CN117648841A - 高容错纯光ct的误差预测方法及装置 - Google Patents

高容错纯光ct的误差预测方法及装置 Download PDF

Info

Publication number
CN117648841A
CN117648841A CN202311519772.1A CN202311519772A CN117648841A CN 117648841 A CN117648841 A CN 117648841A CN 202311519772 A CN202311519772 A CN 202311519772A CN 117648841 A CN117648841 A CN 117648841A
Authority
CN
China
Prior art keywords
model
prediction
pure light
data
error
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
Application number
CN202311519772.1A
Other languages
English (en)
Inventor
吴细秀
沈思源
庞福滨
陈实
吴士普
邱进
张彪
夏凌宇
詹祥崧
王朕滨
彭云兵
李园芳
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.)
State Grid Corp of China SGCC
Wuhan University of Technology WUT
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Wuhan University of Technology WUT
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
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 State Grid Corp of China SGCC, Wuhan University of Technology WUT, China Electric Power Research Institute Co Ltd CEPRI, State Grid Jiangsu Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202311519772.1A priority Critical patent/CN117648841A/zh
Publication of CN117648841A publication Critical patent/CN117648841A/zh
Pending legal-status Critical Current

Links

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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种高容错纯光CT的误差预测方法及装置，方法包括：获取高容错纯光CT的目标环境温度和振动幅值，并对所述目标环境温度和所述振动幅值进行分层处理，得到采样点数据，将所述采样点数据，输入到预设的有限元仿真模型，得到响应数据，将生成预测模型响应数据输入至数学近似模型，得到所述数学近似模型的输出量，对所述生成预测模型响应数据和所述数学近似模型的输出量进行数据拟合处理，得到预测模型，将所述待检测响应数据，输入到所述预测模型，得到误差预测结果，本发明提出了一种高容错纯光CT的误差预测方法，能够高效地预测极端环境下的纯光CT误差。

