CN113962134A - 条件生成式对抗网络与载荷应变线性叠加的应变监测方法 - Google Patents
条件生成式对抗网络与载荷应变线性叠加的应变监测方法 Download PDFInfo
- Publication number
- CN113962134A CN113962134A CN202111348526.5A CN202111348526A CN113962134A CN 113962134 A CN113962134 A CN 113962134A CN 202111348526 A CN202111348526 A CN 202111348526A CN 113962134 A CN113962134 A CN 113962134A
- Authority
- CN
- China
- Prior art keywords
- strain
- data
- load
- countermeasure network
- simulation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 28
- 238000012937 correction Methods 0.000 claims abstract description 11
- 230000003068 static effect Effects 0.000 claims abstract description 11
- 238000002474 experimental method Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 description 12
- 238000006073 displacement reaction Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 239000000835 fiber Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 239000013307 optical fiber Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 235000010931 Mesua ferrea Nutrition 0.000 description 1
- 235000005704 Olneya tesota Nutrition 0.000 description 1
- 240000007909 Prosopis juliflora Species 0.000 description 1
- 235000008198 Prosopis juliflora Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种条件生成式对抗网络与载荷应变线性叠加的应变监测方法，进行结构的静力学仿真，获取结构的仿真应变数据；根据仿真的传感器布局，获取结构上的各传感器的应变真实数据，得到结构上测点的应变列向量，进而得到应变权重，利用条件生成对抗网络，使得仿真应变数据学习真实应变数据，得到工况下的伪实验应变数据；通过伪实验应变数据，利用极限学习机，获得测点的应变列向量与模型误差之间的关系进行模型误差修正；根据结构所有点的应变矩阵和应变权重，结合误差修正结果，得到结构上所有点的应变值；本发明利用条件生成式对抗网络降低仿真模型与实验模型之间的差异，通过载荷应变线性叠加算法实现了结构的应变场重构。
Description
技术领域
本发明涉及应变监测技术领域，特别涉及一种条件生成式对抗网络与载荷应变线性叠加的应变监测方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
底架横梁是列车的关键结构件之一，通过螺栓连接吊挂了制动设备、空调设备等共重达数吨的车下设备。列车高速运行时，承受乘车下设备所带来的垂向静载荷，同时由于轨道与列车之间的相互作用，车下设备会产生竖直方向的振动，使横梁承受动载荷。各种复杂的载荷共同作用易引起横梁的损伤，损伤累积容易造成横梁断裂，直接影响到列车的运行安全，而应变数据是结构疲劳强度和损伤预测的重要依据，因此开展针对于结构的应变监测意义重大。
应变场重构为应变监测提供了一种新的思路。目前结构应变场反演方法主要有两大类：一种是从数学角度出发，寻求一种适合结构模型的插值拟合函数，利用已知关键点应变值推算岀结构其他位置应变值；另一种是从力学角度出发，根据结构力学模型受载情况，分析结构应力应变分布特性，反演出结构应变场。由于高铁底架横梁模型结构复杂，结构上的点多而测点较少，无法利用插值拟合函数实现应变场重构，所以主要依据力学分析进行结构应变场重构。
目前来说，有两种应变测量方法，分别是非接触式测量和接触式测量。非接触式测量对于设备的安装位置、环境具有较高的要求，利用非接触式式测量难度较大且难以保证测量精度。接触式测量主要有电阻应变仪与光纤布拉格光栅传感器，相比于传统的电阻应变仪，光纤传感器体积小、精度高、抗电磁扰动、响应时间更短，稳定性更强。
