CN113465733B - 基于eemd-dnn的振动台结构位移响应预测方法及装置 - Google Patents
基于eemd-dnn的振动台结构位移响应预测方法及装置 Download PDFInfo
- Publication number
- CN113465733B CN113465733B CN202110927785.7A CN202110927785A CN113465733B CN 113465733 B CN113465733 B CN 113465733B CN 202110927785 A CN202110927785 A CN 202110927785A CN 113465733 B CN113465733 B CN 113465733B
- Authority
- CN
- China
- Prior art keywords
- curve
- neural network
- deep neural
- network model
- displacement
- 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.)
- Expired - Fee Related
Links
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 229
- 230000004044 response Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 96
- 238000003062 neural network model Methods 0.000 claims abstract description 92
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 63
- 230000001133 acceleration Effects 0.000 claims abstract description 58
- 230000010354 integration Effects 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims 3
- 230000008569 process Effects 0.000 abstract description 17
- 238000012937 correction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于EEMD‑DNN的振动台结构位移响应预测方法及装置，采集振动台加速度时程记录，并将该加速度时程记录分为训练集和测试集；对训练集中的加速度时程记录依次进行二次数值积分和集合经验模态分解，获得训练样本集；将训练样本集输入预先构建的深度神经网络模型中，进行迭代训练，优化模型参数，得到优化后的深度神经网络模型；将测试集输入优化后的深度神经网络模型中，预测得到振动台的位移时程曲线，进而还原振动台真实的结构位移响应；本发明基于集合经验模态分解和深度神经网络模型，整个过程具有自适应性，适用范围广，预测精度高。
Description
技术领域
本发明涉及土木结构振动响应技术领域，具体公开了一种基于EEMD-DNN的振动台结构位移响应预测方法及装置。
背景技术
在研究土木结构工程的振动效应时，振动台可以很好的再现地震过程和进行人工地震波的试验，是实验室研究结构地震反应和破坏机理最直接的方法。由于振动台试验采集系统的通道数量有限，无法同时采集大量的加速度和位移数据，因此，在对工程结构的地震位移响应进行研究时，对采集到的加速度数据进行数值积分是得到结构位移响应的主要手段，但由于记录的数据与来自环境振动或仪器本身振动产生的低频噪声混合、操纵误差、换能器迟滞、假定的速度或位移初始值与实际情况不一致等原因，使得加速度在积分时会造成基线漂移，从而导致无法还原真实的结构位移响应。
目前，在加速度积分过程中对基线进行校正的方法主要有两类，一类是采用最小二乘法消除初始速度和位移与实际不一致产生的基线漂移误差，但该方法的校正效果较差且适用范围较窄；另一类是将传统基线校正位移与目标最终位移的偏移量作为指标，调整地震动记录的加速度时程(即对地震动记录的伪静分量进行修正)，最终二次积分得到目标最终位移，达到最终位移与目标最终位移一致，但该方法基于实验人员自主调节参数实现，不具备自适应性，也无法消除或最小化基线漂移时产生的误差，以致于不能重现真实的结构位移响应。
发明内容
有鉴于此，本发明的目的在于提供一种基于EEMD-DNN的振动台结构位移响应预测方法及装置，以解决采用传统方法进行结构位移响应预测时基线校正不具有自适应性、适用范围较窄以及预测精度不高的问题。
为达到上述目的，本发明提供一种基于EEMD-DNN的振动台结构位移响应预测方法，包括以下步骤：
S1：采集振动台加速度时程记录，并将该加速度时程记录分为训练集和测试集；
S2：对所述训练集中所有的加速度时程记录进行二次数值积分得到原始漂移位移时程记录，并采用集合经验模态分解算法对原始漂移位移时程记录进行分解，获得训练样本集；
S3：将训练样本集输入深度神经网络模型中，进行迭代训练，优化模型参数，得到优化后的深度神经网络模型；
S4：将测试集作为实时采集的加速度时程记录输入优化后的深度神经网络模型中，测试输出振动台的位移时程曲线，得到该振动台实际的结构位移响应。
进一步的，所述步骤S2获得训练样本集的具体步骤为：
S201：对训练集中的所有加速度时程记录进行数值积分得到速度时程曲线；
S202：对所述速度时程曲线进行数值积分得到原始漂移位移时程曲线；