Description

高容错纯光CT的误差预测方法及装置
技术领域
本发明涉及纯光纤电流互感器误差预测技术领域，具体涉及一种高容错纯光CT的误差预测方法及装置。
背景技术
国家电网将进一步推进以输送清洁能源为主的特高压直流输电建设，因此对电力系统一、二次设备的绝缘水平和传统的电力信号测量方法提出了更高的要求。电流互感器是电网中的主要电力信号测量设备，因此需要确保其测量结果的准确性与设备运行的可靠程度。
纯光CT中的光纤传感环有采用1/4波片熔接技术进行偏振态转变，还有采用无熔接点一体化波片技术进行偏振态转变。采用波片一体化技术的渐变螺距保偏光纤的误差特性与传统采用1/4波片的光纤误差特性存在差异，需对其进行分析。同时纯光CT应用环境极端且多变，易出现测量结果存在误差的情况。因此，对纯光纤电流互感器测量误差进行预测不仅可以帮助明确采用不同波片技术的纯光CT误差特性的差异，还能提高纯光CT运行的可靠性，具有极其重要的实际应用意义。传统的工业预测方法大多是基于有限元或边界元模型，仿真计算过程冗余且繁杂，计算成本高，且无法实现实时预测。此外，在纯光CT误差特性领域尚未有学者对极端环境条件下的纯光CT测量误差预测开展研究。
在纯光CT误差特性领域尚未有学者对极端环境下的纯光CT测量误差开展研究，在现有技术中，工业预测方法大多是基于有限元或边界元模型，仿真计算过程冗余且繁杂，计算成本高，且无法实现实时预测，以及在纯光CT误差特性领域尚未有学者对极端环境条件下的纯光CT测量误差预测开展研究。
发明内容
有鉴于此，有必要提供一种高容错纯光CT的误差预测方法及装置，能够高效地预测极端环境下的纯光CI误差。
为了实现上述目的，本发明提供了如下技术方案：
第一方面，本发明提供了一种高容错纯光CT的误差预测方法，包括：
获取高容错纯光CT的目标环境温度和振动幅值，并对所述目标环境温度和所述振动幅值进行分层处理，得到采样点数据；
将所述采样点数据，输入到预设的有限元仿真模型，得到响应数据；所述响应数据包括生成预测模型响应数据和待检测响应数据；
将所述生成预测模型响应数据输入至数学近似模型，得到所述数学近似模型的输出量，对所述生成预测模型响应数据和所述数学近似模型的输出量进行数据拟合处理，得到预测模型；
将所述待检测响应数据，输入到所述预测模型，得到误差预测结果。
进一步地，所述获取高容错纯光CT的目标环境温度和振动幅值，并对所述目标环境温度和所述振动幅值进行分层处理，得到采样点数据，包括：
获取高容错纯光CT的目标环境温度和振动幅值，基于所述目标环境温度和所述振动幅值，得到采样点矩阵，基于拉丁超立方法对所述采样点矩阵进行分层均匀采样处理，得到采样点数据。
进一步地，所述数学近似模型包括：响应面模型、克立格模型以及径向基神经网络模型；所述对所述生成预测模型响应数据和所述数学近似模型的输出量进行拟合对应关系处理，得到预测模型，包括：
将所述生成预测模型响应数据分别与所述响应面模型的输出量、所述克立格模型的输出量以及所述径向基神经网络模型的输出量进行数据拟合处理，得到所述响应面模型对应的拟合优度、克立格模型对应的拟合优度以及径向基神经网络模型对应的拟合优度，并将所述响应面模型对应的拟合优度、所述克立格模型对应的拟合优度以及所述径向基神经网络模型对应的拟合优度中最大拟合优度对应的模型作为预测模型。
进一步地，
所述响应面模型的数学表达式如下：
式中：y为所述响应面模型的高容错纯光CT误差，x为所述目标环境温度和所述振动幅值，xi为第i组目标环境温度和振动幅值数据，xj为第j组目标环境温度和振动幅值数据，β0、βi、βij、βii、βijk、及βii...i分别为所述响应面模型的高容错纯光CT误差对应多项式系数，dm为所述响应面模型的最高阶数。
进一步地，
所述克立格模型的数学表达式如下：
y(x)＝fT(x)βkr+z(x)；
式中：y为所述克立格模型的高容错纯光CT误差，x为所述目标环境温度和所述振动幅值，f为所述克立格模型的全局回归函数向量，βkr为所述克立格模型的回归系数向量，及z为所述克立格模型的随机相关函数，且z的取值服从均值为零的正态分布。
进一步地，
所述径向基神经网络模型的数学表达式如下：