目前主要有三种较为成熟的重构算法，包括逆有限元法、铁木辛柯梁位移理论与模态叠加法。逆有限元法基于最小二乘泛函的最小化，引入变分原理，采用不同误差泛函和与问题相关的有限元逼近，实现结构的变形重构。Adnan Kefal等人基于加权最小二乘变分原理，提出了一种新的四节点逆四边形壳(说法修正，原为四节点四边形反壳)单元，扩展了现有的基于逆有限元法的单元库，避免了模拟复杂壳体结构时的奇异解，进一步扩展了逆有限元法在大型结构形状感知分析中的实际应用。铁木辛柯梁位移理论是依据经典梁理论，结合离散思想，将结构的应变信息输入到位移方程中，通过计算所得的结构斜率、挠度等信息实现变形重构。John Bakalyar利用机翼上的部分结构进行实验，验证了铁木辛柯梁位移理论能够准确测量机翼挠度。模态法是利用结构的应变振型与位移振型在线性叠加时系数相同这一特性，依据结构的应变-位移关系，设计反演算法，重构其应变场或位移场。LiLi等人利用光纤布拉格光栅传感器代替了应变计，利用模态叠加法，通过测得的应变数据实现了柔性板的位移场重构，并研究了传感器位置对于重构效果的影响。
发明人发现，逆有限元法虽然不受结构材料、边界条件影响(原有受载荷影响)，但是针对于复杂结构的单元形函数构造较为困难，单元边界条件难以准确得到，因此该方法较适合应用于简单结构的重构(原为板壳结构)。铁木辛柯梁位移理论在较髙的重构精度下需要大量的传感器，适合应用于梁结构(原为简单结构)，而且单组传感器只能重构单方向上的形变。模态法应用最为广泛，虽然该方法计算快速简单，但是由于模态法需要结构的应变振型与位移振型，振型阶数的选择尤为重要，而在工程中并不是所有的模态都能被激励，在计算时，需要对模态进行截取，而截取模态的阶数直接影响了最后的计算结果，模态阶数较难确定，并且复杂结构模态测试困难，重构效果难以保证。
发明内容
为了解决现有技术的不足，本发明提供了一种条件生成式对抗网络与载荷应变线性叠加的应变监测方法，基于结构的有限元仿真与实验数据相结合，利用条件生成式对抗网络降低仿真模型与实验模型之间的差异，通过载荷应变线性叠加算法实现结构的应变场重构，从而实现了结构的更精准和高效应变监测。
为了实现上述目的，本发明采用如下技术方案：
本发明第一方面提供了一种条件生成式对抗网络与载荷应变线性叠加的应变监测方法。
一种条件生成式对抗网络与载荷应变线性叠加的应变监测方法，包括以下过程：
根据以待监测结构的参量数据构建的结构模型，进行结构的静力学仿真，获取结构测点的载荷—应变矩阵；
获取结构上的各传感器的实验应变数据，得到结构上测点的应变列向量；
基于仿真数据与实验数据，利用条件生成对抗网络，获得不同工况下的伪实验应变数据；
基于不同工况下的伪实验应变数据，获得其对应工况下的重构应变数据，作差获得误差数据，利用极限学习机，获得不同工况下测点应变列向量与模型误差之间的关系修正模型误差；
根据测点的应变列向量与载荷—应变矩阵，结合与其对应的模型误差，获得结构上所有点的重构应变数据。
其中，重构应变数据的计算，包括
确定结构上的测点与重构点；
将结构划分为多个受载区域，对多个受载区域分别单独施加载荷，获取结构上测点的载荷-应变矩阵，获取结构上重构点的载荷-应变矩阵；
然后将多个不同载荷共同施加在结构上，获得结构上测点的应变列向量。
进一步的，利用条件生成对抗网络，使得仿真应变数据学习真实应变数据，获得大量的伪应变数据，通过极限学习机进行模型误差修正，包括：
改变施加在结构上的载荷大小，进行多次实验，获取多组测点上的应变列向量，标记为x，给定数据分布Pdata(x)；
以相同的方法进行有限元仿真，对仿真得到的数据进行特征提取，并将提取出来的特征设置为约束条件y；
从先验分布Pprior(z)中产生z，z与约束条件y通过生成器生成数据x*，分布为PG(x*)；
在判别器中输入x*与实验数据x，判别器会输出一个值，用于评估PG(x*)和Pdata(x)的差异函数V(G,D)。
更进一步的，在对抗过程中，固定生成器G0不变，寻找使得V(G0,D)最大的最优判别器D0 *，使得判别器能尽可能的识别出真实数据与合成数据之间的差别，此时V(G0,D)变成了V(G0,D0*)；
确定完判别器后，固定判别器，寻找一个最优的生成器，使得V(G,D0*)最小，此时V(G0,D0*)变成了V(G1,D0*)；
接下来重复上述过程，不断进行更新迭代，直到满足预设要求，获得大量不同工况下的测点的应变列向量，利用极限学习机构建测点应变列向量与误差之间的关系，进行模型误差修正。
进一步的，基于测点的载荷-应变矩阵与测点的应变列向量，得到应变权重；根据应变权重与重构点的载荷-应变矩阵，结合误差修正结果，得到所有点的重构应变值。
本发明第二方面提供了一种条件生成式对抗网络与载荷应变线性叠加的应变监测系统。
一种条件生成式对抗网络与载荷应变线性叠加的应变监测系统，包括：
