CN117952019A - 基于srt的多点频域振动响应预测方法、装置、设备及介质 - Google Patents
基于srt的多点频域振动响应预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117952019A CN117952019A CN202410335784.7A CN202410335784A CN117952019A CN 117952019 A CN117952019 A CN 117952019A CN 202410335784 A CN202410335784 A CN 202410335784A CN 117952019 A CN117952019 A CN 117952019A
- Authority
- CN
- China
- Prior art keywords
- frequency
- domain
- vibration response
- response prediction
- srt
- 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
- 230000004044 response Effects 0.000 title claims abstract description 194
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013508 migration Methods 0.000 claims abstract description 79
- 230000005012 migration Effects 0.000 claims abstract description 79
- 238000013528 artificial neural network Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000000691 measurement method Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- 238000013526 transfer learning Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供的基于SRT的多点频域振动响应预测方法、装置、设备及介质，涉及多点频域振动响应预测领域，通过获取频率序列中每个频率下的振动响应频域数据样本集，用一频率下的振动响应频域数据训练一个多输入多输出的神经网络振动响应预测模型，并将训练好的预测模型作为源域，采用MMD及方差散度方法，得到不同频率的数据差异之后，使用SRT算法，得到最佳的迁移学习顺序；根据该顺序进行模型迁移学习，将上一个训练学习得到的模型参数作为下一个目标频率网络模型权值的初值并微调，达到模型迁移的目的。本发明考虑到源域和目标域之间的差异性和相似性，解决了在迁移过程中出现辅助域与目标域相差较大而出现负迁移的现象，响应预测的精度更高且速度快。
Description
技术领域
本发明涉及多点频域振动响应预测领域，具体而言，涉及一种基于SRT的多点频域振动响应预测方法、装置、设备及介质。
背景技术
现有技术中，基于数据驱动的频域振动响应预测方案均为每个频率独立建模，进行独立训练，如此效率低、训练时间长、鲁棒性差。由于不同频率的响应预测网络模型结构与学习机制相同，唯一不同之处在于训练权值，但不同频率的训练权值有所相似。为了提高训练效率与精度，避免每个频率训练时独立建模，因此提出结合迁移学习进行改进。
现有专利文件CN113779506A《基于深度迁移学习的多点频域振动响应预测方法及系统》，解决了矩阵病态求逆的问题，但该专利采用频率升序或降序排列的顺序进行迁移，在迁移时忽略了源域和目标域之间的差异性和相似性，导致在迁移过程中出现辅助域与目标域相似度相差较大而出现负迁移问题；此外，迁移顺序的选择一直以来都是迁移学习中不可忽视的环节，目前迁移学习的研究内容在域间距离的度量上做的并不充分，未给出一个合适目标问题的综合迁移顺序。
有鉴于此，申请人在研究了现有的技术后特提出本申请。
发明内容
本发明旨在提供一种基于SRT的多点频域振动响应预测方法、装置、设备及介质，以改善上述问题。
为解决上述技术问题，本发明通过以下技术方案实现：
一种基于SRT的多点频域振动响应预测方法，包括：
S1,获取频率序列中每个频率下的振动响应频域数据样本集，所述振动响应频域数据样本集包括作为输入的多个已知测点的自功率谱样本和作为输出的多个未知测点的自功率谱样本；
S2,采用频率序列中第一个频率下的振动响应频域数据样本集训练多输入多输出的神经网络振动响应预测模型，得到训练好的第一个频率的神经网络振动响应预测模型和权值参数；
S3,将训练好的第一个频率的神经网络振动响应预测模型作为源域，并给定一个目标域，所述源域和所述目标域是同构的,即所述源域和所述目标域具有相同的特征空间和不同的分布,采用最大均值差异距离MMD相似性度量方法来估计源域和目标域的边缘概率，以衡量每一个候选源域和目标域之间的相似程度，得到RKHS空间特征映射下目标域与源域的MMD距离；
S4,根据所述MMD距离，采用方差散度方法得到不同频率的数据差异，以考虑不同域之间实例对距离的差异性，从不同维度衡量域间的差异；
S5,根据所述不同频率的数据差异，得到不同频率的响应预测数据差异矩阵，采用模拟快速遍历树SRT算法，得到最佳的迁移顺序；
S6,在第一次模型迁移时，将所述第一个频率的神经网络振动响应预测模型的权值参数迁移至下一个目标频率的多输入多输出的神经网络振动响应预测模型中，并利用下一个目标频率的振动响应频域数据样本集进行微调训练，获得下一个目标频率的神经网络振动响应预测模型和权值参数；