式中：y为所述径向基神经网络模型的高容错纯光CT误差，x为所述目标环境温度和所述振动幅值，nR为所述样本点个数，‖x-xs‖为所述目标环境温度和所述振动幅值和第s样本点xs的欧几里得范数，φ为所述径向基神经网络模型基函数，λs为第s样本点的基函数的权重系数，pj(x)为所述径向基神经网络模型多项式，K为所述径向基神经网络模型多项式个数，及Cj为所述径向基神经网络模型多项式系数。
进一步地，所述将所述响应面模型对应的拟合优度、所述克立格模型对应的拟合优度以及所述径向基神经网络模型对应的拟合优度中最大拟合优度对应的模型作为预测模型，包括：
将所述响应面模型对应的拟合优度的决定系数、所述克立格模型对应的拟合优度的决定系数以及所述径向基神经网络模型对应的拟合优度的决定系数中最大拟合优度的决定系数对应的模型作为预测模型。
进一步地，
所述决定系数的数学表达式如下：
式中：R2为所述拟合优度的决定系数，SSR为回归平方和，SSR为总离差平方和，n为所述总样本点数，yi、以及/>分别所述采样点数据、所述响应数据的平均值以及所述预测模型的高容错纯光CT误差。
进一步地，基于交叉验证法对所述误差预测结果进行评价处理，得到预测模型精度。
第二方面，本发明还提供了一种高容错纯光CT误差预测装置包括：
获取模块，用于获取高容错纯光CT的目标环境温度和振动幅值，并对所述目标环境温度和所述振动幅值进行分层处理，得到采样点数据；
处理模块，用于将所述采样点数据，输入到预设的有限元仿真模型，得到响应数据；所述响应数据包括生成预测模型响应数据和待检测响应数据；
输出模块，用于将所述生成预测模型响应数据输入至数学近似模型，得到所述数学近似模型的输出量，对所述生成预测模型响应数据和所述数学近似模型的输出量进行数据拟合处理，得到预测模型；
误差预测模块，用于将所述待检测响应数据，输入到所述预测模型，得到误差预测结果。
本发明提供的一种高容错纯光CT的误差预测方法及装置，获取高容错纯光CT的目标环境温度和振动幅值，并对所述目标环境温度和所述振动幅值进行分层处理，得到采样点数据，将所述采样点数据，输入到预设的有限元仿真模型，得到响应数据，所述响应数据包括生成预测模型响应数据和待检测响应数据，将所述生成预测模型响应数据输入至数学近似模型，得到所述数学近似模型的输出量，对所述生成预测模型响应数据和所述数学近似模型的输出量进行数据拟合处理，得到预测模型，并将所述待检测响应数据，输入到所述预测模型，得到误差预测结果。本申请提出的高容错纯光CT的误差预测方法，通过结合数学近似模型建立预测模型，用以代替原有的有限元多物理场耦合仿真模型，用高容错纯光CT的目标环境温度和振动幅值的范围作为极端环境的评价指标，同时对所述目标环境温度和所述振动幅值进行分层处理，得到具有代表性的采样点数据，将采样点数据输入到预测模型，得到误差预测结果。相比于现有技术，本申请提出了一种高容错纯光CT的误差预测方法，能够解决高效地预测极端环境下的纯光CI误差的技术问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种高容错纯光CT的误差预测方法一实施例的方法流程图；
图2为本发明提供的一种高容错纯光CT的误差预测方法一实施例的基于拉丁超立方法采样点生成流程图；
图3为本发明提供的一种高容错纯光CT的误差预测方法一实施例的预测模型建立流程图；
图4为本发明提供的一种高容错纯光CT的误差预测方法一实施例的预测模型精度评价流程图；
图5为本发明提供的一种高容错纯光CT的误差预测方法一实施例的装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本发明实施例中术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本发明实施例中出现的对步骤进行的命名或者编号，并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤，已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序，只要能达到相同或者相类似的技术效果即可。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种高容错纯光CT的误差预测方法，以下分别进行说明。