S203：采用集合经验模态分解算法将原始漂移位移时程曲线分解为集合经验模态分量以及剩余分量，并以分解得到所有的集合经验模态分量和步骤S202中得到的漂移位移时程曲线作为训练样本集输入所述深度神经网络模型。
进一步的，所述步骤S203中对原始漂移位移时程曲线进行集合经验模态分解得到多个集合经验模态分量和剩余分量的具体步骤为：
S2031：在所述原始漂移位移时程曲线中叠加一组高斯白噪声得到第一漂移位移时程曲线；
S2032：筛选出第一漂移位移时程曲线中所有的极大值点和极小值点，对所述极大值点和极小值点分别进行拟合得到所述第一漂移位移时程曲线的上包络线和下包络线；
S2033：根据所述上包络线和下包络线计算所述第一漂移位移时程曲线的均值包络，并计算所述第一漂移位移时程曲线与均值包络之间的差值得到第一残余曲线；
S2034：判断所述第一残余曲线是否满足imf分量成立的条件，若满足，则执行步骤S2035，若不满足，则对所述第一残余曲线重复执行步骤S2031-S2033，直至重复n次后得到的第k个残余曲线满足imf分量成立的条件为止，所述第k个残余曲线即为第一漂移位移时程曲线经过经验模态分解得到的imf分量；
S2035：将第k个残余曲线从第一漂移位移时程曲线中分离，得到第一剩余曲线；
S2036：判断所述第一剩余曲线是否为单调函数，若是，则完成分解，否则对所述第一剩余曲线重复执行步骤S2031-S2035，直至重复m得到的第i个剩余曲线为单调函数为止，所述第i个剩余曲线即为第一漂移位移时程曲线经过经验模态分解得到的剩余曲线；
S2037：分别计算所述imf分量和剩余曲线的平均值，得到集合经验模态分量和剩余分量，所述原始漂移位移时程曲线可表示为。
进一步的，所述步骤S2034中，imf分量成立的条件为：
在整个时程内，所述第一残余曲线上极大值点和极小值点的个数与过零点的个数相等或最多相差一个；
在整个时程内，所述第一残余曲线上任意一点处的上包络线和下包络线的均值为零。
进一步的，所述步骤S3对深度神经网络模型进行迭代训练的具体步骤为：
S301：将训练样本集输入深度神经网络模型中，得到预测的位移时程曲线；
S302：将采集到的振动台实际的位移时程记录与预测的位移时程曲线进行比较得到预测误差值，利用所述预测误差值对深度神经网络模型进行迭代训练，对深度神经网络模型进行优化。
进一步的，所述步骤S302对深度神经网络模型进行迭代训练得到优化后的深度神经网络模型的具体步骤为：
S3021：采集振动台位移时程记录；
S3022：将采集到的振动台实际的位移时程记录与步骤S31中得到的预测的位移时程曲线进行比较得到预测误差值；
S3023：将所述预测误差值反向传播至深度神经网络模型中再次进行预测，对所述深度神经网络进行迭代训练，优化模型参数，得到优化后的深度神经网络模型。
进一步的，在步骤S3022中，所述预测误差值为振动台实际的位移时程记录和预测的位移时程曲线之间的均方误差，其计算公式为：
其中：L'j(t)为振动台第j次实际位移时程记录，l'j(t)为深度神经网络模型第j次预测的位移时程记录中，j＝1,2,…,x，x为深度神经网络模型迭代的次数。
本发明的另一方面，还提供一种基于EEMD-DNN的振动台结构位移响应预测装置，以用于实现上述方法，包括：
数据采集系统，用于采集振动台实际的加速度时程记录，并将所述加速度时程记录分为训练集和测试集；
样本训练模块，用于对所述训练集中的加速度时程记录进行二次数值积分得到原始漂移位移时程曲线，并采用集合经验模态分解算法对原始漂移位移时程曲线进行分解，获得训练样本集；
模型优化模块，用于将训练样本集输入深度神经网络模型中，并对深度神经网络模型进行迭代训练，优化模型参数，得到优化后的深度神经网络模型；以及
结构位移响应预测模块，用于将测试集输入优化后的深度神经网络模型中，预测所述振动台实际的位移时程曲线，得到带振动台实际的结构位移响应。
进一步的，所述样本训练模块还用于对所述训练集中的加速度时程记录进行一次数值积分后得到速度时程曲线，再对该速度时程曲线进行一次数值积分后得到原始漂移位移时程曲线；
所述样本训练模块还用于利用集合经验模态分解算法对原始漂移位移时程曲线进行分解得到多个集合经验模态分量和剩余分量，并以多个集合经验模态分量和原始漂移位移时程曲线共同作为样本训练集输入所述模型优化模块中对所述深度神经网络模型进行训练。
进一步的，所述数据采集系统还用于采集所述振动台实际的位移时程记录；
所述模型优化模块还用于基于深度神经网络模型对样本训练模块输入的训练样本集进行预测得到预测的位移时程曲线，并计算实际的位移时程记录与预测的位移时程曲线的预测误差值，根据所述预测误差值对所述深度神经网络模型进行迭代训练，得到优化后的深度神经网络模型。
本方案通过采集振动台加速度时程记录，对该加速度时程记录通过两次数值积分得到原始漂移位移时程曲线，并通过集合经验模态分解对该漂移位移时程曲线进行分解得到训练样本集，将处理后的训练样本集作为深度神经网络模型的输入对该深度神经网络模型进行训练和模型优化，由该训练好的深度神经网络模型对振动台的实际位移进行预测；本方案基于集合经验模态分解和深度神经网络模型实现，分解之前，在原始漂移位移时程曲线上叠加一组高斯白噪声信号，能够避免经验模态分解造成的时间尺度缺失，并且在分解过程中，将每一次分解后的信号作为下一次分解的原始信号，整个过程无需设定基函数，使得分解过程具有自适应性，适用范围广；另外，利用加速度传感器采集加速度时程记录即可通过训练后的深度神经网络模型预测振动台位移时程曲线，不仅可以减少位移传感器的布置，还能够提高预测精度，进而还原振动台真实的结构位移响应。
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
图1为本发明基于EEMD-DNN的振动台结构位移响应预测方法的流程图。
图2为数据采集系统的结构示意图