数据获取模块，被配置为：根据以待监测结构的参量数据构建的结构模型，进行结构的静力学仿真，获得结构的载荷—应变矩阵，依据仿真测点，获取结构上的各传感器的应变真实数据，得到结构上测点的应变列向量；
条件生成对抗模块，被配置为：根据结构模型和施加的载荷数据，利用条件生成对抗网络，使得仿真应变数据学习真实应变数据，获得大量的伪实验应变数据；
模型误差修正模块，被配置为：根据测点的伪实验应变数据与重构应变数据获得模型误差，利用极限学习机获得模型误差与测点应变列向量之间的关系进行模型误差修正；
应变权重计算模块，被配置为：依据测点应变列向量与数值模拟模块中获得的载荷—应变矩阵，得到应变权重；
结构应变重构模块，被配置为：根据结构重构点的应变矩阵和应变权重计算模块的应变权重，结合误差修正结果，得到结构上重构点的应变值。
本发明第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的条件生成式对抗网络与载荷应变线性叠加的应变监测方法中的步骤。
本发明第四方面提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本发明第一方面所述的条件生成式对抗网络与载荷应变线性叠加的应变监测方法中的步骤。
与现有技术相比，本发明的有益效果是：
1、本发明基于结构的有限元仿真与实验数据相结合，利用条件生成式对抗网络降低仿真数据与实验数据之间的差异，通过载荷应变线性叠加算法实现结构的应变场重构，从而实现了结构的更精准和高效应变监测。
2、本发明利用载荷-应变线性叠加的应变场重构算法，通过载荷-应变矩阵代替了模态叠加法中的应变振型矩阵，避免了模态法中模态测试困难和模态阶数难以确定等问题，可以实现复杂结构的应变场重构。
3、本发明通过条件生成式对抗网络，让仿真数据学习实测数据，减小了仿真模型与实物模型之间的差距，降低了模型误差对算法的影响，提高了算法精度，通过应变场重构，建立了结构的三维映射模型，实现了应变分布可视化。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的条件生成式对抗网络流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1：
本发明实施例1提供了一种条件生成式对抗网络与载荷应变线性叠加的应变监测方法，包括以下步骤：
S1：基于结构的高保真模型，设计载荷的加载方法，对结构施加载荷，对结构进行静力学仿真，获取结构的应变矩阵数据；
S2：根据仿真中的传感器布局，在结构上搭建光纤光栅传感器应变测量系统，获取传感网络的应变数据；
S3：通过条件生成式对抗网络让仿真数据学习实验数据获得大量的伪实验数据，通过极限学习机获得测量应变列向量与误差之间的关系，修正模型误差；
S4：基于测点的载荷-应变矩阵与测点的应变列向量，结合误差修正结果，重构结构的应变场，实现结构的应变监测，并对其应变分布进行分析与评估。
更具体的，包括以下内容：
根据载荷-应变叠加方法，当不同的载荷分别作用到结构上所产生的应变的线性叠加等于这些载荷同时作用到结构上所产生的应变。
所述结构的测点和所有点的应变值可以分别表示为：
式中，εM为多个载荷同时作用下结构上在测点的应变响应，ψM×n是n个载荷分别作用下M个测点的应变矩阵，wn为应变权重。
式中，εN为结构所有点的应变值，ψN×n是n个载荷分别作用下N个点的应变矩阵。
式(1)和式(2)的应变权重wn相同，通过实验得到εM，利用有限元分析得到ψM×n和ψN×n，将ψM×n和εM带入式(1)中，对式(1)中的wn进行求解，然后将求解得到的wn与ψN×n带入式(2)中，即可求得所要重构结构上所有点即N个点的应变值εN。
当M<N时，wn有无穷解，为了避免这种情况，传感器的数量M要不小于施加载荷n的数量。当M＝N时，ψM×n为方阵，wn可直接通过矩阵运算得出，即：
当M>N时，式(1)为矛盾方程组，ψM×n不能直接进行求逆运算，本发明采用最小二乘估计进行wn的计算。依据最小二乘原理，可得wn的最小二乘解为：
在具体实施阶段，首先进行结构的静力学仿真，获得仿真数据。
本发明使用ABAQUS仿真软件对结构进行仿真，根据结构的实际应用情况选择结构的载荷受载面，将载荷受载面平均划分为n个负载面，分别在每个负载面上单独施加载荷，载荷的数量也为n，载荷方向根据结构的实际受力方向进行选择，载荷幅值根据结构的负载能力进行选择，结构的边界条件根据结构的实际使用情况进行选择。
仿真参数设置完毕后，对结构进行静力学仿真，获取结构上测点的载荷-应变矩阵ψM×n、重构点即结构上所有点的载荷—应变矩阵ψN×n。
随后设计实验获得结构在不同载荷共同作用下的所述测点的应变。搭建应变测量系统。系统主要由传感器、解调仪、光缆组成。在实际应变数据的测量上，本发明选用光纤布拉格光栅传感器，测量范围为±3000με，测量精度为1％满量程。当横梁发生变形时，光纤会受到轴向力的作用产生轴向应变，光栅的栅距及折射率改变，光纤光栅的中心波长发生偏移，通过对中心波长偏移量的计算可得到应变值。其中应变的计算公式为：
