CN116561541A - 随机动载荷识别模型、模型的训练方法以及识别方法 - Google Patents
随机动载荷识别模型、模型的训练方法以及识别方法 Download PDFInfo
- Publication number
- CN116561541A CN116561541A CN202310784248.0A CN202310784248A CN116561541A CN 116561541 A CN116561541 A CN 116561541A CN 202310784248 A CN202310784248 A CN 202310784248A CN 116561541 A CN116561541 A CN 116561541A
- Authority
- CN
- China
- Prior art keywords
- layer
- training
- convolution
- weight
- signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 title claims abstract description 59
- 230000006870 function Effects 0.000 claims abstract description 55
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims description 53
- 239000013598 vector Substances 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 25
- 238000005516 engineering process Methods 0.000 claims description 16
- 239000011800 void material Substances 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
Abstract
本申请涉及数据识别处理技术领域，公开了随机动载荷识别模型、模型的训练方法以及识别方法，随机动载荷识别模型的训练方法，包括如下步骤：获取训练集：以获得时序上载荷与个振动信号的对应关系；训练集预处理：将载荷与n个振动信号进行8阶Meyer小波变换分解，每个信号被分解为8个低频分量与8个高频分量；模型训练：取当前时刻与后续一个时间窗口内n个振动信号的全部高阶分量与第八阶低频分量作为网络输入，构建一维卷积神经网络；网络输出为当前时刻载荷信号所分解的第八阶低频分量与全部高阶分量。该方法避免了对复杂、未知结构的系统模型参数或者传递函数的显式求解，并可在具有振动测量噪声的条件下对载荷信号进行较为精确的估计。
Description
技术领域
本申请涉及数据识别处理领域，尤其涉及随机动载荷识别模型、模型的训练方法以及识别方法。
背景技术
飞机在服役过程中，往往受到不同形式的动载荷的作用。准确识别飞机结构所受的动载荷对飞机结构设计优化与故障诊断具有重要意义。受限于实际测量时的复杂工况，直接使用力传感器测量动载荷数据有一定难度，同时，力传感器的安装也有可能改变结构的力学性质，导致载荷测量的不精确。载荷识别技术利用动载荷产生的振动响应对载荷进行反求。传统载荷识别方法可对已知系统模型参数或者传递函数的结构的载荷进行求解，但对于复杂或未知的结构而言，其传递函数的获取难度较大，限制了对此类结构进行载荷识别的精度。
文献“平稳随机载荷的信号特征提取与深度神经网络识别.航空学报，43(9):225952,Sep.2022.”公开了一种基于深度神经网络的识别方法。该方法针对三自由度振动系统的随机动载荷识别问题，提出利用小波变换与长短期记忆网络(Long Short TermMemory，LSTM)网络对随机动载荷进行识别，利用神经网络的拟合能力，避免了对系统模型参数或者传递函数的估计，并取得了较好的载荷识别效果。该方法中的LSTM网络由输入层、2个LSTM层、2个RELU层、1个全连接层与输出层组成，网络层数相对较少，预测精度受到一定限制，同时，LSTM网络在对长序列的载荷识别任务中存在计算量大的问题。
发明内容
本申请提供了随机动载荷识别模型、模型的训练方法以及识别方法。
第一方面，本申请提供了随机动载荷识别模型的训练方法，包括如下步骤：
获取训练集：在待识别的飞机结构上，安装n个振动信号采集装置与1个振源，并在振源上安装力传感器，以相同频率同步地对力传感器与振动信号采集装置进行数据采集，以获得时序上载荷与个振动信号的对应关系；
