CN116595493A - 基于lstm网络的非理想化柔索轴向张力解调方法及系统 - Google Patents
基于lstm网络的非理想化柔索轴向张力解调方法及系统 Download PDFInfo
- Publication number
- CN116595493A CN116595493A CN202310558010.6A CN202310558010A CN116595493A CN 116595493 A CN116595493 A CN 116595493A CN 202310558010 A CN202310558010 A CN 202310558010A CN 116595493 A CN116595493 A CN 116595493A
- Authority
- CN
- China
- Prior art keywords
- model
- demodulation
- data
- flexible cable
- idealized
- 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 52
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 18
- 238000005452 bending Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011549 displacement method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Force Measurement Appropriate To Specific Purposes (AREA)
Abstract
本发明公开了基于LSTM网络的非理想化柔索轴向张力解调方法包括：测量并采集状态量传感数据；构建非理想化柔索轴向张力解调隐式模型；检测模型准确性，将新测量的状态量传感数据输入解调隐式模型对非理想化柔索的轴向张力进行解调。本发明提供的基于LSTM网络的非理想化柔索轴向张力解调方法将张力测量传统公式数值求解的方法，转化为非线性回归问题，基于LSTM网络构建隐式模型克服了传统基于理性化柔索公式的张力解调方式，对拉线、导线等非理想化柔索的张力测量不准确问题。仅需一次训练便可重复使用，相比传统解算方法也更加高效便携。本发明在适用性、便携性和准确性方面都取得更加良好的效果。
Description
技术领域
本发明涉及张力解调技术领域，具体为基于LSTM网络的非理想化柔索轴向张力解调方法。
背景技术
目前，已有张力解调方法多基于线性柔索原理，而基于线性柔索原理的张力解调方法根据所采用的原理的不同，又可以分为震动频率测量法和横向位移法，震动频率法利用索的自震周期与索的张力的函数关系，通过测量索的震动周期间接解算出索的张力值；这种方法原理简单，但对测量的环境及测量仪器的精度要求极高，且索的阻尼系数大，对震动的抑制效果强，进而导致索的自震周期测量误差大，使得本就因环境苛刻导致索的张力解调不准确的情况下进一步增加了测量误差。横向位移法则是利用三点测力原理，通过对索施加横向应力，测量索因横向应力而产生的形变大小，根据力的合成与分解情况获取索的张力大小。这种解算方法精度相对较高，但设备复杂且笨重，仅在一些实验研究和大吨位项目中有所使用。
上述中两种索的张力解调方法均基于线性柔索原理，但应用在输配电线路中的柔索均为金属绞线，这类绞线由多股单线绞合而成，除具有一定柔性外，还具有一定的刚性，并非理想化柔索。若仍采用线性柔索原理实现对输配电线路中的绞线张力的解调，一方面解算误差大，另一方面因为基于柔索原理的测量设备所涉及传感器众多、设备复杂，其便携性不满足高处作业及移动作业的要求，因此根据线性柔索原理设计的柔索张力解调装置是不能直接应用在输配电线路。
所以亟需一种基于非理想化柔索轴向张力解调方法，可以适应非理想化柔索，并且保持较高的精度。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的柔索轴向张力解调方法存在解调环境要求苛刻，解调精度不足，以及如何在非理想状态进行柔索轴向张力解调的优化问题。
为解决上述技术问题，本发明提供如下技术方案：基于LSTM网络的非理想化柔索轴向张力解调方法，包括：
测量并采集状态量传感数据；
构建非理想化柔索轴向张力解调隐式模型；