图3为图1中步骤S2的流程图。
图4为图3中步骤S203的流程图。
图5为图1中步骤S3的流程图。
图6为图5中步骤S302的流程图。
图7为本发明基于EEMD-DNN的振动台结构位移响应预测装置的系统框图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例1
如图1所示，为本发明基于EEMD-DNN的振动台结构位移响应预测方法的流程图。本实施例的基于EEMD-DNN的振动台结构位移响应预测方法具体包括以下步骤：
S1：加速度时程记录采集。
如图2所示，在LNG储罐振动台100上布置多个加速度传感器11和一个位移传感器12，构建数据采集系统，通过各加速度传感器11采集LNG储罐振动台100多处位置的加速度时程记录，并将该加速度时程记录分为训练集和测试集，所述训练集用于对后续步骤中的深度神经网络模型进行训练优化，所述测试集作为实时采集的加速度时程记录对LNG储罐振动台100位移时程曲线进行预测，还原所述LNG储罐振动台100真实的的结构位移响应。
S2：样本训练。
具体的，对训练集中所有加速度时程记录进行两次数值积分后得到原始漂移位移时程曲线，采用集合经验模态分解算法将该原始漂移位移时程曲线分解为多个集合经验模态分量和一个剩余分量，并将分解得到的所有集合经验模态分量和原始漂移位移时程曲线作为最红的训练样本集。
如图3所示，所述步骤S2获得训练样本集的具体步骤为：
S201：对加速度时程记录积分。
对训练集中的所有加速度时程记录a(t)进行第一次数值积分得到速度时程曲线v(t)：
其中：t0为初始时刻。
S202：对速度时程曲线积分。
对所述速度时程曲线v(t)进行数值积分得到原始漂移位移时程曲线l(t)：
其中：t0为初始时刻。
S203：分解原始漂移位移时程曲线。
具体的，采用集合经验模态分解算法将原始漂移位移时程曲线l(t)分解为多个集合经验模态分量以及一个剩余分量，由于振动引起的LNG储罐振动台100的结构响应是随机的，使得其原始漂移位移时程曲线l(t)呈非平稳上升或下降的趋势，在本实施例中，采用集合经验模态分解算法将原始漂移位移时程曲线l(t)分解为多个集合经验模态分量和剩余分量，然后将分解得到的所有集合经验模态分量和步骤S202中得到的原始漂移位移时程曲线l(t)共同作为训练样本集输入后续深度神经网络模型进行预测。
如图4所示，所述步骤S203中对漂移位移时程曲线l(t)进行经验模态分解得到多个imf分量和一个剩余分量的具体步骤为：
S2031：叠加高斯白噪声。
由于在对该原始漂移位移时程曲线l(t)进行分解的过程中，在同一imf分量中，存在着时间尺度分布范围较宽却又各不相同的漂移位移，或者在不同的imf分量中，存在着时间尺度相近的漂移位移，使得imf分量失去其具有原来单一时间尺度的特性，形成时间尺度混杂的震荡，为消除imf分量中存在的模态混合，根据待处理数据的体量，设定对原始漂移位移时程曲线l(t)分解p次，以原始漂移位移时程曲线l(t)作为分解起点，记为l1,1(t)，在对漂移位移时程曲线l1,1(t)进行分解之前，在漂移位移时程曲线l1,1(t)上叠加一组呈正态分布的高斯白噪声w1,1(t)形成第一漂移位移时程曲线X1,1(t)，再对该第一漂移位移时程曲线X1,1(t)采用经验模态分解算法进行逐级分解，以需利用白噪声频谱均匀分布的特性，使得不同时间尺度的漂移位移在分解时可以自动分离到与其相适应的参考尺度上去，以此来补充分解时同一imf分量中时间尺度的缺失，从而提高分解精度。所述第一漂移位移时程曲线X1,1(t)可表示为：
X1,1(t)＝l1,1(t)+w1,1(t) (3)
S2032：计算漂移位移时程曲线的上包络线和下包络线。
首先，筛选出所述第一漂移位移时程曲线X1,1(t)中所有的极大值点max[X1,1(t)]，采用三次样条函数将所有的极大值点max[X1,1(t)]拟合成所述第一漂移位移时程曲线X1,1(t)的上包络线m1,1(t)max；然后，再筛选出所述第一漂移位移时程曲线X1,1(t)中所有的极小值点min[X1,1(t)]，采用三次样条函数将所有的极小值点min[X1,1(t)]拟合成所述第一漂移位移时程曲线X1,1(t)的下包络线m1,1(t)min。
S2033：计算均值包络，得到第一残余曲线。
根据所述上包络线m1,1(t)max和下包络线m1,1(t)min计算所述第一漂移位移时程曲线X1,1(t)的均值包络m1,1(t)：
基于上述公式(3)中求得的均值包络m1,1(t)，计算所述第一漂移位移时程曲线X1,1(t)与均值包络m1,1(t)之间的差值得到第一残余曲线d1,1(t)：
d1,1(t)＝X1,1(t)-m1,1(t) (5)
S2034：残余曲线条件判定。
判断步骤S2033中求得的所述第一残余曲线d1,1(t)是否满足imf分量成立的两个条件：
(1)在整个时程内，所述第一残余曲线d1,1(t)上极大值点max[d1,1(t)]和极小值点min[d1,1(t)]的个数与过零点的个数相等或最多相差一个；
(2)在整个时程内，所述第一残余曲线d1,1(t)上任意一点处的上包络线m1,2(t)max和下包络线m1,2(t)min的均值包络m1,2(t)＝0。
若所述第一残余曲线d1,1(t)满足imf分量成立的条件，则继续执行步骤S2034。
若所述第一残余曲线d1,1(t)不满足imf分量成立的条件，则将第一残余曲线d1,1(t)作为第一次分解的第二个原始漂移位移时程曲线l1,2(t)重复执行步骤S2031-S2033，得到第二残余曲线d1,2(t)，若d1,2(t)还不满足imf分量成立的条件，则继续对第二残余曲线d1,2(t)重复执行步骤S2031-S2033，直至重复n次后得到的第k个残余曲线d1,k(t)(其中：k＝1,2,…,n，n为此次分解执行步骤S2031-S2032的次数)满足imf分量成立的条件为止，所述第k个残余曲线即为第一次分解第一漂移位移时程曲线得到的第一个imf分量，记为imf1,1(t)。