其中，Pe为光纤光栅有效光弹系数。通常对于掺锗的石英光纤，Pe≈0.22。
根据仿真布局在结构上安装光纤光栅传感器，根据结构的受力方向选择传感器的安装方向，按照静力学仿真的载荷施加方法进行实验，当结构的应变发生变化时，光纤光栅传感器的中心波长发生改变，传感器将波长变化传递给解调仪进行解调，根据式(5)，通过对解调仪的输出数据进行处理，获得结构上传感器位置处即所述测点的应变数据εM。
通过有限元分析与仿真获得相关数据后，将ψM×n和εM带入式(1)中，对式(1)中的wn进行求解，然后将求解得到的wn与有限元分析得到的ψN×n带入式(2)中，即可求得所要重构结构的应变场εN。
但是在实际中，仿真模型与实际模型之间存在差异，所以通过有限元分析获得的载荷-应变矩阵ψN×n与通过仿真-实验数据求得的载荷权重wn相乘，不能真实地反映出结构的真实的应变场，因此本发明通过条件生成式对抗网络，让仿真数据学习实验数据，降低模型误差带来的影响。
首先，改变施加在结构上的载荷大小，进行多次实验，获取多组所述测点上的载荷-应变矩阵数据，标记为x，给定数据分布Pdata(x)，然后以相同的方法进行有限元仿真，对仿真得到的数据进行特征提取，并将提取出来的特征设置为约束条件y。然后搭建生成器神经网络(下面简称生成器)与判别器神经网络(下面简称判别器)，生成器的作用是生成数据，判别器的作用是判别生成器输出的数据和真实数据，生成器尽量想办法去产生接近真实数据的数据，判别器想办法判别两种数据的差别。两种网络在不断的对抗过程中不断完善自身的网络，生成器从而产生越来越逼近真实数据的数据。
如图1所示，从先验分布Pprior(z)中产生z(z为噪声)，z与约束条件y通过生成器生成数据x*，分布为PG(x*)，然后在判别器中输入x*与实验数据x，判别器会输出一个值，用于评估PG(x*)和Pdata(x)的差异函数V(G,D)，整个的对抗过程可以用下式表示：
G*＝argminGmaxDV(D,G) (6)
其中，
在对抗过程中，首先固定生成器G0不变，寻找使得V(G0,D)最大的最优判别器D0 *，使得判别器能尽可能的识别出真实数据与合成数据之间的差别，因此此时V(G0,D)变成了V(G0,D0*)；确定完判别器后，固定判别器，寻找一个最优的生成器，使得V(G,D0*)最小，即缩小PG(x*)和Pdata(x)的差异，尽可能使得判别器判别不出真实数据与合成数据之间的差别，此时V(G0,D0*)变成了V(G1,D0*)，接下来重复上述过程，不断进行更新迭代，直到满足预设要求，获得大量不同工况下的测点的应变列向量，利用极限学习机构建测点应变列向量与误差之间的关系，进行模型误差修正，进而实现结构上所有点的应变场重构。
实施例2：
本发明实施例2提供了一种条件生成式对抗网络与载荷应变线性叠加的应变监测系统，包括：
数据获取模块，被配置为：根据以待监测结构的参量数据构建的结构模型，进行结构的静力学仿真，获得结构的载荷—应变矩阵，依据仿真测点，获取结构上的各传感器的应变真实数据，得到结构上测点的应变列向量；
条件生成对抗模块，被配置为：根据结构模型和施加的载荷数据，利用条件生成对抗网络，使得仿真应变数据学习真实应变数据，获得大量的伪实验应变数据；
模型误差修正模块，被配置为：根据测点的伪实验应变数据与重构应变数据获得模型误差，利用极限学习机获得模型误差与测点应变列向量之间的关系进行模型误差修正；
应变权重计算模块，被配置为：依据测点应变列向量与数值模拟模块中获得的载荷—应变矩阵，得到应变权重；
结构应变重构模块，被配置为：根据结构重构点的应变矩阵和应变权重计算模块的应变权重，结合误差修正结果，得到结构上重构点的应变值。
所述系统的工作方法与实施例1提供的条件生成式对抗网络与载荷应变线性叠加的应变监测方法相同，这里不再赘述，
实施例3：
本发明实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例1所述的条件生成式对抗网络与载荷应变线性叠加的应变监测方法中的步骤。
实施例4：
本发明实施例4提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本发明实施例1所述的条件生成式对抗网络与载荷应变线性叠加的应变监测方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)
1.一种条件生成式对抗网络与载荷应变线性叠加的应变监测方法，其特征在于：
包括以下过程：
根据以待监测结构的参量数据构建的结构模型，进行结构的静力学仿真，获取结构测点的载荷—应变矩阵；
获取结构上的各传感器的实验应变数据，得到结构上测点的应变列向量；
基于仿真数据与实验数据，利用条件生成对抗网络，获得不同工况下的伪实验应变数据；
基于不同工况下的伪实验应变数据，获得其对应工况下的重构应变数据，作差获得误差数据，利用极限学习机，获得不同工况下测点应变列向量与模型误差之间的关系修正模型误差；
根据测点的应变列向量与载荷—应变矩阵，结合与其对应的模型误差，获得结构上所有点的重构应变数据。