图1为本发明提供的一种高容错纯光CT的误差预测方法一实施例的方法流程图，包括：
S110、获取高容错纯光CT的目标环境温度和振动幅值，并对所述目标环境温度和所述振动幅值进行分层处理，得到采样点数据；
S120、将采样点数据，输入到预设的有限元仿真模型，得到响应数据；响应数据包括生成预测模型响应数据和待检测响应数据；
S130、将所述生成预测模型响应数据输入至数学近似模型，得到所述数学近似模型的输出量，对所述生成预测模型响应数据和所述数学近似模型的输出量进行数据拟合处理，得到预测模型；
S140、将待检测响应数据，输入到预测模型，得到误差预测结果。
可以理解的是，在纯光CT误差预测模型中，以影响纯光CT误差特性的主要影响因素，即高容错纯光CT的环境温度和振动幅值作为决策变量，以测量误差结果作为目标函数，同时基于拉丁超立方法生成具有代表性的采样点，将采样点数据带入光路部分的有限元仿真模型后经过仿真计算得到各采样点代表的响应值数据，选择其中90％的数据作为生成预测模型响应数据，并采用近似建模技术结合三种数学近似模型建立纯光CT误差特性预测模型，最后，以决定系数和均方根误差作为评价指标，采用其余10％的待检测响应数据带入生成预测模型进行交叉验证法对生成模型预测结果的精度进行评价，同时将预测模型预测结果与误差特性试验真实数据进行对比验证，证明预测模型具有较高的预测精度，将纯光CT温度循环试验与振动试验的试验测量结果作为基础数据，以预测模型作为验证数据，随机在变量空间中选择两点作为验证点，目标函数的真实测量值与预测值误差为10％以内，从而验证预测模型精度。高容错为高容错玻片一体化纯光CT，对传统1/4波片技术而言纯光CT改进了其中波片部分的技术，使用了一体化波片技术，将这种新型的纯光CT称为高容错纯光CT。
图2为本发明提供的一种高容错纯光CT的误差预测方法一实施例的基于拉丁超立方法采样点生成流程图，包括：
获取高容错纯光CT的目标环境温度和振动幅值，基于所述目标环境温度和所述振动幅值，得到采样点矩阵，基于拉丁超立方法对采样点矩阵进行分层均匀采样处理，得到采样点数据。
可以理解的是，首先通过工程实际中环境温度T和振动幅值P的范围确定决策变量的取值范围。所选择的决策变量x1表示环境温度T，决策变量x2表示振动幅值P，决策变量空间为(x1，x2)，即采样点维数P＝2；根据各个决策变量的取值范围，在决策变量空间(x1，x2)中选择大量采样点进行分析，为保证采样点能覆盖全部决策变量取值范围，应控制采样点数量N在100组以上，同时考虑数量过多造成采样点响应数据计算过程繁琐的问题，采样点数量N不宜过多。得到采样点矩阵(N×P)的大小后，根据拉丁超立方法分层均匀采样原理，在决策变量空间中进行采样，最终得到的采样点分布。拉丁超立方法作为一种分层均匀采样方法，其原理是将原本庞大的变量采样空间均匀等分为若干个小的变量采样空间，在各个小变量采样空间中再进行随机采样。具体而言，假设现有p个变量x1，x2，…，xp，需要在各个变量取值范围内采取N个样本量。将每个变量的采样空间均匀等分为相同的N个小区间，而后在每个小区间内随机选择一个值。最终，每个变量采样空间中都会得到均匀分布的N个值，再将各个变量的采样点随机组合，即可在整个变量空间中得到均匀且随机分布的N个样本量。与随机采样不同的是，拉丁超立方法使每一个边缘分布尽可能最大化分层，从而保证每一个变量的采样点都能在取值范围内全覆盖，可以保证在全部变量空间的任一维度的任一区间内有且仅有一个采样点投影，在变量空间的边界上和内部都能保证采样的均匀性。
图3为本发明提供的一种高容错纯光CT的误差预测方法一实施例的预测模型建立流程图，包括：
数学近似模型包括：响应面模型、克立格模型以及径向基神经网络模型；
将生成预测模型响应数据分别与响应面模型的输出量、克立格模型的输出量以及径向基神经网络模型的输出量进行数据拟合处理，得到响应面模型对应的拟合优度、克立格模型对应的拟合优度以及径向基神经网络模型对应的拟合优度，并将响应面模型对应的拟合优度、克立格模型对应的拟合优度以及径向基神经网络模型对应的拟合优度中最大拟合优度对应的模型作为预测模型。