S2035：分离imf分量，计算剩余曲线。
将步骤S2033中第一个imf分量imf1,1(t)从第一漂移位移时程曲线中分离得到第一剩余曲线r1,1(t)：
r1,1(t)＝X1,1(t)-imf1,1(t) (6)
S2036：剩余曲线条件判定。
根据所述经验模态分解的收敛条件，判断步骤S2035中分解得到的剩余曲线r1,1(t)是否为单调函数。
若是，则完成所述第一漂移位移时程曲线X1,1(t)的分解，继续执行步骤S2037。
若不是，则将该第一剩余曲线r1,1(t)视为另一新的漂移位移时程曲线重复执行步骤S2031-S2035得到第一次分解的第二个imf分量imf1,2(t)和第二剩余曲线r1,2(t)，若第二剩余曲线r1,2(t)仍不是单调函数，则继续对r1,2(t)进行分解，直至重复m次得到的第i个剩余曲线r1,i(t)(其中：i＝1,2,…,m，m为执行步骤S2031-S2034的次数)为单调函数为止，以分解得到m个imf分量(即imf1,k(t)＝{imf1,1(t),imf1,2(t),…,imf1,m(t)})和一个剩余曲线r1,m(t)，从而第一漂移位移时程曲线l1,1(t)可表示为：
S2037：分别计算经过p次分解后的imf分量和剩余曲线的均值。
对所述原始漂移位移时程曲线l(t)分解p次，并计算p次分解后的imf分量和剩余曲线的均值。
执行p次分解后所有imf分量的平均值：
执行p次分解后所有剩余曲线的平均值：
由于高斯白噪声的频谱均匀分布，在进行集合经验模态分解的过程中，漂移位移时程曲线上不同时间尺度的漂移位移会自动分布到合适的参考时间尺度上，基于呈正态分布的高斯白噪声的零均值特性，噪音经过多次的平均计算后会相互抵消，该均值可直接视作最终结果，由此可以得到所述集合经验模态分量为IMFp(t)＝{IMF1(t),IMF2(t),…,IMFp(t)}，以及所述剩余分量为Rp(t)，因此，所述原始漂移位移时程曲线可表示为：
根据集合经验模态分解结果，将所有集合经验模态分量MF1(t),IMF2(t),…,IMFp(t)和原始漂移位移时程曲线l(t)共同作为训练样本集输入下述步骤S3的深度神经网络模型中进行预测。
S3：模型训练。
在加速度时程曲线进行数值积分时，由于加速度传感器11采集到的加速度时程记录中包含着周围环境或者设备本身的噪声，若对加速度时程记录进行积分，会将周围环境或设备本身的噪声放大，出现加速度基线漂移的情况，在实际试验过程中，基线漂移对加速度的影响很小，可以忽略不计，但如果对加速度时程记录进行一次数值积分得到速度时程曲线，基线漂移被放大，再对速度时程曲线进行一次数值积分得到漂移位移时程曲线，基线漂移进一步被放大。为了还原LNG储罐振动台100真实的结构位移响应，需对加速度积分过程的基线进行校正，本实施例将训练样本集输入预先构建的深度神经网络模型中，基于每次预测的位移时程曲线与实际的位移时程记录的预测误差对该深度神经网络模型进行迭代训练，消除或最小化基线漂移产生的误差，优化所述深度神经网络模型的模型参数，得到优化后的深度神经网络模型。
如图5所示，所述步骤S3对深度神经网络模型进行训练及优化的具体步骤为：
S301：位移时程曲线预测。
将步骤S2035训练样本集(即p个集合经验模态分量MF1(t),IMF2(t),…,IMFp(t)和漂移位移时程曲线l(t))输入预先构建的深度神经网络模型中，得到预测的位移时程曲线；基于该深度神经网络的正向传播，输出得到预测的位移时程曲线l'(t)。
S302：模型优化。
将步骤S301中预测的位移时程曲线l'(t)与位移传感器12实际测得的LNG储罐振动台100的位移时程记录L'(t)进行比较得到所述深度神经网络模型的预测误差值εj(t)，然后利用该预测误差值εj(t)对深度神经网络模型进行迭代训练，优化所述深度神经网络模型的模型参数，以对深度神经网络模型进行优化。
如图6所示，所述步骤S302对深度神经网络模型进行迭代训练得到优化后的深度神经网络模型的具体步骤为：
S3021：实际位移时程记录采集。
基于步骤S1中构建的数据采集系统，利用所述位移传感器12采集LNG储罐振动台100实际的位移时程记录L'(t)。
S3022：计算预测误差值。
将位移传感器12采集到的LNG储罐振动台100实际的位移时程记录L'(t)与步骤S301中预测得到的位移时程曲线l'(t)进行比较，计算所述LNG储罐振动台100实际的位移时程记录L'(t)与预测的位移时程曲线l'(t)之间的预测误差值εj(t)。在本实施例中，所述预测误差值εj(t)为LNG储罐振动台100实际的位移时程记录L'(t)与预测的位移时程曲线l'(t)之间的均方误差MES[L'(t),l'(t)]：
其中：L'j(t)为LNG储罐振动台100第j次实际位移时程记录，l'j(t)为深度神经网络模型第j次预测的位移时程记录中，j＝1,2,…,x，x为深度神经网络模型迭代的次数。
S3023：迭代训练，优化模型参数。
将所述预测误差值εj(t)反向传播至深度神经网络模型中再次进行预测，根据上述公式(7)，若计算所得的均方误差MES[L(t),l(t)]的值越小，说明所述深度神经网络模型的预测精度越高，因此需对所述深度神经网络进行迭代训练，当迭代j次后，所述深度神经网络模型的损失函数不再下降或者保持稳定，则证明该深度神经网络模型的模型参数优化完成，即得到优化后的深度神经网络模型。
S4：振动台结构位移响应预测。
