CN111950093A - 基于不同置信度训练样本优化轴系神经网络的方法 - Google Patents

基于不同置信度训练样本优化轴系神经网络的方法 Download PDF

Info

Publication number
CN111950093A
CN111950093A CN202010898868.3A CN202010898868A CN111950093A CN 111950093 A CN111950093 A CN 111950093A CN 202010898868 A CN202010898868 A CN 202010898868A CN 111950093 A CN111950093 A CN 111950093A
Authority
CN
China
Prior art keywords
neural network
error
shafting
simulation
training
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
Application number
CN202010898868.3A
Other languages
English (en)
Other versions
CN111950093B (zh
Inventor
邓义斌
杨小钢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202010898868.3A priority Critical patent/CN111950093B/zh
Publication of CN111950093A publication Critical patent/CN111950093A/zh
Application granted granted Critical
Publication of CN111950093B publication Critical patent/CN111950093B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

公开了一种基于不同置信度训练样本优化轴系神经网络的方法，包括：根据仿真样本集进行理想状态轴系神经网络训练，获得理想状态下轴系神经网络，并求出在实测数据点处的误差期望值；求出仿真样本集每个样本点对应的误差容量区间，将误差容量区间的中间值作为仿真样本点的误差期望，求每个仿真样本点与误差期望之和，并构成新的训练样本集，用求得的新的训练样本集替换原有仿真样本集并对轴系神经网络进行二次训练，得到的优化神经网络。