训练集预处理：将载荷与n个振动信号进行8阶Meyer小波变换分解，每个信号被分解为8个低频分量与8个高频分量；
模型训练：取当前时刻与后续一个时间窗口内n个振动信号的全部高阶分量与第八阶低频分量作为网络输入，构建一维卷积神经网络，结合权重归一化、批量归一化技术；网络输出为当前时刻载荷信号所分解的第八阶低频分量与全部高阶分量。针对依赖结构传递函数的传统载荷识别方法难以识别复杂或未知结构的载荷，以及部分数据驱动的神经网络载荷识别方法网络层数较少，对复杂结构载荷识别精度不高的问题，本发明提供一种以变换域信号为输入的基于深度一维卷积网络的随机动载荷识别方法。该方法首先将结构上多个位置的振动信号进行小波变换，获得其在变换域的多维表示；其次，以得到的小波变换表示为输入，设计深度一维卷积神经网络，对载荷在变换域的表示进行预测，最后，根据所预测载荷变换域表示计算得到载荷识别结果。
进一步地，获取训练集步骤中：以相同频率F同步地对振源载荷与n个位置的振动信号进行采集，采集时间为s秒，设力传感器所采集到的载荷信号为f(t)，t＝1，2，…，sF，第i个振动信号采集装置所采集到的振动信号为zi(t)，i＝1，2，…，n；t＝1，2，…，sF。
进一步地，n＝6，6个振动信号采集点分别为：机头1个，左右机翼各1个，模型尾部2个，尾翼中心1个，振源放置在左侧机翼翼尖小翼前部上，振源的激振器垂直作用于左侧机翼翼尖小翼前部，采集频率为F＝2048Hz，采集时间s＝16。
进一步地，训练集预处理具体步骤：对所采集到的载荷信号f(t)与n个振动信号zi(t)，i＝1，2，…，n进行8阶Meyer小波变换分解；
对信号进行8阶Meyer小波变换分解后，得到原信号对应的8个低频分量与8个高频分量；
设载荷信号f(t)分解后对应的低频分量为：对应的高频分量为：/>设第i个振动信号zi(t)分解后对应的低频分量为/>对应的高频分量为：
进一步地，模型训练步骤中，构建的一维卷积神经网络如下：
输入层：对于第i个振动信号，取时间窗口[m，m+D]内其全部高频分量与第八阶低频分量作为网络输入，将时间窗口内n个振动信号的9个分解信号，即八个高频分量与第八阶低频分量排列成为9n×D的矩阵，作为网络的输入，D＝256。
一维卷积层C1：C1层以输入层中时间窗口内n个振动信号的9个分解信号作为输入，卷积核大小为8，卷积核的空洞率设为1。C1层的卷积核个数为32。在本层中，采用权重归一化、批量归一化技术以提高训练效率。权重归一化、批量归一化为神经网络中的常用技术。其中权重归一化是对每个卷积核中的权重进行重参数化，通过将卷积核展开为一维权重向量，可将卷积核权重重参数化为权重向量的长度量与权重向量的方向量。批量归一化为对卷积计算过后，应用激活函数之前，将卷积后所得各元素归一化至标准正态分布。C1层的激活函数为RELU函数。
一维卷积层C2：C2层以C1层的输出作为输入，卷积核大小为8，卷积核的空洞率设为2。C2层的卷积核个数为32，在本层中，采用权重归一化与批量归一化技术。C2层的激活函数为RELU函数。
一维卷积层C3：C3层以C2层的输出作为输入，卷积核大小为8，卷积核的空洞率设为4。C2层的卷积核个数为32，在本层中，采用权重归一化与批量归一化技术。C2层的激活函数为RELU函数。
全连接层：将C3层的输出展开成为一维向量全连接层作为输入，该层有160个节点，各节点向前与/>的每个元素，向后后续输出层的9个节点全连接，激活函数为RELU函数。
输出层：输出层共有9个节点，输出为9×1的向量festi，为m时刻载荷信号的分解信号的预测：其中/>为第八阶低频分量的预测，其余为八个高频分量。
进一步地，将预处理后的训练集输入到构建的一维卷积神经网络中进行训练，训练时，一维卷积层C1、一维卷积层C2、一维卷积层C3采用丢弃法，保留率设为0.8，网络训练采用Adam优化器，动量为0.9和0.99，学习率为0.0001。设置训练迭代次数为20000，批量大小为1024。
进一步地，模型训练中的损失函数定义为载荷信号的分解信号的预测值与真值之间的欧几里得距离。
第二方面，本申请还提供了随机动载荷识别模型，采用上述随机动载荷识别模型的训练方法训练而得；包括：
输入层：对于第i个振动信号，取时间窗口[m，m+D]内其全部高阶分量与第八阶低频分量作为网络输入，将时间窗口内n个振动信号的9个分解信号，即八个高频分量与第八阶低频分量排列成为9n×D的矩阵，作为网络的输入，D＝256。