将步骤S1中的测试集作为实时采集到的加速度时程记录输入优化后的深度神经网络模型中，预测得到校正后的LNG储罐振动台100的位移时程曲线L(t)，也即LNG储罐振动台100的实际位移时程曲线L(t)，以达到消除或最小化基线漂移产生的误差，进而还原LNG储罐振动台100实际的结构位移响应。
实施例2
如图7所示，为本实施例的基于EEMD-DNN的振动台结构位移响应预测装置的系统框图，以用于实现实施例1的基于EEMD-DNN的振动台结构位移响应预测方法。本实施例的基于EEMD-DNN的振动台结构位移响应预测装置包括数据采集系统1、样本训练模块2、模型优化模块3和结构位移响应预测模块4，所述数据采集系统1对加速度时程数据和位移时程速度进行采集，所述样本训练模块2基于集合经验模态分解算法对数据采集系统所采集1的加速度时程记录进行分解，得到训练样本集，模型优化模块3再基于深度神经网络模型，以训练样本集作为深度神经网络模型的输入，对深度神经网络模型优化，以校正加速度时程记录积分过程中产生的基线漂移，进而减小输出的位移时程曲线与实际测得位移时程记录之间的误差；最后结构位移响应预测模块4预测得到LNG储罐振动台100的位移时程曲线，还原LNG储罐振动台100实际的结构位移响应。
所述数据采集系统1用于采集LNG储罐振动台100实际的加速度时程记录和位移时程记录，并将所述加速度时程记录分为训练集和测试集，所述训练集用于训练所述深度神经网络模型，所述测试集用于作为实时采集的加速度时程记录输入训练好的深度神经网络模型进行预测。在本实施例中，所述数据采集系统包括LNG储罐振动台100以及对应布置在所述LNG储罐振动台上的多个加速度传感器11和一个位移传感器12，所述加速度传感器11用于采集LNG储罐振动台100实时的加速度时程记录，所述位移传感器12用于采集LNG储罐振动台100实时的位移时程记录。
所述样本训练模块2用于对所述训练集中的加速度时程记录依次进行二次数值积分和集合经验模态分解，获得训练样本集。
具体的，所述样本训练模块2首先对所述训练集中的加速度时程记录a(t)进行一次数值积分后得到速度时程曲线v(t)；再对该速度时程曲线v(t)进行一次数值积分后得到原始漂移位移时程曲线l(t)。接着，以该漂移位移时程曲线l(t)进行集合经验模态分解得到多个集合经验模态分量MF1(t),IMF2(t),…,IMFp(t)和一个剩余分量Rp(t)，并将多个多个集合经验模态分量MF1(t),IMF2(t),…,IMFp(t)和原始漂移位移时程曲线l(t)共同作为样本训练集输入所述模型优化模块中对所述深度神经网络模型进行训练。
采用集合经验模态分解方法对原始漂移位移时程曲线l(t)进行分解的具体过程为：设定对原始漂移位移时程曲线l(t)分解p次，以原始漂移位移时程曲线l(t)作为第一次集合经验模态分解的起点，记为l1,1(t)；在所述漂移位移时程曲线上叠加一组高斯白噪声w1,1(t)形成第一漂移位移时程曲线X1,1(t)；筛选出所述第一漂移位移时程曲线X1,1(t)上所有的极大值点
和极小值点
并采用三次样条函数将极大值点
和极小值点
拟合成所述第一漂移位移时程曲线X1,1(t)的上包络线m1,1(t)max和下包络线m1,1(t)min，根据所述上包络线m1,1(t)max和下包络线m1,1(t)min计算第一漂移位移时程曲线X1,1(t)的均值包络m1,1(t)min；再根据所述第一漂移位移时程曲线X1,1(t)与均值包络m1,1(t)min之间的差值得到第一残余曲线d1,1(t)，判断第一残余曲线d1,1(t)是否满足imf分量成立的条件，若不满足，重复上述过程直至重复n次后得到的第k个残余曲线d1,k(t)满足imf成立的条件为止，若满足，则该第一残余曲线d1,1(t)即为第一次分解的第一个imf分量imf1,1(t)，并将该第一个imf分量imf1,1(t)从第一漂移位移时程曲线X1,1(t)中分离得到剩余曲线r1,1(t)；接着判断该剩余曲线r1,1(t)是否为单调函数，若不是，重复上述过程直至重复m得到的第i个剩余曲线r1,i(t)为单调函数为止，若是，则完成第一次分解；接着继续完成对p次分解，并计算p次分解后的imf分量和剩余曲线的均值得到集合经验模态分量IMFp(t)＝{IMF1(t),IMF2(t),…,IMFp(t)}和剩余分量Rp(t)，以分解得到的p个集合经验模态分量MF1(t),IMF2(t),…,IMFp(t)和原始漂移位移时程曲线l(t)共同作为训练样本集输入所述模型优化模块3中。
所述模型优化模块3用于将训练样本集输入所述神经网络模型中进行迭代训练，优化模型参数，得到优化后的深度神经网络模型。
具体的，所述模型优化模块3以样本训练模块传输的样本训练集作为输入，得到预测的位移时程曲线；再计算预测的位移时程曲线l'(t)与位移传感器12实际测得的LNG储罐振动台100的位移时程记录L'(t)之间的均方误差MES[L'(t),l'(t)]，得到所述深度神经网络模型的预测误差值εj(t)；然后利用该预测误差值εj(t)对深度神经网络模型进行迭代训练，优化所述深度神经网络模型的模型参数，直至深度神经网络模型的损失函数不再下降或者保持稳定，则证明该深度神经网络模型的模型参数优化完成，即得到优化后的深度神经网络模型。
所述结构位移响应预测模块4用于将测试集输入优化后的深度神经网络模型中，预测得到基线校正后的LNG储罐振动台100的位移时程曲线L(t)，也即LNG储罐振动台100的实际位移时程曲线L(t)，以达到消除或最小化基线漂移产生的误差，还原LNG储罐振动台100真实的结构位移响应。在本实施例中，所述测试集直接作为实时采集到的加速度时程记录输入优化后的深度神经网络模型中，以此来预测得到LNG储罐振动台100实际的位移时程曲线L(t)。