2.如权利要求1所述的条件生成式对抗网络与载荷应变线性叠加的应变监测方法，其特征在于：
重构数据的获取，包括：
确定结构上的测点与重构点；
将结构划分为多个受载区域，对多个受载区域分别单独施加载荷，获取结构上测点的载荷-应变矩阵，获取结构上重构点的载荷-应变矩阵；
然后将多个不同载荷共同施加在结构上，获得结构上测点的应变列向量。
3.如权利要求1所述的条件生成式对抗网络与载荷应变线性叠加的应变监测方法，其特征在于：
多个载荷同时作用下结构上测点的应变值等于：多个载荷分别作用下测点的应变矩阵与应变权重的乘积。
4.如权利要求1所述的条件生成式对抗网络与载荷应变线性叠加的应变监测方法，其特征在于：
结构所有点的应变值等于：多个载荷分别作用下所有点的应变矩阵与应变权重的乘积。
5.如权利要求1所述的条件生成式对抗网络与载荷应变线性叠加的应变监测方法，其特征在于：
利用条件生成对抗网络，使得仿真应变数据学习真实应变数据，包括：
改变施加在结构上的载荷大小，进行多次实验，获取多组测点上的载荷-应变矩阵数据，标记为x，给定数据分布Pdata(x)；
以相同的方法进行有限元仿真，对仿真得到的数据进行特征提取，并将提取出来的特征设置为约束条件y；
从先验分布Pprior(z)中产生z，z与约束条件y通过生成器生成数据x*，分布为PG(x*)；
在判别器中输入x*与约束条件y，判别器会输出一个值，用于评估PG(x*)和Pdata(x)的差异函数V(G,D)。
6.如权利要求5所述的条件生成式对抗网络与载荷应变线性叠加的应变监测方法，其特征在于：
在对抗过程中，固定生成器G0不变，寻找使得V(G0,D)最大的最优判别器D0 *，使得判别器能尽可能的识别出真实数据与合成数据之间的差别，此时V(G0,D)变成了V(G0,D0*)；
确定完判别器后，固定判别器，寻找一个最优的生成器，使得V(G,D0*)最小，此时V(G0,D0*)变成了V(G1,D0*)；
接下来重复上述过程，不断进行更新迭代，直到满足预设要求，获得不同工况下的测点的应变列向量，利用极限学习机构建测点应变列向量与误差之间的关系，进行模型误差修正，进而实现结构上所有点的应变场重构。
7.如权利要求5所述的条件生成式对抗网络与载荷应变线性叠加的应变监测方法，其特征在于：
z为噪声。
8.一种条件生成式对抗网络与载荷应变线性叠加的应变监测系统，其特征在于：
包括：
数据获取模块，被配置为：根据以待监测结构的参量数据构建的结构模型，进行结构的静力学仿真，获得结构的载荷—应变矩阵，依据仿真测点，获取结构上的各传感器的应变真实数据，得到结构上测点的应变列向量；
条件生成对抗模块，被配置为：根据结构模型和施加的载荷数据，利用条件生成对抗网络，使得仿真应变数据学习真实应变数据，获得伪实验应变数据；
模型误差修正模块，被配置为：根据测点的伪实验应变数据与重构应变数据获得模型误差，利用极限学习机获得模型误差与测点应变列向量之间的关系进行模型误差修正；
应变权重计算模块，被配置为：依据测点应变数据与数值模拟模块中获得的载荷—应变矩阵，得到应变权重；
结构应变重构模块，被配置为：根据结构重构点的应变矩阵和应变权重计算模块的应变权重，结合误差修正结果，得到结构上重构点的应变值。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的条件生成式对抗网络与载荷应变线性叠加的应变监测方法中的步骤。
10.一种电子设备，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程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的条件生成式对抗网络与载荷应变线性叠加的应变监测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111348526.5A CN113962134B (zh) | 2021-11-15 | 2021-11-15 | 条件生成式对抗网络与载荷应变线性叠加的应变监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111348526.5A CN113962134B (zh) | 2021-11-15 | 2021-11-15 | 条件生成式对抗网络与载荷应变线性叠加的应变监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113962134A true CN113962134A (zh) | 2022-01-21 |
| CN113962134B CN113962134B (zh) | 2024-07-09 |
Family