一维卷积层C1：C1层以输入层中时间窗口内n个振动信号的9个分解信号作为输入，卷积核大小为8，卷积核的空洞率设为1。C1层的卷积核个数为32。在本层中，采用权重归一化、批量归一化技术以提高训练效率。权重归一化、批量归一化为神经网络中的常用技术。其中权重归一化是对每个卷积核中的权重进行重参数化，通过将卷积核展开为一维权重向量，可将卷积核权重重参数化为权重向量的长度量与权重向量的方向量。批量归一化为对卷积计算过后，应用激活函数之前，将卷积后所得各元素归一化至标准正态分布。C1层的激活函数为RELU函数。
一维卷积层C2：C2层以C1层的输出作为输入，卷积核大小为8，卷积核的空洞率设为2。C2层的卷积核个数为32，在本层中，采用权重归一化与批量归一化技术。C2层的激活函数为RELU函数。
一维卷积层C3：C3层以C2层的输出作为输入，卷积核大小为8，卷积核的空洞率设为4。C2层的卷积核个数为32，在本层中，采用权重归一化与批量归一化技术。C2层的激活函数为RELU函数。
全连接层：将C3层的输出展开成为一维向量全连接层作为输入，该层有160个节点，各节点向前与/>的每个元素，向后后续输出层的9个节点全连接，激活函数为RELU函数。
输出层：输出层共有9个节点，输出为9×1的向量festi，为m时刻载荷信号的分解信号的预测：其中/>为第八阶低频分量的预测，其余为八个高频分量。
第三方面，本申请还提供了随机动载荷识别方法，根据上述随机动载荷识别模型输出的9×1的向量对m时刻的载荷信号进行预测，设该预测量为预测方法为：/>
第四方面，本申请还提供了一种计算机可读存储介质，所计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述中随机动载荷识别方法。
本申请针对传统载荷识别方法依赖显式结构传递函数，部分神经网络载荷识别方法识别复杂未知精度不高的问题，本发明提供了一种基于变换域输入与深度一维卷积网络的随机动载荷识别方法，利用振动信号的变换域分解信号作为输入，使用所设计深度一维卷积网络，可对载荷信号的变换域分解信号表示进行预测，并通过将所得载荷分解信号相加，获得载荷识别结果。识别精度较高，真实载荷与识别载荷两个时序信号间相关性系数可达96.7％，同时，方法对测点测量噪声的鲁棒性较高，在测点振动信号叠加10％幅度的测量噪声时，该方法仍能获得88.3％的相关性系数。
本发明以飞机结构上若干振动信号的变换域分解信号为输入，设计了深度一维卷积网络预测载荷信号的变换域分解表示，进而通过将载荷信号的变换域分解表示进行合成，求得载荷的时域信号。该方法避免了对复杂、未知结构的系统模型参数或者传递函数的显式求解，并可在具有振动测量噪声的条件下对载荷信号进行较为精确的估计。
具体实施方式
下面将结合本申请实施例，对本申请技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本申请的实施例提供了随机动载荷识别模型、模型的训练方法以及识别方法。
1.训练数据采集
对本发明涉及方法所需的训练数据进行采集。设进行载荷识别的飞机结构上安放有n个振动信号采集装置。同时，在飞机结构上安放振源1个，在振源上安装力传感器，以获得振源实时载荷大小。以相同频率F同步地对振源载荷与n个位置的振动信号进行采集，采集时间为s秒。设力传感器所采集到的载荷信号为f(t)，t＝1，2，…，sF，第i个振动信号采集装置所采集到的振动信号为zi(t)，i＝1，2，…，n；t＝1，2，…，sF。本实施例中，取n＝6，6个振动信号采集点分别为：机头1个，左右机翼各1个，模型尾部2个，尾翼中心1个。振源放置在左侧机翼翼尖小翼前部上，振源的激振器垂直作用于左侧机翼翼尖小翼前部。采集频率为F＝2048Hz，采集时间s＝16。
2.训练数据预处理
对所采集到的载荷信号f(t)与n个振动信号zi(t)，i＝1，2，…，n进行8阶Meyer小波变换分解。Meyer小波变换是信号处理领域的常用方法之一。对信号进行8阶Meyer小波变换分解后，得到原信号对应的8个低频分量与8个高频分量。设载荷信号f(t)分解后对应的低频分量为：对应的高频分量为：设第i个振动信号zi(t)分解后对应的低频分量为/>对应的高频分量为：
3.网络构建
构建一维卷积神经网络，该网络以n个振动信号的低频与高频分解信号为输入，网络用于预测某时刻m载荷信号的低频与高频分解信号。具体地，网络的构建方式如下：
(a)输入层：对于第i个振动信号，取时间窗口[m，m+D]内其全部高频分量与第八阶低频分量作为网络输入。将时间窗口内n个振动信号的9个分解信号，即八个高频分量与第八阶低频分量排列成为9n×D的矩阵，作为网络的输入。本实施例中，取D＝256。