可以理解的是：通过拉丁超立方法获取到具有代表性的采样点，根据对纯光CT光路部分建立的有限元多物理场耦合仿真模型，将采样点带入后仿真计算得到各采样点代表的响应值数据。由于在预测模型建立过程中，选择的数学近似方法不同所得到的预测模型间的精度差异较大，存在过拟合和欠拟合的问题，因此，采用不同数学近似方法得到预测模型进行后对比其拟合优度，明确最适合的数学近似模型，具体说明下，在响应面模型对应的拟合优度、克立格模型对应的拟合优度以及径向基神经网络模型对应的拟合优度中最大拟合优度为响应面模型对应的拟合优度，则响应面模型作为预测模型。
进一步地，
响应面模型的数学表达式如下：
式中：y为所述响应面模型的高容错纯光CT误差，x为所述目标环境温度和所述振动幅值，存在多组数据，xi为第i组目标环境温度和振动幅值数据，xj为第j组目标环境温度和振动幅值数据，dm为所述响应面模型的最高阶数，β0、βi、βij、βii、βijk、及βii…i分别为所述响应面模型的高容错纯光CT误差对应多项式系数，β＝[XTX]-1XTY为系统向量，X为多项式矩阵，Y为采样点响应值向量，不同阶数的响应面模型所需的最少样本点数分别为：Md+1，(Md+1)(Md+2)/2，(Md+1)(Md+2)/2+Md，(Md+1)(Md+2)/2+2Md及Md为设计变量个数；
其中：
式中：RSS为残差平方和，yi为实际样本数据，及为预测模型的计算数据。
可以理解的是，响应面模型的原理为通过采用不同阶数的多项式拟合各个决策变量与目标函数之间的数学关系，具有数学模型简单、计算速度快等优点；当响应面模型阶数较高时，其表达式中多项式成分往往较多，某些成分对于模型的影响较小，冗余的多项式成分会导致模型计算效率低，因此，对于高阶的多项式响应面模型往往通过残差平方和(Residual Sum of Squares,RSS)的计算舍去冗余的多项式成分，从而达到筛选最终响应面模型表达式的目的。本申请选用的数学近似模型中，响应面模型多项式最高阶数选择三阶。
进一步地，
克立格模型的数学表达式如下：
y(x)＝fT(x)βkr+z(x)；
式中：y为所述克立格模型的高容错纯光CT误差，x为所述目标环境温度和所述振动幅值，f为所述克立格模型的全局回归函数向量，βkr为所述克立格模型的回归系数向量，及z为所述克立格模型的随机相关函数，且z的取值服从均值为零的正态分布；
其中，
Cov[z(xi),z(xj)]＝σ2R(xi,xj)；
式中：Cov[z(xi),z(xj)]为z的协方差，σ2为随机函数的方差，及R(xi,xj)为相关函数；
再进一步地，R函数的常见种类分别为：线性相关函数、指数相关函数、高斯相关函数以及球形相关函数；
其中，
线性相关函数表达式为：
指数相关函数表达式为：
高斯相关函数表达式为：
球形相关函数表达式为：
可以理解的是，克里格模型以变异函数理论为基础，可以对决策变量进行无偏估计。本申请选用的数学近似模型中，克里格模型选择高斯相关函数。
进一步地，
径向基神经网络模型的数学表达式如下：
其中，激活函数的常见形式包括：三次型、高斯型、多元二次型以及逆多元二次型；
三次型表达式为：φ(r)＝r3；
高斯型表达式为：
多元二次型表达式为：
逆多元二次型表达式为：
式中：y为所述径向基神经网络模型的高容错纯光CT误差，x为所述目标环境温度和所述振动幅值，nR为所述样本点个数，‖x-xs‖为所述目标环境温度和所述振动幅值和第s样本点xs的欧几里得范数，φ为所述径向基神经网络模型基函数，λs为第s样本点的基函数的权重系数，pj(x)为所述径向基神经网络模型多项式，K为所述径向基神经网络模型多项式个数，及Cj为所述径向基神经网络模型多项式系数。
可以理解的是，径向基神经网络模型是一种包含了输入层、隐含层和输出层的三层神经网络，其非线性函数逼近能力较强，且具有较强的泛化能力。径向基神经网络模型从输入层到隐含层的变化过程具有非线性的特点，而从隐含层再到输出层则具有线性特点。本申请选用的数学近似模型中，径向基神经网络激活函数选择径向基。