本方案中的集合经验模态分解方法，分解之前，在原始漂移位移时程曲线上叠加一组高斯白噪声信号，能够避免经验模态分解造成的时间尺度缺失，并且可依据漂移位移时程曲线自身的时间尺度特征来对漂移位移时程曲线进行分解，无需预先设定任何基函数，也无需预先确定趋势项的频率范围，具有自适应性，能够对任何类型的信号进行分解，适用范围广泛，然后基于深度神经网络模型结合分解后集合经验模态分量及漂移位移时程曲线对实际的位移时程曲线进行预测，不仅可以减少位移传感器的布置，还能够提高预测精度，进而还原LNG储罐振动台100真实的结构位移响应。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和本发明的实用性。
Claims (8)
1.一种基于EEMD-DNN的振动台结构位移响应预测方法，其特征在于，包括以下步骤：
S1：采集振动台加速度时程记录，并将该加速度时程记录分为训练集和测试集；
S2：对所述训练集中所有的加速度时程记录进行二次数值积分得到原始漂移位移时程记录，并采用集合经验模态分解算法对原始漂移位移时程记录进行分解，获得训练样本集；
S3：将训练样本集输入深度神经网络模型中，进行迭代训练，优化模型参数，得到优化后的深度神经网络模型；
S4：将测试集作为实时采集的加速度时程记录输入优化后的深度神经网络模型中，测试输出振动台的位移时程曲线，得到该振动台实际的结构位移响应；
所述步骤S2获得训练样本集的具体步骤为：
S201：对训练集中的所有加速度时程记录进行数值积分得到速度时程曲线；
S202：对所述速度时程曲线进行数值积分得到原始漂移位移时程曲线；
S203：采用集合经验模态分解算法将原始漂移位移时程曲线分解为集合经验模态分量以及剩余分量，并以分解得到所有的集合经验模态分量和步骤S202中得到的漂移位移时程曲线作为训练样本集输入所述深度神经网络模型。
2.根据权利要求1所述的基于EEMD-DNN的振动台结构位移响应预测方法，其特征在于，所述步骤S203中对原始漂移位移时程曲线进行集合经验模态分解得到多个集合经验模态分量和剩余分量的具体步骤为：
S2031：在所述原始漂移位移时程曲线中叠加一组高斯白噪声得到第一漂移位移时程曲线；
S2032：筛选出第一漂移位移时程曲线中所有的极大值点和极小值点，对所述极大值点和极小值点分别进行拟合得到所述第一漂移位移时程曲线的上包络线和下包络线；
S2033：根据所述上包络线和下包络线计算所述第一漂移位移时程曲线的均值包络，并计算所述第一漂移位移时程曲线与均值包络之间的差值得到第一残余曲线；
S2034：判断所述第一残余曲线是否满足imf分量成立的条件，若满足，则执行步骤S2035，若不满足，则对所述第一残余曲线重复执行步骤S2031-S2033，直至重复n次后得到的第k个残余曲线满足imf分量成立的条件为止，所述第k个残余曲线即为第一漂移位移时程曲线经过经验模态分解得到的imf分量；
S2035：将第k个残余曲线从第一漂移位移时程曲线中分离，得到第一剩余曲线；
S2036：判断所述第一剩余曲线是否为单调函数，若是，则完成分解，否则对所述第一剩余曲线重复执行步骤S2031-S2035，直至重复m次得到的第i个剩余曲线为单调函数为止，所述第i个剩余曲线即为第一漂移位移时程曲线经过经验模态分解得到的剩余曲线；
S2037：分别计算所述imf分量和剩余曲线的平均值，得到集合经验模态分量和剩余分量。
3.根据权利要求2所述的基于EEMD-DNN的振动台结构位移响应预测方法，其特征在于，所述步骤S2034中，imf分量成立的条件为：
在整个时程内，所述第一残余曲线上极大值点和极小值点的个数与过零点的个数相等或最多相差一个；
在整个时程内，所述第一残余曲线上任意一点处的上包络线和下包络线的均值为零。
4.根据权利要求1所述的基于EEMD-DNN的振动台结构位移响应预测方法，其特征在于，所述步骤S3对深度神经网络模型进行迭代训练的具体步骤为：
S301：将训练样本集输入深度神经网络模型中，得到预测的位移时程曲线；
S302：将采集到的振动台实际的位移时程记录与预测的位移时程曲线进行比较得到预测误差值，利用所述预测误差值对深度神经网络模型进行迭代训练，对深度神经网络模型进行优化。
5.根据权利要求4所述的基于EEMD-DNN的振动台结构位移响应预测方法，其特征在于，所述步骤S302对深度神经网络模型进行迭代训练得到优化后的深度神经网络模型的具体步骤为：
S3021：采集振动台位移时程记录；
S3022：将采集到的振动台实际的位移时程记录与步骤S31中得到的预测的位移时程曲线进行比较得到预测误差值；
S3023：将所述预测误差值反向传播至深度神经网络模型中再次进行预测，对所述深度神经网络进行迭代训练，优化模型参数，得到优化后的深度神经网络模型。
6.根据权利要求5所述的基于EEMD-DNN的振动台结构位移响应预测方法，其特征在于，在步骤S3022中，所述预测误差值为振动台实际的位移时程记录和预测的位移时程曲线之间的均方误差，其计算公式为：
其中：L'j(t)为振动台第j次实际位移时程记录，l'j(t)为深度神经网络模型第j次预测的位移时程记录中，j＝1,2,…,x，x为深度神经网络模型迭代的次数。
7.一种基于EEMD-CNN的振动台结构位移响应预测装置，其特征在于，用于实现权利要求1-6任一所述的基于EEMD-CNN的振动台结构位移响应预测方法，包括：
数据采集系统，用于采集振动台实际的加速度时程记录，并将所述加速度时程记录分为训练集和测试集；
样本训练模块，用于对所述训练集中的加速度时程记录进行二次数值积分得到原始漂移位移时程曲线，并采用集合经验模态分解算法对原始漂移位移时程曲线进行分解，获得训练样本集；
模型优化模块，用于将训练样本集输入深度神经网络模型中，并对深度神经网络模型进行迭代训练，优化模型参数，得到优化后的深度神经网络模型；以及
结构位移响应预测模块，用于将测试集输入优化后的深度神经网络模型中，预测所述振动台实际的位移时程曲线，得到带振动台实际的结构位移响应；