Description

基于不同置信度训练样本优化轴系神经网络的方法
技术领域
本发明属于中间轴承安装变位技术领域，具体地指一种基于不同置信度训练样本优化轴系神经网络的方法。
背景技术
有些船舶受机舱艉部线型、船体稳性及作业需求等各方面因素限制，目前常采用中前机舱布置，因此造成推进系统轴系较长，中间轴、中间轴承数量较多，形成所谓的多支撑轴系。良好的轴系校中能合理分配各个轴承上的支反力，是船舶稳定航行的重要保证，因此针对轴系安装过程轴承支反力大小，各船级社制定了较为严格的规范。针对多支撑轴系校中困难的问题，有学者提出了一种基于GA-BP算法的船舶轴系中间轴承安装变位调整方法。该方法选取实测变位数据作为神经网络训练样本，后使用GA-BP神经网络计算各中间轴承调整至规范高度时所需的变位值。但实际调整过程中的实测数据数量较少，不足以完成网络的训练过程，故在使用该方法时常用仿真数据代替实测数据。但仿真数据与实测数据存在一定误差，导致网络精度有所欠缺。
发明内容
本公开提供一种基于不同置信度训练样本优化轴系神经网络的方法。将少量的实测数据与大量的仿真数据相结合，优化训练样本集以达到减小误差的目的。
本公开的至少一个实施例提供一种基于不同置信度训练样本优化轴系神经网络的方法，包括：根据仿真样本集进行理想状态轴系神经网络训练，获得理想状态下轴系神经网络，并求出在实测数据点处的误差期望值；
将仿真样本集代入下式，
Figure BDA0002659205630000011
求出每个样本点对应的误差容量区间，将误差容量区间的中间值作为仿真样本点的误差期望，求每个仿真样本点与误差期望之和，并构成新的训练样本集，用求得的新的训练样本集替换原有仿真样本集并对轴系神经网络进行二次训练，得到的优化神经网络。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
图1为本发明一实施例提供的基于不同置信度训练样本优化轴系神经网络方法的流程图。
图2为本发明一实施例提供的中间轴承支反力误差对比曲线图。
具体实施方式
图1展示了基于不同置信度训练样本优化轴系神经网络方法的原理图。如图1，根据仿真样本集进行理想状态轴系神经网络训练，获得理想状态下轴系神经网络，并求出在实测数据点处的误差期望值；求出仿真样本集每个样本点对应的误差容量区间，将误差容量区间的中间值作为仿真样本点的误差期望，求每个仿真样本点与误差期望之和，并构成新的训练样本集，用求得的新的训练样本集替换原有仿真样本集并对轴系神经网络进行二次训练，得到的优化神经网络。下方将对本发明方法进行详细描述。
1)轴系模型误差分析
运用仿真模型计算轴系受力可以获得大量的可规划样本，但实际安装过程中具有更多的不确定因素导致仿真结果与实测数据具有一定的误差。并且在安装过程中获取足够多的实测样本用以神经网络的训练是不现实的，故若想以少量的真实样本与仿真计算得到的样本融合训练一个综合轴系神经网络，应考虑两种样本存在不同的置信级。
轴系仿真模型由于无法将所有实际情况考虑在内，相较于轴系真实模型，具有一定的误差，可将轴系仿真模型视为是轴系真实模型的一种变异。同理，轴系真实模型也可视为仿真模型的一种变异。则有真实轴系模型r(x)＝仿真轴系模型s(x)+仿真模型误差ε(x)。求其期望，得下式(1)
E(r(x))＝s(x)+E(ε(x)) (1)
其中表示综合了所有已知参数的期望E(r(x))的神经网络来近似真实网络，假设该网络为neth(x)≈E(r(x))，由仿真模型训练得到的网络为net(x)≈s(x)。两个网络之间应有如下式(2)的误差关系。
neth(x)≈net(x)+E(ε(x)) (2)
其中误差期望E(ε(x))大小与实测数据有关。
2)轴系误差期望计算方法
假设针对某船推进轴系，现有若干仿真计算获得的轴承变位值(轴承高度的变化量/mm)与轴承支反力(轴承受反力大小/N)数据，以及实测数据的轴承变位值与轴承支反力1组，记为(x0,y0)。
其中x0＝(x1,x2,x3,…,xn)y0＝(y1,y2,y3,…,yn)
xi——第i个中间轴承的支反力
yi——第i个中间轴承的变位值
使用仿真样本训练得到的神经网络在实测点的计算值为net(x0)，即在x0处模型误差期望E(ε(x))≈y0-net(x0)。实际中，仿真模型的误差来源是复杂的，根据中心极限定理，假设仿真模型的误差函数ε(x)服从正态分布
Figure BDA0002659205630000031
过实测数据(x0，ε0)的函数ε(x)在另一点xi处的值ε(xi)服从正态分布
Figure BDA0002659205630000032
其概率密度函数分别为
Figure BDA0002659205630000033
Figure BDA0002659205630000034
根据贝叶斯公式，ε(xi)的期望为
Figure BDA0002659205630000035
将式(4)和式(5)代入式(6)积分得到
Figure BDA0002659205630000036
考虑到轴系安装过程中存在的误差类型应是即包含自相关的不确定性误差又包含调整时带来的随机误差，根据实际安装过程的特征，认为误差函数ε(x)具有一定的随机性，其概率分布有一定的散布程度，不会过度集中。且σ2应与x0xi之间的距离d相关，考虑σ2/d≥c≥0的情况，当
Figure BDA0002659205630000037
时
Figure BDA0002659205630000038
若取εi＝0.1ε0，可求得d＝3σ1/c，记r＝3σ1/c为此次实测数据的影响范围，即超出此范围，实测数据对误差函数期望值的影响会降低到10％以下。由于输入变量均为三维变量，需要限制不同维度上影响范围rk，由+∞≥σ2/d≥c≥0得
Figure BDA0002659205630000041
3)训练样本集优化计算
根据所有仿真数据进行理想状态轴系神经网络训练，获得理想状态下轴系神经网络，并求出在实测数据点处的误差期望值。设定影响范围，并将所有仿真样本数据代入式(7)，对于每个样本点，可以求出对应的误差容量区间[edi,eui]，其中edi和eui分别为代入式(7)求得的最大值和最小值。将edi和eui的中间值作为仿真样本点的误差期望E(X)，求每个仿真样本点与误差期望之和，并构成新的训练样本集。
4)优化轴系神经网络构建
将3)中求得的训练样本集替换原有训练样本集并对网络进行二次训练，得到的优化神经网络即为优化后的轴系神经网络。
以某滚装船推进轴系校中过程作为一个算例，优化神经网络效果如图2所示，可见优化后轴系神经网络精度有明显提升。
在示例性实施例中，还提供一种基于不同置信度训练样本优化轴系神经网络的系统，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行存储器中的指令，以完成上述的方法的全部或部分步骤。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由处理器执行以完成上述的方法的全部或部分步骤。例如，所述非临时性计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。