ID=79470707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111348526.5A Active CN113962134B (zh) | 2021-11-15 | 2021-11-15 | 条件生成式对抗网络与载荷应变线性叠加的应变监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113962134B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252099A (zh) * | 2023-09-21 | 2023-12-19 | 中山大学 | 一种基于数字孪生的损伤监测方法、系统、设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140105345A (ko) * | 2013-02-22 | 2014-09-01 | 연세대학교 산학협력단 | 불확실한 하중을 받는 보 부재의 변형률 분포 추정 장치 및 방법 |
| CN109918831A (zh) * | 2019-03-21 | 2019-06-21 | 大连理工大学 | 一种基于预测模型的局部应变全局化预测方法 |
| KR20190086141A (ko) * | 2018-01-12 | 2019-07-22 | 인하대학교 산학협력단 | Cnn을 이용한 교량 구조물 손상추정기법의 개발을 위한 시뮬레이션 데이터 처리방법 |
| CN112284575A (zh) * | 2020-09-18 | 2021-01-29 | 西安交通大学 | 一种基于电涡流位移传感器的轴承载荷在线监测方法 |
| CN112989491A (zh) * | 2021-03-30 | 2021-06-18 | 山东大学 | 基于载荷应变线性叠加的应变场重构可视化方法及系统 |
-
2021
- 2021-11-15 CN CN202111348526.5A patent/CN113962134B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140105345A (ko) * | 2013-02-22 | 2014-09-01 | 연세대학교 산학협력단 | 불확실한 하중을 받는 보 부재의 변형률 분포 추정 장치 및 방법 |
| KR20190086141A (ko) * | 2018-01-12 | 2019-07-22 | 인하대학교 산학협력단 | Cnn을 이용한 교량 구조물 손상추정기법의 개발을 위한 시뮬레이션 데이터 처리방법 |
| CN109918831A (zh) * | 2019-03-21 | 2019-06-21 | 大连理工大学 | 一种基于预测模型的局部应变全局化预测方法 |
| CN112284575A (zh) * | 2020-09-18 | 2021-01-29 | 西安交通大学 | 一种基于电涡流位移传感器的轴承载荷在线监测方法 |
| CN112989491A (zh) * | 2021-03-30 | 2021-06-18 | 山东大学 | 基于载荷应变线性叠加的应变场重构可视化方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 于鑫;孙杰;熊青春;韩雄: "7050-T7451铝合金铣削加工表面材料特性与本构关系模型的建立", 中国有色金属学报, no. 011, 31 December 2015 (2015-12-31) * |
| 付俊庆;张慧巧: "应变数据融合测力传感器的仿真与实验研究", 传感器世界, vol. 10, no. 3, 20 October 2004 (2004-10-20) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252099A (zh) * | 2023-09-21 | 2023-12-19 | 中山大学 | 一种基于数字孪生的损伤监测方法、系统、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113962134B (zh) | 2024-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Meruane et al. | An hybrid real genetic algorithm to detect structural damage using modal properties | |
| Mohan et al. | Structural damage assessment using FRF employing particle swarm optimization | |
| Gomes et al. | Some comparisons for damage detection on structures using genetic algorithms and modal sensitivity method | |