检测模型准确性，将新测量的状态量传感数据输入解调隐式模型对非理想化柔索的轴向张力进行解调。
作为本发明所述的基于LSTM网络的非理想化柔索轴向张力解调方法的优选方案，其中：所述采集状态量传感数据包括利用传感数据采集模块采集状态量传感数据，传感数据采集模块包括支撑板、卡线槽、张力传感器、挠度传感器、角度传感器、测力臂、弯折度传感器以及数据通讯模块。
作为本发明所述的基于LSTM网络的非理想化柔索轴向张力解调方法的优选方案，其中：所述状态量传感数据包括支撑板和卡线槽支撑固定柔索后，张力传感器测量对柔索施加的横向应力，挠度传感器测量施加横向应力时柔索挠度变化，角度传感器测量柔索受横向应力时柔索与测力臂之间的角度，测力臂测量柔索受横向应力时柔索轴向张力在沿测力臂方向的分力，弯折传感器测量在对柔索施加纵向应力时柔索受力点的角度变化，数据通讯模块将检测到的状态量传感数据发送至解调终端模块。
作为本发明所述的基于LSTM网络的非理想化柔索轴向张力解调方法的优选方案，其中：构建数据集包括采集单次张力传感器、挠度传感器、角度传感器、测力臂以及弯折度传感器的状态量传感数据为一组子数据，每0.5s对子数据进行一次采集回传，t时间采集子数据拼接构成一个数据样本M，n个数据样本M构成一个数据集N，将数据集N的80％数据作为训练集、剩余20％作为测试集，训练集作为模型特征提取、训练学习使用，测试集作为模型测试验证使用。
作为本发明所述的基于LSTM网络的非理想化柔索轴向张力解调方法的优选方案，其中：所述训练学习包括将数据样本M被切割为T段，将所分割的短序列x1、x2....xt-1输入至LSTM网络记忆单元中进行训练学习。
作为本发明所述的基于LSTM网络的非理想化柔索轴向张力解调方法的优选方案，其中：所述网络记忆单元包括输入门、输出门和记忆门控制结构，表示为：
ft＝σ(Wf*[ht-1,xt]+bf)
it＝σ(Wi*[ht-1,xt]+bi)
Ct＝tanh(WC*[ht-1,xt]+bC)
ht＝σ*tanh(Ct)
其中，σ为sigmoid函数，ft为输入门，it为输出门，Ct为当前记忆单元状态，ht为序列的隐藏状态，ht-1为上一时刻的序列隐藏状态，xt为输入短序列，e为自然常数，Wf、Wi、WC、bf、bi、bC表示偏移常数；
短序列输入LSTM网络中，同时根据长序列的输出标签，调整偏移常数获得隐式模型。
作为本发明所述的基于LSTM网络的非理想化柔索轴向张力解调方法的优选方案，其中：所述解调隐式模型包括将测试集输入解调隐式模型中进行模型验证，计算输出值与理想化柔索模型输出值的皮尔森相关系数，若相关系数在[0.7,0.8]之间表示模型正确，可以进行张力解调工作，将新的长序列切割为短序列，输入隐式模型中，得到输出值为张力测量值；
若相关系数＞0.8则视为隐式模型为理想化模型，检测LSTM网络的准确性，并重新进行计算；
若相关系数＜0.7则视为隐式模型构建错误，检测采集的状态量数据是否正确。
本发明的另外一个目的是提供基于LSTM网络的非理想化柔索轴向张力解调系统，其能通过LSTM网络将张力测量传统公式数值求解的方法，转化为非线性回归问题，解决了现有柔索解调方法只能处理理想化柔索的问题。
基于LSTM网络的非理想化柔索轴向张力解调系统，其特征在于，包括，状态量采集模块、模型训练模块、解调检测模块；
所述状态量采集模块是一种采集柔索力学数据的装置，用于固定并采集柔索得应力、角度、挠度数据；
所述模型训练模块是一种训练柔索轴向张力解调隐式模型的装置，负责构建数据集并进行数据集切割分配，通过LSTM网络构建非理想化柔索轴向张力解调隐式模型；
所述辅解调检测模块是一种检测模型准确性的装置，通过皮尔森相关系数判断模型是否正确并计算模型是否为理想化模型。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现基于LSTM网络的非理想化柔索轴向张力解调方法。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现基于LSTM网络的非理想化柔索轴向张力解调方法。
本发明的有益效果：本发明提供的基于LSTM网络的非理想化柔索轴向张力解调方法将张力测量传统公式数值求解的方法，转化为非线性回归问题，基于LSTM网络构建隐式模型克服了传统基于理性化柔索公式的张力解调方式，对拉线、导线等非理想化柔索的张力测量不准确问题。仅需一次训练便可重复使用，相比传统解算方法也更加高效便携。本发明在适用性、便携性和准确性方面都取得更加良好的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的基于LSTM网络的非理想化柔索轴向张力解调方法的整体流程图。