(b)一维卷积层C1：C1层以输入层中时间窗口内n个振动信号的9个分解信号作为输入，卷积核大小为8，卷积核的空洞率设为1。C1层的卷积核个数为32。在本层中，采用权重归一化、批量归一化技术以提高训练效率。权重归一化、批量归一化为神经网络中的常用技术。其中权重归一化是对每个卷积核中的权重进行重参数化，通过将卷积核展开为一维权重向量，可将卷积核权重重参数化为权重向量的长度量与权重向量的方向量。批量归一化为对卷积计算过后，应用激活函数之前，将卷积后所得各元素归一化至标准正态分布。C1层的激活函数为RELU函数。
(c)一维卷积层C2：C2层以C1层的输出作为输入，卷积核大小为8，卷积核的空洞率设为2。C2层的卷积核个数为32，在本层中，采用权重归一化与批量归一化技术。C2层的激活函数为RELU函数。
(d)一维卷积层C3：C3层以C2层的输出作为输入，卷积核大小为8，卷积核的空洞率设为4。C2层的卷积核个数为32，在本层中，采用权重归一化与批量归一化技术。C2层的激活函数为RELU函数。
(e)全连接层：将C3层的输出展开成为一维向量全连接层作为输入，该层有160个节点，各节点向前与/>的每个元素，向后后续输出层的9个节点全连接，激活函数为RELU函数。
(f)输出层：输出层共有9个节点，输出为9×1的向量festi，为m时刻载荷信号的分解信号的预测：其中/>为第八阶低频分量的预测，其余为八个高频分量。
4.网络训练
针对步骤3中构建的网络，利用步骤1中所采集到的数据，并进行步骤2中的预处理后，对网络进行训练。网络的损失函数定义为载荷信号的分解信号的预测值与真值之间的欧几里得距离。网络训练时，步骤3中的C1、C2、C3层采用丢弃法(dropout)，保留率设为0.8。网络训练采用Adam优化器，动量为0.9和0.99，学习率为0.0001。设置训练迭代次数为20000，批量大小为1024。
5.动载荷时域预测
网络训练完成后，可根据网络输出的9×1的向量对m时刻的载荷信号进行预测，设该预测量为/>预测方法为：/>
本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项随机动载荷识别方法。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.随机动载荷识别模型的训练方法，其特征在于，包括如下步骤：
获取训练集：在待识别的飞机结构上，安装n个振动信号采集装置与1个振源，并在振源上安装力传感器，以相同频率同步地对力传感器与振动信号采集装置进行数据采集，以获得时序上载荷与个振动信号的对应关系；
训练集预处理：将载荷与n个振动信号进行8阶Meyer小波变换分解，每个信号被分解为8个低频分量与8个高频分量；
模型训练：取当前时刻与后续一个时间窗口内n个振动信号的全部高阶分量与第八阶低频分量作为网络输入，构建一维卷积神经网络，结合权重归一化、批量归一化技术；网络输出为当前时刻载荷信号所分解的第八阶低频分量与全部高阶分量。
2.随机动载荷识别模型的训练方法，其特征在于，获取训练集步骤中：以相同频率F同步地对振源载荷与n个位置的振动信号进行采集，采集时间为s秒，设力传感器所采集到的载荷信号为f(t)，t＝1，2，…，sF，第i个振动信号采集装置所采集到的振动信号为zi(t)，i＝1，2，…，n；t＝1，2，…，sF。
3.根据权利要求2所述的随机动载荷识别模型的训练方法，其特征在于，n＝6，6个振动信号采集点分别为：机头1个，左右机翼各1个，模型尾部2个，尾翼中心1个，振源放置在左侧机翼翼尖小翼前部上，振源的激振器垂直作用于左侧机翼翼尖小翼前部，采集频率为F＝2048Hz，采集时间s＝16。
4.根据权利要求2所述的随机动载荷识别模型的训练方法，其特征在于，训练集预处理具体步骤：对所采集到的载荷信号f(t)与n个振动信号zi(t)，i＝1，2，…，n进行8阶Meyer小波变换分解；
对信号进行8阶Meyer小波变换分解后，得到原信号对应的8个低频分量与8个高频分量；
设载荷信号f(t)分解后对应的低频分量为：t＝1，2，…，sF，对应的高频分量为：/>t＝1，2，…，sF；设第i个振动信号zi(t)分解后对应的低频分量为/>对应的高频分量为：
5.根据权利要求4所述的随机动载荷识别模型的训练方法，其特征在于，模型训练步骤中，构建的一维卷积神经网络如下：
输入层：对于第i个振动信号，取时间窗口[m，m+D]内其全部高频分量p＝m，m+1，…，m+D与第八阶低频分量/>p＝m，m+1，…，m+D作为网络输入，将时间窗口内n个振动信号的9个分解信号，即八个高频分量与第八阶低频分量排列成为9n×D的矩阵，作为网络的输入，D＝256；