所述样本训练模块还用于对所述训练集中的加速度时程记录进行一次数值积分后得到速度时程曲线，再对该速度时程曲线进行一次数值积分后得到原始漂移位移时程曲线；
所述样本训练模块还用于利用集合经验模态分解算法对原始漂移位移时程曲线进行分解得到多个集合经验模态分量和剩余分量，并以多个集合经验模态分量和原始漂移位移时程曲线共同作为样本训练集输入所述模型优化模块中对所述深度神经网络模型进行训练。
8.根据权利要求7所述的基于EEMD-CNN的振动台结构位移响应预测装置，其特征在于，所述数据采集系统还用于采集所述振动台实际的位移时程记录；
所述模型优化模块还用于基于深度神经网络模型对样本训练模块输入的训练样本集进行预测得到预测的位移时程曲线，并计算实际的位移时程记录与预测的位移时程曲线的预测误差值，根据所述预测误差值对所述深度神经网络模型进行迭代训练，得到优化后的深度神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110927785.7A CN113465733B (zh) | 2021-08-13 | 2021-08-13 | 基于eemd-dnn的振动台结构位移响应预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110927785.7A CN113465733B (zh) | 2021-08-13 | 2021-08-13 | 基于eemd-dnn的振动台结构位移响应预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113465733A CN113465733A (zh) | 2021-10-01 |
| CN113465733B true CN113465733B (zh) | 2022-04-05 |
Family
ID=77866508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110927785.7A Expired - Fee Related CN113465733B (zh) | 2021-08-13 | 2021-08-13 | 基于eemd-dnn的振动台结构位移响应预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113465733B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114781042A (zh) * | 2022-05-11 | 2022-07-22 | 清华大学 | 基于优化算法的地震下结构位移时程反演方法及装置 |
| CN114813003A (zh) * | 2022-06-27 | 2022-07-29 | 中国飞机强度研究所 | 一种飞机金属构件振动疲劳损伤多参数测量方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07244065A (ja) * | 1994-03-03 | 1995-09-19 | Hitachi Ltd | 運動評価方法 |
| CN111461183A (zh) * | 2020-03-19 | 2020-07-28 | 南京理工大学 | 改进人工鱼群算法优化bp神经网络的平轮故障检测方法 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA1094677A (en) * | 1975-05-14 | 1981-01-27 | Dan L. Robinson | Acoustic emission transducer and system |
| MX343293B (es) * | 2012-05-31 | 2016-11-01 | Univ Connecticut | Metodo y sistema de prueba de integridad operacional de equipo de perforacion. |
| CN106323451B (zh) * | 2015-06-26 | 2019-10-11 | 陕西重型汽车有限公司 | 通过加速信号获得位移信号的方法及其装置 |
| CN106126896B (zh) * | 2016-06-20 | 2019-03-22 | 中国地质大学（武汉） | 基于经验模态分解和深度学习的混合模型风速预测方法及系统 |
| CN107677472B (zh) * | 2017-08-25 | 2019-07-09 | 中国矿业大学 | 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法 |
| US11188065B2 (en) * | 2017-09-23 | 2021-11-30 | Nanoprecise Sci Corp. | System and method for automated fault diagnosis and prognosis for rotating equipment |
| CN110389169A (zh) * | 2018-04-17 | 2019-10-29 | 江苏必得科技股份有限公司 | 列车部件裂纹损伤监测方法和系统 |
| US11187619B2 (en) * | 2018-05-30 | 2021-11-30 | Siemens Industry Software Nv | Method and apparatus for detecting vibrational and/or acoustic transfers in a mechanical system |