图2为本发明第三个实施例提供的基于LSTM网络的非理想化柔索轴向张力解调方法的系统的整体流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的一个实施例，提供了基于LSTM网络的非理想化柔索轴向张力解调方法，包括：
S1：测量并采集状态量传感数据。
更进一步的，采集状态量传感数据包括利用传感数据采集模块采集状态量传感数据，传感数据采集模块包括支撑板、卡线槽、张力传感器、挠度传感器、角度传感器、测力臂、弯折度传感器以及数据通讯模块。
应说明的是，状态量传感数据包括支撑板和卡线槽支撑固定柔索后，张力传感器测量对柔索施加的横向应力，挠度传感器测量施加横向应力时柔索挠度变化，角度传感器测量柔索受横向应力时柔索与测力臂之间的角度，测力臂测量柔索受横向应力时柔索轴向张力在沿测力臂方向的分力，弯折传感器测量在对柔索施加纵向应力时柔索受力点的角度变化，数据通讯模块将检测到的状态量传感数据发送至解调终端模块。
S2：构建非理想化柔索轴向张力解调隐式模型。
更进一步的，构建数据集包括采集单次张力传感器、挠度传感器、角度传感器、测力臂以及弯折度传感器的状态量传感数据为一组子数据，每0.5s对子数据进行一次采集回传，t时间采集子数据拼接构成一个数据样本M，n个数据样本M构成一个数据集N，将数据集N的80％数据作为训练集、剩余20％作为测试集，训练集作为模型特征提取、训练学习使用，测试集作为模型测试验证使用。
应说明的是，训练学习包括将数据样本M被切割为T段，将所分割的短序列x1、x2....xt-1输入至LSTM网络记忆单元中进行训练学习。
还应说明的是，网络记忆单元包括输入门、输出门和记忆门控制结构，表示为：
ft＝σ(Wf*[ht-1,xt]+bf)
it＝σ(Wi*[ht-1,xt]+bi)
Ct＝tanh(WC*[ht-1,xt]+bC)
ht＝σ*tanh(Ct)
其中，σ为sigmoid函数，ft为输入门，it为输出门，Ct为当前记忆单元状态，ht为序列的隐藏状态，ht-1为上一时刻的序列隐藏状态，xt为输入短序列，e为自然常数，Wf、Wi、WC、bf、bi、bC表示偏移常数。
短序列输入LSTM网络中，同时根据长序列的输出标签，调整偏移常数获得隐式模型。
应说明的是，当网络的深度趋近于无限的时候，一个自然的想法便是通过一定的条件限制网络使其输出在无穷深度的情况下趋近于一个稳定的值。在这种情况下网络的深度是隐式的。依靠隐函数定理与压缩映射定理，隐式模型不需要存储深度神经网络前向传递的中间量来进行反向传播。因此，隐式模型的训练以及推理只需要恒定的内存成本，这缓解了训练深度模型的一个主要瓶颈即内存消耗与模型参数呈线性增长，因此可以将张力测量传统公式数值求解的方法，转化为非线性回归问题，并且一次计算之后可以多次使用。
还应说明的是，分析理想化柔索模型，在一处于绷紧状态下的柔索上选取一段跨距为l间支，在其中心点处施加一横向应力Q，柔索在横向应力的作用下会产生一个挠度f，若忽略间支两端支点的反作用力，则柔索地受力分析情况表示为：
∑x＝N1cosα-N2cosα＝0
∑y＝N1sinα+N2sinα-Q＝0
在理想条件下，f远小比l，因此取且N1＝N2≈N，故有Q＝4Nf/l，该式也既是理想化柔索公式，若测得间支长l、横向应力Q以及在横向应力Q作用下的柔索挠度f则可轻易计算得出柔索轴向张力。
但在实际使用中，尽管f远小于l，但其影响并不能忽略，因此使用上述式子实现对柔索张力的测量是存在较大误差的。
更进一步的，非理想化柔索轴向张力解调隐式模型部分python代码表示为：假设每个数据样本M包含20个时间步长的子数据m，单元数量50。
from keras.models import Sequential
from keras.layers importLSTM，Dense
input_dim＝5
timesteps＝20
num_units＝50
model＝Sequential()
model.add(LSTM(num_units,input_shape＝(timesteps,input_dim)))
model.add(Dense(1))
model.compile(loss＝'mean_squared_error'，optimizer＝'adam')