Claims (2)

1.一种基于不同置信度训练样本优化轴系神经网络的方法，其特征在于，包括：
根据仿真样本集进行理想状态轴系神经网络训练，获得理想状态下轴系神经网络，并求出在实测数据点处的误差期望值；求出仿真样本集每个样本点对应的误差容量区间，将误差容量区间的中间值作为仿真样本点的误差期望，求每个仿真样本点与误差期望之和，并构成新的训练样本集，用求得的新的训练样本集替换原有仿真样本集并对轴系神经网络进行二次训练，得到的优化神经网络。
2.根据权利要求1所述的基于不同置信度训练样本优化轴系神经网络的方法，其特征在于，仿真样本集每个样本点对应的误差容量区间的获得方法为：
建立真实轴系模型与仿真轴系模型的误差关系：真实轴系模型r(x)＝仿真轴系模型s(x)+仿真模型误差ε(x)；
求得误差期望E(r(x))：
E(r(x))＝s(x)+E(ε(x)) (1)
用综合了所有已知参数的期望E(r(x))的神经网络neth(x)来近似真实网络，由仿真模型训练得到的网络为net(x)≈s(x)，则轴系真实神经网络与仿真模型训练得到的神经网络之间的误差关系为：
neth(x)≈net(x)+E(ε(x)) (2)
将若干仿真计算获得的轴承变位值(轴承高度的变化量/mm)与轴承支反力(轴承受反力大小/N)数据，以及实测数据的轴承变位值与轴承支反力数据，记为(x0，y0)；
其中x0＝(x1，x2，x3，...，xn)y0＝(y1，y2，y3，...，yn)
xi——第i个中间轴承的支反力
yi——第i个中间轴承的变位值
使用仿真样本训练得到的神经网络在实测点的计算值为net(x0)，即在x0处模型误差期望E(ε(x))≈y0-net(x0)；根据中心极限定理，假设仿真模型的误差函数ε(x)服从正态分布
Figure FDA0002659205620000011
过实测数据(x0，ε0)的函数ε(x)在另一点xi处的值ε(xi)服从正态分布
Figure FDA0002659205620000012
其概率密度函数分别为
Figure FDA0002659205620000013
Figure FDA0002659205620000021
根据贝叶斯公式，ε(xi)的期望为
Figure FDA0002659205620000022
将式(4)和式(5)代入式(6)积分得到
Figure FDA0002659205620000023
且σ2应与x0xi之间的距离d相关，考虑σ2/d≥c≥0的情况，当
Figure FDA0002659205620000024
时
Figure FDA0002659205620000025
若取εi＝0.1ε0，可求得d＝3σ1/c，记r＝3σ1/c为此次实测数据的影响范围，由于输入变量均为三维变量，需要限制不同维度上影响范围rk，由+∞≥σ2/d≥c≥0得
Figure FDA0002659205620000026
将仿真样本集代入式(7)求出每个样本点对应的误差容量区间。
CN202010898868.3A 2020-08-31 2020-08-31 基于不同置信度训练样本优化轴系神经网络的方法 Active CN111950093B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010898868.3A CN111950093B (zh) 2020-08-31 2020-08-31 基于不同置信度训练样本优化轴系神经网络的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010898868.3A CN111950093B (zh) 2020-08-31 2020-08-31 基于不同置信度训练样本优化轴系神经网络的方法

Publications (2)

Publication Number Publication Date
CN111950093A true CN111950093A (zh) 2020-11-17
CN111950093B CN111950093B (zh) 2023-03-14

Family

ID=73368003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010898868.3A Active CN111950093B (zh) 2020-08-31 2020-08-31 基于不同置信度训练样本优化轴系神经网络的方法

Country Status (1)