| Balmes et al. | Statistical model‐based damage localization: A combined subspace‐based and substructuring approach | |
| CN112989491B (zh) | 基于载荷应变线性叠加的应变场重构可视化方法及系统 | |
| CN102759573B (zh) | 基于频率变化的结构损伤定位与损伤程度的评估方法 | |
| WO2021159569A1 (en) | Method for engineering structural fiexibility identification considering the impact of noise | |
| CN110487578B (zh) | 基于支座反力和应变的梁结构损伤识别方法 | |
| CN108121865B (zh) | 一种基于伴随变量法的含有多不确定参数的结构区间响应传播分析方法 | |
| Mao et al. | The construction and comparison of damage detection index based on the nonlinear output frequency response function and experimental analysis | |
| Hà et al. | Localization and quantification of damage in beam-like structures using sensitivities of principal component analysis results | |
| Li et al. | A convolutional neural network‐based full‐field response reconstruction framework with multitype inputs and outputs | |
| CN110068406A (zh) | 基于静载识别的四边简支薄板结构光纤应变场重构方法 | |
| CN106296766A (zh) | 一种基于rof模型的电容层析成像的图像重构方法 | |
| Shi et al. | Uncertain identification method of structural damage for beam-like structures based on strain modes with noises | |
| CN113962134B (zh) | 条件生成式对抗网络与载荷应变线性叠加的应变监测方法 | |
| Shadan et al. | Structural damage identification based on strain frequency response functions | |
| CN110008520B (zh) | 基于位移响应协方差参数和贝叶斯融合的结构损伤识别方法 | |
| He et al. | FEM free damage detection of beam structures using the deflections estimated by modal flexibility matrix | |
| CN110807285A (zh) | 一种工程运输车车架疲劳分析方法、系统及装置 | |
| Slimani et al. | Improved ANN for damage identification in laminated composite plate | |
| Le et al. | Structural changes assessment in axial stressed beams through frequencies variation | |
| Chen et al. | Moving force identification based on the nonnegative flexible conjugate gradient least square method and experimental verification | |
| Rózsás et al. | Structural and load parameter estimation of a real‐world reinforced concrete slab bridge using measurements and Bayesian statistics | |
| Luo et al. | A multi-state strategy for structural damage detection using sensitivity of weighted transmissibility function |
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 |