model.fit(X_train，y_train，epochs＝100，
batch_size＝32,validation_data＝(X_test,y_test))
y_pred＝model.predict(X_test)
S3：检测模型准确性，将新测量的状态量传感数据输入解调隐式模型对非理想化柔索的轴向张力进行解调。
更进一步的，解调隐式模型包括将测试集输入解调隐式模型中进行模型验证，计算输出值与理想化柔索模型输出值的皮尔森相关系数，若相关系数在[0.7,0.8]之间表示模型正确，可以进行张力解调工作，将新的长序列切割为短序列，输入隐式模型中，得到输出值为张力测量值。
若相关系数＞0.8则视为隐式模型为理想化模型，检测LSTM网络的准确性，并重新进行计算。
若相关系数＜0.7则视为隐式模型构建错误，检测采集的状态量数据是否正确。
应说明的是，理想化计算的值通常存在较大误差，但并不是完全错误，因此在测试隐式模型时可以以理想化数据为参考，理想化计算结果与非理想化柔索轴向张力解调隐式模型计算结果存在关联性，可以通过计算皮尔森相关系数确定，经过多次测试，相关系数处于[0.7,0.8]之间，张力解调隐式模型计算结果准确性和计算结果的相关性最高。
实施例2
本发明的一个实施例，提供了基于LSTM网络的非理想化柔索轴向张力解调方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
首先，针对上述实施例算法，与现有的理想化柔索模型进行对比计算，通过测试柔索的拉力解调判断准确性和关联性。
如表1状态量数据表所示，采集5s数据分别输入理想化模型和非理想化柔索轴向张力解调隐式模型中。
表1状态量数据表
如表2所示的效果对比表，我方发明与实际拉力值的准确性已经相差无几，相较传统技术方案，我方发明采取的LSTM网络将张力测量传统公式数值求解的方法，转化为非线性回归问题，避免了实际测量时，出现的柔索存在较硬支撑的情况。
表2效果对比表
实施例3
参照图2，为本发明的一个实施例，提供了基于LSTM网络的非理想化柔索轴向张力解调方法的系统，包括：状态量采集模块、模型训练模块、解调检测模块；
状态量采集模块是一种采集柔索力学数据的装置，用于固定并采集柔索的应力、角度、挠度数据；
模型训练模块是一种训练柔索轴向张力解调隐式模型的装置，负责构建数据集并进行数据集切割分配，通过LSTM网络构建非理想化柔索轴向张力解调隐式模型；
所辅解调检测模块是一种检测模型准确性的装置，通过皮尔森相关系数判断模型是否正确并计算模型是否为理想化模型。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于LSTM网络的非理想化柔索轴向张力解调方法，其特征在于，包括：
测量并采集状态量传感数据；
构建非理想化柔索轴向张力解调隐式模型；
检测模型准确性，将新测量的状态量传感数据输入解调隐式模型对非理想化柔索的轴向张力进行解调。
2.如权利要求1所述的基于LSTM网络的非理想化柔索轴向张力解调方法，其特征在于：所述采集状态量传感数据包括利用传感数据采集模块采集状态量传感数据，传感数据采集模块包括支撑板、卡线槽、张力传感器、挠度传感器、角度传感器、测力臂、弯折度传感器以及数据通讯模块。
3.如权利要求1或2任一所述的基于LSTM网络的非理想化柔索轴向张力解调方法，其特征在于：所述状态量传感数据包括支撑板和卡线槽支撑固定柔索后，张力传感器测量对柔索施加的横向应力，挠度传感器测量施加横向应力时柔索挠度变化，角度传感器测量柔索受横向应力时柔索与测力臂之间的角度，测力臂测量柔索受横向应力时柔索轴向张力在沿测力臂方向的分力，弯折传感器测量在对柔索施加纵向应力时柔索受力点的角度变化，数据通讯模块将检测到的状态量传感数据发送至解调终端模块。
4.如权利要求3所述的基于LSTM网络的非理想化柔索轴向张力解调方法，其特征在于：构建数据集包括采集单次张力传感器、挠度传感器、角度传感器、测力臂以及弯折度传感器的状态量传感数据为一组子数据，每0.5s对子数据进行一次采集回传，t时间采集子数据拼接构成一个数据样本M，n个数据样本M构成一个数据集N，将数据集N的80％数据作为训练集、剩余20％作为测试集，训练集作为模型特征提取、训练学习使用，测试集作为模型测试验证使用。
5.如权利要求4所述的基于LSTM网络的非理想化柔索轴向张力解调方法，其特征在于：所述训练学习包括将数据样本M被切割为T段，将所分割的短序列x1、x2....xt-1输入至LSTM网络记忆单元中进行训练学习。