图4为本发明提供的一种高容错纯光CT的误差预测方法一实施例的预测模型精度评价流程图，包括：
将所述响应面模型对应的拟合优度的决定系数、所述克立格模型对应的拟合优度的决定系数以及所述径向基神经网络模型对应的拟合优度的决定系数中最大拟合优度的决定系数对应的模型作为预测模型。
其中，决定系数的表达式如下：
式中：R2为所述拟合优度的决定系数，SSR为回归平方和，SSR为总离差平方和，n为所述总样本点数，yi、以及/>分别所述采样点数据、所述响应数据的平均值以及所述预测模型的高容错纯光CT误差；
再进一步地，拟合优度的评价指标还包括：误差平方和、均方差、标准均方根误差、回归平方和以及总离差平方和；
其中，
误差平方和表达式为：
均方差表达式为：
标准均方根误差表达式为：
回归平方和表达式为：
总离差平方和表达式为：
再进一步地，基于交叉验证法对所述误差预测结果进行评价处理，得到预测模型精度。
可以理解的是，在预测模型的建立过程中，往往会由于采样点获取方法选择不当导致采样点在决策变量空间中并不具有足够代表性，或由于数学近似模型选择不当导致模型并不能很好的拟合所解决问题的抽象对应关系。因此，最终得到的预测模型常常会出现过拟合或欠拟合的问题。为了得到满足拟合精度要求的预测模型，往往需要采用一定的评价方法对预测模型精度的优劣进行评价。预测模型的评价一般从模型区分度和拟合优度两方面开展评价，一般情况下，预测模型应先满足区分度的要求，再满足拟合优度的要求。考虑到本申请中预测模型的作用主要是为了替代计算成本高昂的有限元多物理场耦合仿真模型，其中涉及到模型回归问题，更需要考察预测模型拟合精度；交叉验证法(CrossValidation)常用于验证模型参数是否要求，其原理是将大量的采样点数据拆分为大小两部分，数据量大的部分用于建模分析，数据量小的部分用于验证所构建的模型是否符合要求，并通过与模型的误差作为评估指标。根据本发明内容侧重于纯光CT测量精度的预测，因此以决定系数(R2)和均方根误差(RMSE)作为预测模型拟合优度的评价指标，一般以R2>0.9且RMSE<0.2作为评价指标的接受界限，当指标满足接受界限时，即可认为预测模型的精度符合要求，本发明主要通过比较三种数学模型选出其中满足接受界限且误差精度最小的预测模型。建模过程是基于有限的采样点数据进行的，如果直接采纳预测结果可能会导致一定的误差，因此需要与真实试验数据进行对比加以验证与改进，进而降低误差影响。以振动试验与温度循环试验的测量结果作为基础数据，以预测模型作为验证数据。将预测结果与仿真结果情况进行对比，在变量空间中随机选择两点作为验证点，比较目标函数的真实测量值与预测值的误差。通过验证结果确定预测模型预测结果的预测精度。
为了更好实施本发明实施例中的一种高容错纯光CT的误差预测方法，在该方法基础上，对应的，请参阅图5，图5为本发明提供的装置500的一个实施例结构示意图，包括：
获取模块501，用于获取高容错纯光CT的目标环境温度和振动幅值，并对所述目标环境温度和所述振动幅值进行分层处理，得到采样点数据；
处理模块502，用于将采样点数据，输入到预设的有限元仿真模型，得到响应数据；所述响应数据包括生成预测模型响应数据和待检测响应数据；
输出模块503，用于将所述生成预测模型响应数据输入至数学近似模型，得到所述数学近似模型的输出量，对所述生成预测模型响应数据和所述数学近似模型的输出量进行数据拟合处理，得到预测模型；
匹配模块504，用于将待检测响应数据，输入到预测模型，得到误差预测结果。
上述实施例提供的一种高容错纯光CT误差预测装置可实现上述一种高容错纯光CT的误差预测方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述高容错纯光CT误差预测方法实施例中的相应内容，此处不再赘述。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以事实，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或装饰，均在本发明的保护范围之内。