一维卷积层C1：C1层以输入层中时间窗口内n个振动信号的9个分解信号作为输入，卷积核大小为8，卷积核的空洞率设为1，C1层的卷积核个数为32，在本层中，采用权重归一化、批量归一化技术以提高训练效率，权重归一化、批量归一化为神经网络中的常用技术，其中权重归一化是对每个卷积核中的权重进行重参数化，通过将卷积核展开为一维权重向量，可将卷积核权重重参数化为权重向量的长度量与权重向量的方向量，批量归一化为对卷积计算过后，应用激活函数之前，将卷积后所得各元素归一化至标准正态分布，C1层的激活函数为RELU函数，
一维卷积层C2：C2层以C1层的输出作为输入，卷积核大小为8，卷积核的空洞率设为2，C2层的卷积核个数为32，在本层中，采用权重归一化与批量归一化技术，C2层的激活函数为RELU函数；
一维卷积层C3：C3层以C2层的输出作为输入，卷积核大小为8，卷积核的空洞率设为4，C2层的卷积核个数为32，在本层中，采用权重归一化与批量归一化技术，C2层的激活函数为RELU函数；
全连接层：将C3层的输出展开成为一维向量全连接层作为输入，该层有160个节点，各节点向前与/>的每个元素，向后后续输出层的9个节点全连接，激活函数为RELU函数；
输出层：输出层共有9个节点，输出为9×1的向量festi，为m时刻载荷信号的分解信号的预测：其中/>为第八阶低频分量的预测，其余为八个高频分量。
6.根据权利要求5所述的随机动载荷识别模型的训练方法，其特征在于：将预处理后的训练集输入到构建的一维卷积神经网络中进行训练，训练时，一维卷积层C1、一维卷积层C2、一维卷积层C3采用丢弃法，保留率设为0.8，网络训练采用Adam优化器，动量为0.9和0.99，学习率为0.0001，设置训练迭代次数为20000，批量大小为1024。
7.根据权利要求6所述的随机动载荷识别模型的训练方法，其特征在于，模型训练中的损失函数定义为载荷信号的分解信号的预测值与真值之间的欧几里得距离。
8.随机动载荷识别模型，其特征在于，采用权利要求1-权利要求7所述的随机动载荷识别模型的训练方法训练而得；包括：
输入层：对于第i个振动信号，取时间窗口[m，m+D]内其全部高频分量p＝m，m+1，…，m+D与第八阶低频分量/>p＝m，m+1，…，m+D作为网络输入，将时间窗口内n个振动信号的9个分解信号，即八个高频分量与第八阶低频分量排列成为9n×D的矩阵，作为网络的输入，D＝256；
一维卷积层C1：C1层以输入层中时间窗口内n个振动信号的9个分解信号作为输入，卷积核大小为8，卷积核的空洞率设为1，C1层的卷积核个数为32，在本层中，采用权重归一化、批量归一化技术以提高训练效率，权重归一化、批量归一化为神经网络中的常用技术，其中权重归一化是对每个卷积核中的权重进行重参数化，通过将卷积核展开为一维权重向量，可将卷积核权重重参数化为权重向量的长度量与权重向量的方向量，批量归一化为对卷积计算过后，应用激活函数之前，将卷积后所得各元素归一化至标准正态分布，C1层的激活函数为RELU函数；
一维卷积层C2：C2层以C1层的输出作为输入，卷积核大小为8，卷积核的空洞率设为2，C2层的卷积核个数为32，在本层中，采用权重归一化与批量归一化技术，C2层的激活函数为RELU函数；
一维卷积层C3：C3层以C2层的输出作为输入，卷积核大小为8，卷积核的空洞率设为4，C2层的卷积核个数为32，在本层中，采用权重归一化与批量归一化技术，C2层的激活函数为RELU函数；
全连接层：将C3层的输出展开成为一维向量全连接层作为输入，该层有160个节点，各节点向前与/>的每个元素，向后后续输出层的9个节点全连接，激活函数为RELU函数；
输出层：输出层共有9个节点，输出为9×1的向量festi，为m时刻载荷信号的分解信号的预测：其中/>为第八阶低频分量的预测，其余为八个高频分量。
9.随机动载荷识别方法，其特征在于，根据权利要求8所述的随机动载荷识别模型输出的9×1的向量对m时刻的载荷信号进行预测，设该预测量为/>预测方法为：/>
10.计算机可读存储介质，其特征在于：计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行如权利要求9中随机动载荷识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310784248.0A CN116561541A (zh) | 2023-06-29 | 2023-06-29 | 随机动载荷识别模型、模型的训练方法以及识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310784248.0A CN116561541A (zh) | 2023-06-29 | 2023-06-29 | 随机动载荷识别模型、模型的训练方法以及识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116561541A true CN116561541A (zh) | 2023-08-08 |