6.如权利要求5所述的基于LSTM网络的非理想化柔索轴向张力解调方法，其特征在于：所述网络记忆单元包括输入门、输出门和记忆门控制结构，表示为：
ft＝σ(Wf*[ht-1,xt]+bf)
it＝σ(Wi*[ht-1,xt]+bi)
Ct＝tanh(WC*[ht-1,xt]+bC)
ht＝σ*tanh(Ct)
其中，σ为sigmoid函数，ft为输入门，it为输出门，Ct为当前记忆单元状态，ht为序列的隐藏状态，ht-1为上一时刻的序列隐藏状态，xt为输入短序列，e为自然常数，Wf、Wi、WC、bf、bi、bC表示偏移常数；
短序列输入LSTM网络中，同时根据长序列的输出标签，调整偏移常数获得隐式模型。
7.如权利要求6所述的基于LSTM网络的非理想化柔索轴向张力解调方法，其特征在于：所述解调隐式模型包括将测试集输入解调隐式模型中进行模型验证，计算输出值与理想化柔索模型输出值的皮尔森相关系数，若相关系数在[0.7,0.8]之间表示模型正确，可以进行张力解调工作，将新的长序列切割为短序列，输入隐式模型中，得到输出值为张力测量值；
若相关系数＞0.8则视为隐式模型为理想化模型，检测LSTM网络的准确性，并重新进行计算；
若相关系数＜0.7则视为隐式模型构建错误，检测采集的状态量数据是否正确。
8.一种采用如权利要求1～7任一所述的基于LSTM网络的非理想化柔索轴向张力解调方法的系统，其特征在于：包括，状态量采集模块、模型训练模块、解调检测模块；
所述状态量采集模块是一种采集柔索力学数据的装置，用于固定并采集柔索得应力、角度、挠度数据；
所述模型训练模块是一种训练柔索轴向张力解调隐式模型的装置，负责构建数据集并进行数据集切割分配，通过LSTM网络构建非理想化柔索轴向张力解调隐式模型；
所述辅解调检测模块是一种检测模型准确性的装置，通过皮尔森相关系数判断模型是否正确并计算模型是否为理想化模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于LSTM网络的非理想化柔索轴向张力解调方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310558010.6A CN116595493A (zh) | 2023-05-17 | 2023-05-17 | 基于lstm网络的非理想化柔索轴向张力解调方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310558010.6A CN116595493A (zh) | 2023-05-17 | 2023-05-17 | 基于lstm网络的非理想化柔索轴向张力解调方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116595493A true CN116595493A (zh) | 2023-08-15 |
Family
ID=87598662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310558010.6A Pending CN116595493A (zh) | 2023-05-17 | 2023-05-17 | 基于lstm网络的非理想化柔索轴向张力解调方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116595493A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757103A (zh) * | 2023-08-23 | 2023-09-15 | 甘肃送变电工程有限公司 | 基于张力可视化的放线施工控制方法及系统 |
| CN117889919A (zh) * | 2024-03-15 | 2024-04-16 | 中铁电气化局集团有限公司 | 一种基础网拉线预配状态检测方法 |
-
2023
- 2023-05-17 CN CN202310558010.6A patent/CN116595493A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757103A (zh) * | 2023-08-23 | 2023-09-15 | 甘肃送变电工程有限公司 | 基于张力可视化的放线施工控制方法及系统 |