Claims (10)

1.一种高容错纯光CT的误差预测方法，其特征在于，包括：
获取高容错纯光CT的目标环境温度和振动幅值，并对所述目标环境温度和所述振动幅值进行分层处理，得到采样点数据；
将所述采样点数据，输入到预设的有限元仿真模型，得到响应数据；所述响应数据包括生成预测模型响应数据和待检测响应数据；
将所述生成预测模型响应数据输入至数学近似模型，得到所述数学近似模型的输出量，对所述生成预测模型响应数据和所述数学近似模型的输出量进行数据拟合处理，得到预测模型；
将所述待检测响应数据，输入到所述预测模型，得到误差预测结果。
2.根据权利要求1所述的高容错纯光CT的误差预测方法，其特征在于，所述获取高容错纯光CT的目标环境温度和振动幅值，并对所述目标环境温度和所述振动幅值进行分层处理，得到采样点数据，包括：
获取高容错纯光CT的目标环境温度和振动幅值，基于所述目标环境温度和所述振动幅值，得到采样点矩阵，基于拉丁超立方法对所述采样点矩阵进行分层均匀采样处理，得到采样点数据。
3.根据权利要求1所述的高容错纯光CT的误差预测方法，其特征在于，数学近似模型包括：响应面模型、克立格模型以及径向基神经网络模型；所述对所述生成预测模型响应数据和所述数学近似模型的输出量进行数据拟合处理，得到预测模型，包括：
将所述生成预测模型响应数据分别与所述响应面模型的输出量、所述克立格模型的输出量以及所述径向基神经网络模型的输出量进行数据拟合处理，得到所述响应面模型对应的拟合优度、所述克立格模型对应的拟合优度以及所述径向基神经网络模型对应的拟合优度，并将所述响应面模型对应的拟合优度、所述立格模型对应的拟合优度以及所述径向基神经网络模型对应的拟合优度中最大拟合优度对应的模型作为预测模型。
4.根据权利要求3所述的高容错纯光CT的误差预测方法，其特征在于，
所述响应面模型的数学表达式如下：
式中：y为所述响应面模型的高容错纯光CT误差，x为所述目标环境温度和所述振动幅值，xi为第i组目标环境温度和振动幅值数据，xj为第j组目标环境温度和振动幅值数据，β0、βi、βij、βii、βijk及βii…i分别为所述响应面模型的高容错纯光CT误差对应多项式系数，dm为所述响应面模型的最高阶数。
5.根据权利要求3所述的高容错纯光CT的误差预测方法，其特征在于，
所述克立格模型的数学表达式如下：
y(x)＝fT(x)βkr+z(x)；
式中：y为所述克立格模型的高容错纯光CT误差，x为所述目标环境温度和所述振动幅值，f为所述克立格模型的全局回归函数向量，βkr为所述克立格模型的回归系数向量及z为所述克立格模型的随机相关函数，且z的取值服从均值为零的正态分布。
6.根据权利要求3所述的高容错纯光CT的误差预测方法，其特征在于，
所述径向基神经网络模型的数学表达式如下：
式中：y为所述径向基神经网络模型的高容错纯光CT误差，x为所述目标环境温度和所述振动幅值，nR为所述样本点个数，||x-xs||为所述目标环境温度和所述振动幅值和第s样本点xs的欧几里得范数，φ为所述径向基神经网络模型基函数，λs为第s样本点的基函数的权重系数，pj(x)为所述径向基神经网络模型多项式，K为所述径向基神经网络模型多项式个数及Cj为所述径向基神经网络模型多项式系数。
7.根据权利要求3所述的高容错纯光CT的误差预测方法，其特征在于，所述将所述响应面模型对应的拟合优度、所述克立格模型对应的拟合优度以及所述径向基神经网络模型对应的拟合优度中最大拟合优度对应的模型作为预测模型，包括：
将所述响应面模型对应的拟合优度的决定系数、所述克立格模型对应的拟合优度的决定系数以及所述径向基神经网络模型对应的拟合优度的决定系数中最大拟合优度的决定系数对应的模型作为预测模型。
8.根据权利要求7所述的高容错纯光CT的误差预测方法，其特征在于，
所述决定系数的数学表达式如下：
式中：R2为所述拟合优度的决定系数，SSR为回归平方和，SSR为总离差平方和，n为所述总样本点数，以及/>分别所述采样点数据、所述响应数据的平均值以及所述预测模型的高容错纯光CT误差。
9.根据权利要求1所述的高容错纯光CT的误差预测方法，其特征在于，
基于交叉验证法对所述误差预测结果进行评价处理，得到预测模型精度。
10.一种高容错纯光CT的误差预测装置，其特征在于，包括：
获取模块，用于获取高容错纯光CT的目标环境温度和振动幅值，并对所述目标环境温度和所述振动幅值进行分层处理，得到采样点数据；
处理模块，用于将所述采样点数据，输入到预设的有限元仿真模型，得到响应数据；所述响应数据包括生成预测模型响应数据和待检测响应数据；
输出模块，用于将所述生成预测模型响应数据输入至数学近似模型，得到所述数学近似模型的输出量，对所述生成预测模型响应数据和所述数学近似模型的输出量进行数据拟合处理，得到预测模型；
误差预测模块，用于将所述待检测响应数据，输入到所述预测模型，得到误差预测结果。
CN202311519772.1A 2023-11-13 2023-11-13 高容错纯光ct的误差预测方法及装置 Pending CN117648841A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311519772.1A CN117648841A (zh) 2023-11-13 2023-11-13 高容错纯光ct的误差预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311519772.1A CN117648841A (zh) 2023-11-13 2023-11-13 高容错纯光ct的误差预测方法及装置