Family
ID=87498539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310784248.0A Pending CN116561541A (zh) | 2023-06-29 | 2023-06-29 | 随机动载荷识别模型、模型的训练方法以及识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116561541A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117609773A (zh) * | 2024-01-24 | 2024-02-27 | 江苏南京地质工程勘察院 | 柔性变形测量元件拉扭状态类型识别方法 |
-
2023
- 2023-06-29 CN CN202310784248.0A patent/CN116561541A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117609773A (zh) * | 2024-01-24 | 2024-02-27 | 江苏南京地质工程勘察院 | 柔性变形测量元件拉扭状态类型识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101958674B1 (ko) | 시퀀스 재귀 필터링 3차원 변분(3d-var) 기반의 실측 해양 환경 데이터 동화방법 | |
| CN112084974B (zh) | 一种基于元学习的多标签滚动轴承故障诊断方法 | |
| CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
| JP2011527428A (ja) | データの周波数分析のための方法および装置 | |
| CN110048416B (zh) | S-g滤波和自适应mp算法的低频振荡模态辨识方法 | |
| CN104112072A (zh) | 基于小波阈值去噪的主成分分析的工作模态参数识别方法 | |
| CN108435819B (zh) | 一种铝型材挤压机能耗异常检测方法 | |
| CN109341848B (zh) | 一种隧道运营阶段的安全监测系统 | |
| CN116561541A (zh) | 随机动载荷识别模型、模型的训练方法以及识别方法 | |
| CN112435142B (zh) | 一种用电负荷识别方法及其负荷用电设施知识库构建方法 | |
| CN110866448A (zh) | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 | |
| CN109359567A (zh) | 一种基于改进小波阈值去噪的参数化传递路径分析方法 | |
| CN110175541A (zh) | 一种海平面变化非线性趋势提取的方法 | |
| CN109033021B (zh) | 一种基于变参收敛神经网络的线性方程求解器设计方法 | |
| CN106248201B (zh) | 基于增强谱峭度的谐波成分检测方法 | |
| CN116340758A (zh) | 一种工作模态参数的识别方法、系统、电子设备及介质 | |
| CN113295413B (zh) | 一种基于间接信号的牵引电机轴承故障诊断方法 | |
| JP3386107B2 (ja) | １次元量予測装置 | |
| CN111273126A (zh) | 一种配电网拓扑快速感知方法 | |
| CN113951899B (zh) | 一种脑源活动高分辨率重构系统及方法 | |
| CN116127297A (zh) | 机电设备故障诊断方法和系统 | |
| CN115166514A (zh) | 一种基于自适应频谱分割去噪的电机故障识别方法及系统 | |
| CN112149351B (zh) | 一种基于深度学习的微波电路物理尺寸估算方法 | |
| Jiang et al. | VMD and HMM based rolling bearing fault diagnosis | |
| CN114397521A (zh) | 一种针对电子设备的故障诊断方法及系统 |
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 |