| CN116757103B (zh) * | 2023-08-23 | 2024-01-05 | 甘肃送变电工程有限公司 | 基于张力可视化的放线施工控制方法及系统 |
| CN117889919A (zh) * | 2024-03-15 | 2024-04-16 | 中铁电气化局集团有限公司 | 一种基础网拉线预配状态检测方法 |
| CN117889919B (zh) * | 2024-03-15 | 2024-05-14 | 中铁电气化局集团有限公司 | 一种基础网拉线预配状态检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116595493A (zh) | 基于lstm网络的非理想化柔索轴向张力解调方法及系统 | |
| CN101504324B (zh) | 拉索运营状态智能判别方法及系统 | |
| CN105973449B (zh) | 一种光纤振源识别方法、装置及系统 | |
| CN111912589B (zh) | 一种基于挠度影响线改变量识别梁结构损伤程度的方法 | |
| CN113310650B (zh) | 基于系梁挠度的拱桥吊索损伤识别方法、终端及存储介质 | |
| CN111609805A (zh) | 基于全分布应变测点断面曲率的隧道结构状态诊断方法 | |
| CN114218778A (zh) | 一种用于声爆试验数据的分析方法及装置 | |
| KR100682888B1 (ko) | 가중된 회귀모델 결정 방법 및 이를 이용한 혼합물의 성분농도 예측 방법 | |
| Aydin et al. | Damage detection in Timoshenko beam structures by multilayer perceptron and radial basis function networks | |
| Pacitti et al. | Cable tension identification via nonlinear static inverse problem | |
| CN113326744A (zh) | 一种航天器在轨状态异常检测方法及系统 | |
| Titscher et al. | Bayesian model calibration and damage detection for a digital twin of a bridge demonstrator | |
| CN103607219A (zh) | 一种电力线通信系统的噪声预测方法 | |
| CN115266583B (zh) | 环境光滤除方法、系统、计算机设备及计算机可读存储介质 | |
| CN107202661B (zh) | 一种基于伪最大公约数的拉索振动频阶识别方法 | |
| EP4242582A1 (en) | Device and method for calculating behavior of linear structure | |
| CN115101149A (zh) | 材料微观结构总能量预测方法 | |
| CN115222111A (zh) | 变压器健康状态评估方法、装置、设备及可读存储介质 | |
| CN101672664B (zh) | 一种变值系统误差检测系统及其检测方法 | |
| CN111352813A (zh) | 一种分布式存储使用容量预估方法及装置 | |
| Ntotsios et al. | Optimal sensor location methodology for structural identification and damage detection. | |
| Cao et al. | Deterministic structure in multichannel physiological data | |
| CN117571184B (zh) | 一种基于滑窗和聚类分析的桥梁结构索力识别方法及设备 | |
| CN114021403B (zh) | 基于应变模态的承力结构件损伤识别方法及系统 | |
| CN118114399A (zh) | 基于多模态退化特征融合的系统剩余寿命预测方法及系统 |
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 |