Publications (1)

Publication Number Publication Date
CN117648841A true CN117648841A (zh) 2024-03-05

Family

ID=90046966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311519772.1A Pending CN117648841A (zh) 2023-11-13 2023-11-13 高容错纯光ct的误差预测方法及装置

Country Status (1)

Country Link
CN (1) CN117648841A (zh)

Similar Documents

Publication Publication Date Title
Gagne et al. Machine learning for stochastic parameterization: Generative adversarial networks in the Lorenz'96 model
CN116150897A (zh) 一种基于数字孪生的机床主轴性能测评方法及系统
CN113591215B (zh) 基于不确定性的异常卫星组件布局检测方法
CN101413791A (zh) 在光学计量中用近似和精细衍射模型确定结构的轮廓参数
Chen et al. Data-driven robust state estimation through off-line learning and on-line matching
CN113177290B (zh) 基于深度代理模型归一化的卫星组件温度场预测方法
Kong et al. A remote estimation method of smart meter errors based on neural network filter and generalized damping recursive least square
Haupt et al. A Genetic Algorithm Method to Assimilate Sensor Data for a Toxic Contaminant Release.
CN111209316A (zh) 一种信息素养数据挖掘方法、装置、电子设备及存储介质
Song et al. Remaining Useful Life Prediction Method Based on the Spatiotemporal Graph and GCN Nested Parallel Route Model
Li et al. A new multi-fidelity surrogate modelling method for engineering design based on neural network and transfer learning
Zhexue et al. Multistage Bayesian fusion evaluation technique endorsing immersive virtual maintenance
CN115062551B (zh) 一种基于时序神经网络的湿物理过程参数化方法
CN117436334A (zh) 一种油浸式电力变压器温度场的仿真方法及系统
CN114880734A (zh) 一种基于bp-lstm的钢混组合桥面系温度场及温度效应预测方法
CN109858187B (zh) 基于正则化方式建立卫星温度场的克里金代理模型的方法
CN117648841A (zh) 高容错纯光ct的误差预测方法及装置
CN113762534B (zh) 一种建筑冷热负荷预测方法、装置、设备及存储介质
Guo et al. Optimal design of groundwater pollution monitoring network based on a back-propagation neural network surrogate model and grey wolf optimizer algorithm under uncertainty
Daras et al. Systemic geopolitical modeling. Part 1: prediction of geopolitical events
CN112307670A (zh) 基于bagging集成神经网络的压水堆堆芯参数预测模型设计方法
CN115184055A (zh) 一种分级测试性优化的测试集确定方法及系统
Li et al. Application of combination forecasting model in aircraft failure rate forecasting
Chen et al. BP neural network-based model for evaluating user interfaces of human-computer interaction system
Zhao et al. Reinforcement learning method for machining deformation control based on meta-invariant feature space

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