| CN110188867A (zh) * | 2019-06-17 | 2019-08-30 | 浙江浙能嘉华发电有限公司 | 基于集成经验模态分解和卷积神经网络的汽轮机主机故障诊断方法 |
| CN110702418A (zh) * | 2019-10-10 | 2020-01-17 | 山东超越数控电子股份有限公司 | 航空发动机故障预测方法 |
| CN110806692A (zh) * | 2019-10-21 | 2020-02-18 | 上海海事大学 | 一种基于cnn-latm组合模型的波浪补偿预测方法 |
| CN111637964B (zh) * | 2020-05-12 | 2021-10-26 | 西南交通大学 | 钢轨波磨识别方法 |
| CN111859743A (zh) * | 2020-07-10 | 2020-10-30 | 哈尔滨工业大学（深圳） | 基于加速度响应的结构动态位移估计方法及设备 |
| CN112244820B (zh) * | 2020-11-13 | 2023-05-26 | 青岛迈金智能科技股份有限公司 | 一种三轴加速度计测量跑步步态的方法 |
| CN113049202B (zh) * | 2021-03-08 | 2022-07-12 | 中国地震局工程力学研究所 | 一种加速度积分位移的局部加权回归校正方法及系统 |
-
2021
- 2021-08-13 CN CN202110927785.7A patent/CN113465733B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07244065A (ja) * | 1994-03-03 | 1995-09-19 | Hitachi Ltd | 運動評価方法 |
| CN111461183A (zh) * | 2020-03-19 | 2020-07-28 | 南京理工大学 | 改进人工鱼群算法优化bp神经网络的平轮故障检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113465733A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113465733B (zh) | 基于eemd-dnn的振动台结构位移响应预测方法及装置 | |
| CN113111547B (zh) | 基于缩减基的频域有限元模型修正方法 | |
| Bouttier et al. | Data assimilation concepts and methods March 1999 | |
| CN100526828C (zh) | 用于同时控制随机振动的频谱和峰度的系统和方法 | |
| US7840394B2 (en) | Method for generating a 3D earth model | |
| CN111650646B (zh) | 一种用于地震处理中的声波曲线校正方法 | |
| CN110632674A (zh) | 一种航空重力测量数据的弱信息提取方法 | |
| CN110286410B (zh) | 基于绕射波能量的裂缝反演方法和装置 | |
| CN104035431A (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
| CN105093331B (zh) | 获取岩石基质体积模量的方法 | |
| KR101820850B1 (ko) | 직접 파형 역산의 반복 적용을 이용한 탄성파 영상화 장치 및 방법 | |
| JP6988050B2 (ja) | データ推定方法 | |
| CN101399708A (zh) | 一种建立网络性能模型的方法和设备 | |
| Gao et al. | Robust uncertainty quantification through integration of distributed-Gauss-Newton optimization with a Gaussian mixture model and parallelized sampling algorithms | |
| CN102289715A (zh) | 基于前向线性预测的自适应小波神经网络去噪建模方法 | |
| CN113465732B (zh) | 基于emd-dnn的振动台结构位移响应预测方法及装置 | |
| CN113552624B (zh) | 孔隙度预测方法及装置 | |
| CN112734305A (zh) | 一种路基压实质量评判方法、装置、设备及可读存储介质 | |
| CN113722308A (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
| CN110909948A (zh) | 土壤污染预测方法及系统 | |
| CN114444250A (zh) | 验证仿真模型的方法 | |
| CN110930504B (zh) | 一种多粒度矿体三维建模不确定性表达与传递方法 | |
| CN116499469B (zh) | 利用神经网络模型在线学习和补偿的gnss/ins组合导航方法 | |
| CN111198401B (zh) | 基于多地球物理参数相关性的测井曲线校正方法与装置 | |
| CN113688771B (zh) | Lng储罐加速度响应数据补全方法及装置 |
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: 20220405 |