Country Link
CN (1) CN111950093B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6128609A (en) * 1997-10-14 2000-10-03 Ralph E. Rose Training a neural network using differential input
CN108470084A (zh) * 2018-02-09 2018-08-31 浙江大学 一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法
CN109344502A (zh) * 2018-09-30 2019-02-15 武汉理工大学 基于ga-bp算法的船舶轴系中间轴承安装变位调整方法
WO2020034630A1 (zh) * 2018-08-17 2020-02-20 东南大学 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法
CN111081022A (zh) * 2019-12-30 2020-04-28 宁波财经学院 一种基于粒子群优化神经网络的交通流预测方法
CN111259498A (zh) * 2020-01-14 2020-06-09 重庆大学 基于lstm神经网络的轴系统热误差建模方法和热误差补偿系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6128609A (en) * 1997-10-14 2000-10-03 Ralph E. Rose Training a neural network using differential input
CN108470084A (zh) * 2018-02-09 2018-08-31 浙江大学 一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法
WO2020034630A1 (zh) * 2018-08-17 2020-02-20 东南大学 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法
CN109344502A (zh) * 2018-09-30 2019-02-15 武汉理工大学 基于ga-bp算法的船舶轴系中间轴承安装变位调整方法
CN111081022A (zh) * 2019-12-30 2020-04-28 宁波财经学院 一种基于粒子群优化神经网络的交通流预测方法
CN111259498A (zh) * 2020-01-14 2020-06-09 重庆大学 基于lstm神经网络的轴系统热误差建模方法和热误差补偿系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱文材等: "遗传神经网络在轴系故障诊断中的应用", 《机电工程》, 28 February 2012 (2012-02-28), pages 136 - 141 *
翟久刚等: "基于BP神经网络与残差分析的船舶交通流量预测", 《上海海事大学学报》, no. 01, 31 March 2013 (2013-03-31), pages 19 - 22 *

Also Published As

Publication number Publication date
CN111950093B (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN116305522A (zh) 一种基于数字孪生的飞机结构可靠性仿真试验模型标定方法、设备、介质
Haupt et al. A Genetic Algorithm Method to Assimilate Sensor Data for a Toxic Contaminant Release.
CN108256693B (zh) 一种光伏发电功率预测方法、装置及系统
CN110717220B (zh) 航空液压管路模型验证的方法
CN111178756B (zh) 一种基于环境大数据的多元线性回归火灾风险评估方法
CN111950093B (zh) 基于不同置信度训练样本优化轴系神经网络的方法
US9207314B1 (en) Rapid determination of model transitions for interacting models with bounded parameters
CN109492192A (zh) 基于signature向量对Ⅱ型双边删失系统寿命数据的参数估计方法
US11514268B2 (en) Method for the safe training of a dynamic model
Silva et al. Critical wave group implementation with computational fluid dynamics and neural networks
WO2020213547A1 (ja) 気象予測データ作成プログラム、気象予測データ作成方法、及び、移動体
CN114035536A (zh) 一种基于蒙特卡洛法的飞行控制系统鲁棒性评估方法
Khlamov et al. Statistical Modeling for the Near-zero Apparent Motion Detection of Objects in Series of Images From data Stream
CN112327666A (zh) 动力巡航系统控制模型的目标函数权重矩阵确定方法
CN112528417A (zh) 一种飞行器半实物仿真的评估方法
Binder et al. Error analysis of a model order reduction framework for financial risk analysis
Zhan et al. Research on validation metrics for multiple dynamic response comparison under uncertainty
CN116861811B (zh) 一种火箭末级离轨推力的确定方法、装置及设备
Paul et al. Probabilistic Space Weather Modeling and its Impact on Space Situational Awareness and Space Traffic Management
CN116501062A (zh) 一种船舶智能轮巡控制方法及系统
CN116432518B (zh) 一种畸形波发生概率的快速预报方法、系统、设备和介质
CN108376380A (zh) 一种基于学生素质评价的成绩预测方法
CN115238398A (zh) 基于子区间相似度的飞行器结构随机模型修正方法及装置
Rataczak et al. Surrogate Models for Hypersonic Aerothermodynamics and Aerodynamics using Gaussian Process Regression
Jakob et al. Author note

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