北京金山云网络技术有限公司 | 深度学习模型的训练方法、装置及电子设备 |
-
2020
- 2020-06-09 CN CN202010517988.4A patent/CN111638034B/zh not_active Expired - Fee Related
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US2844027A (en) * | 1956-06-11 | 1958-07-22 | Task Corp | Temperature compensated force balance |
US5056361A (en) * | 1990-09-18 | 1991-10-15 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Dual strain gage balance system for measuring light loads |
CN102622418A (zh) * | 2012-02-21 | 2012-08-01 | 北京联合大学 | 一种基于bp神经网络的预测装置及设备 |
CN103625655A (zh) * | 2013-12-23 | 2014-03-12 | 中国航天空气动力技术研究院 | 应变天平温度影响校准系统 |
CN104849019A (zh) * | 2015-05-14 | 2015-08-19 | 中国空气动力研究与发展中心设备设计及测试技术研究所 | 一种降低风洞应变天平温度效应的电路设计方法 |
CN108267076A (zh) * | 2016-12-30 | 2018-07-10 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种温度自补偿应变计 |
CN108763360A (zh) * | 2018-05-16 | 2018-11-06 | 北京旋极信息技术股份有限公司 | 一种分类方法及装置、计算机可读存储介质 |
CN108921208A (zh) * | 2018-06-20 | 2018-11-30 | 天津大学 | 基于深度学习的不平衡数据的均衡采样及建模方法 |
CN109000879A (zh) * | 2018-06-27 | 2018-12-14 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种风洞天平温度漂移修正方法 |
CN108764588A (zh) * | 2018-07-11 | 2018-11-06 | 天津工业大学 | 一种基于深度学习的温度影响电力预测方法 |
CN111143641A (zh) * | 2019-12-27 | 2020-05-12 | 北京金山云网络技术有限公司 | 深度学习模型的训练方法、装置及电子设备 |
Non-Patent Citations (5)
Title |
---|
VANIKA SINGHAL ET AL.: "How to Train Your Deep Neural Network with Dictionary Learning", 《 DATA COMPRESSION CONFERENCE》 * |
刘亚坤等: "基于SVM的电子分析天平温度漂移补偿方法", 《计量学报》 * |
李纯 等: "应变天平零点温度漂移补偿研究", 《传感器世界》 * |
湛华海: "风洞应变天平温度效应修正技术现状与发展", 《中国空气动力学会测控专业委员会第六届六次全国学术交流会》 * |
王超 等: "T型梁结构应变天平正对称与反对称布局对比分析", 《电子测量技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327971A (zh) * | 2020-10-27 | 2021-02-05 | 江南大学 | 金属棒温度分布系统的鲁棒启发式迭代学习控制方法 |
CN112327971B (zh) * | 2020-10-27 | 2021-06-15 | 江南大学 | 金属棒温度分布系统的鲁棒启发式迭代学习控制方法 |
WO2022088857A1 (zh) * | 2020-10-27 | 2022-05-05 | 江南大学 | 金属棒温度分布系统的鲁棒启发式迭代学习控制方法 |
CN113324729A (zh) * | 2021-07-08 | 2021-08-31 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种风洞天平温度漂移物理补偿方法 |
CN113324729B (zh) * | 2021-07-08 | 2022-10-21 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种风洞天平温度漂移物理补偿方法 |
CN115290293A (zh) * | 2022-10-08 | 2022-11-04 | 中国航空工业集团公司沈阳空气动力研究所 | 降低轴向力测量元件零点温度效应的应变天平研制方法 |
CN115290293B (zh) * | 2022-10-08 | 2022-12-13 | 中国航空工业集团公司沈阳空气动力研究所 | 降低轴向力测量元件零点温度效应的应变天平研制方法 |
CN115950557A (zh) * | 2023-03-08 | 2023-04-11 | 深圳市特安电子有限公司 | 一种基于压力变送器的温度智能补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111638034B (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111638034B (zh) | 基于深度学习的应变天平温度梯度误差补偿方法及系统 | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN111126575B (zh) | 基于机器学习的气体传感器阵列混合气体检测方法及装置 | |
CN106156401B (zh) | 基于多组合分类器的数据驱动系统状态模型在线辨识方法 | |
CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
CN111414977A (zh) | 机床主轴热误差建模的加权集成温度敏感点组合选取方法 | |
CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN110880369A (zh) | 基于径向基函数神经网络的气体标志物检测方法及应用 | |
CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
CN113505534A (zh) | 一种考虑需求响应的负荷预测方法 | |
CN113268935A (zh) | 一种基于阵列式柔性触觉传感器的解耦分析方法 | |
CN108846200B (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
CN111598187A (zh) | 一种基于核宽度学习系统的渐进式集成分类方法 | |
CN114169383A (zh) | 有限元模型结构的应变-位移重构方法 | |
CN113887342A (zh) | 基于多源信号和深度学习的设备故障诊断方法 | |
CN114964313A (zh) | 一种基于rvm的光纤陀螺温度补偿方法 | |
CN114578011A (zh) | 一种基于多传感器多源数据融合的水质监测方法 | |
CN115221973A (zh) | 一种基于增强加权异质集成学习的航空轴承故障诊断方法 | |
Ding et al. | Jaya-based long short-term memory neural network for structural damage identification with consideration of measurement uncertainties | |
CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
CN111380649A (zh) | 基于pso优化lssvm的车用多维力传感器解耦方法 | |
CN115993077A (zh) | 复杂路况运输情况下惯导系统优选决策方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210709 |