S7,根据第一次模型迁移时的操作，按照所述最佳的迁移顺序对所述频率序列中余下频率数据进行模型迁移训练，直到获得频率序列中最后一个频率的神经网络振动响应预测模型，从而得到基于SRT的多点频域振动响应预测模型，将需要预测的振动响应频域数据输入训练好的基于SRT的多点频域振动响应预测模型中，输出预测值，实现基于SRT的多点频域振动响应预测。
优选地,定义第一个频率，所述神经网络振动响应预测模型的输入为所述频率/>下/>个已知振动响应测点的数据，表达式为：
其中，，/>是总频率个数，/>表示ω频率下第i个已知测点的自功率谱；
所述神经网络振动响应预测模型的输出为所述频率下/>个未知振动响应测点的数据，表达式为：
其中， ，/>，/>是训练样本总数量，/>表示/>频率下第j个未知测点的自功率谱。
优选地,所述S3进一步具体为：
将训练好的第一个频率的神经网络振动响应预测模型作为源域，所述源域包括一个或多个候选源域，则所有候选源域的集合为：
其中，表示/>个候选源域，第/>个候选源域表示为：/> ；
给定一个目标域表示为；
其中，目标域和每个候选源域/>具有相同的特征空间和不同的边缘概率和分布/>；
采用最大均值差异距离MMD相似性度量方法来估计目标域与源域的边缘概率，求出RKHS空间下目标域与源域的实例对距离，以衡量每一个候选源域和目标域之间的相似程度；
通过计算目标域和第/>个候选源域之间/>的MMD距离的经验估计，从而得到目标域与源域的实例对距离/>，为了便于计算，计算MMD距离的平方，公式如下：
其中，Ж是特征的原始空间到RKHS空间的特征映射函数，是RKHS空间的参数化。
优选地,所述S4进一步具体为：
将RKHS空间下目标域与源域的实例对距离融入方差散度得到不同频率数据差异，公式如下：
其中，表示MMD_VD变分距离，/>表示方差散度，/>表示平衡参数。
优选地,所述S5进一步具体为：
根据MMD度量和方差散度结合计算得到不同频率数据差异，得到一个不同频率的响应预测数据差异矩阵，为了利用矩阵求解最佳迁移顺序，最小化整个顺序的MMD_VD距离进行优化目标，得到MMD_VD距离矩阵；
根据MMD_VD距离矩阵，使用模拟快速遍历树SRT算法，生成最小树后进行先序遍历，得到最佳的迁移顺序。
优选地,还包括在生成最小树时，将第一个频率作为根节点，若干个子树作为子节点添加到生成树中。
优选地，所述微调训练是在迁移过程中，将目标域的载荷数据与响应数据输入到冻结的网络中，将上一个频率训练好的权值作为该目标频率的网络模型权值初值，对网络后面两层的全连接层进行微调，从而达到模型迁移的目的。
本发明还提供了一种基于SRT的多点频域振动响应预测装置，包括：
数据样本获取模块,用于获取频率序列中每个频率下的振动响应频域数据样本集，所述振动响应频域数据样本集包括作为输入的多个已知测点的自功率谱样本和作为输出的多个未知测点的自功率谱样本；
首次训练模块,用于得到训练好的第一个频率的神经网络振动响应预测模型,采用频率序列中第一个频率下的振动响应频域数据样本集训练多输入多输出的神经网络振动响应预测模型，得到训练好的第一个频率的神经网络振动响应预测模型和权值参数；
MMD距离计算模块,用于获得目标域与源域的MMD距离，将训练好的第一个频率的神经网络振动响应预测模型作为源域，并给定一个目标域，所述源域和所述目标域是同构的,即所述源域和所述目标域具有相同的特征空间和不同的分布,采用最大均值差异距离MMD相似性度量方法来估计源域和目标域的边缘概率，以衡量每一个候选源域和目标域之间的相似程度，得到RKHS空间特征映射下目标域与源域的MMD距离；
方差散度计算模块,用于获得不同频率的数据差异,根据所述MMD距离，采用方差散度方法得到不同频率的数据差异，以考虑不同域之间实例对距离的差异性，从不同维度衡量域间的差异；
SRT计算模块，用于获得最佳的迁移顺序，根据所述不同频率的数据差异，得到不同频率的响应预测数据差异矩阵，采用模拟快速遍历树SRT算法，得到最佳的迁移顺序；
第一次模型迁移模块,用于获得下一个目标频率的神经网络振动响应预测模型，在第一次模型迁移时，将所述第一个频率的神经网络振动响应预测模型的权值参数迁移至下一个目标频率的多输入多输出的神经网络振动响应预测模型中，并利用下一个目标频率的振动响应频域数据样本集进行微调训练，获得下一个目标频率的神经网络振动响应预测模型和权值参数；
迁移学习完成模块,用于获得基于SRT的多点频域振动响应预测模型，根据第一次模型迁移时的操作，按照所述最佳的迁移顺序对所述频率序列中余下频率数据进行模型迁移训练，直到获得频率序列中最后一个频率的神经网络振动响应预测模型，从而得到基于SRT的多点频域振动响应预测模型，将需要预测的振动响应频域数据输入训练好的基于SRT的多点频域振动响应预测模型中，输出预测值，实现基于SRT的多点频域振动响应预测。
本发明还提供了一种基于SRT的多点频域振动响应预测设备，包括处理器以及存储器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上所述的一种基于SRT的多点频域振动响应预测方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被计算机可读存储介质所在设备的处理器执行时实现如上所述的一种基于SRT的多点频域振动响应预测方法。
综上所述，与现有技术相比，本发明具有如下有益效果：本发明用某一频率下的振动响应频域数据训练一个多输入多输出的神经网络振动响应预测模型；将训练好的神经网络振动响应预测模型作为源域，采用最大均值差异距离MMD相似性度量方法来估计边缘概率，以衡量每一个候选源域和目标域之间的相似程度；在MMD相似性度量方法计算结果的基础上引入方差散度方法，以考虑不同域之间实例对距离的差异性；根据MMD度量和方差散度方法计算得到不同频率的数据差异之后，使用模拟快速遍历树SRT算法，得到最佳的迁移顺序；根据最佳的迁移顺序进行模型迁移学习，将上一个训练得到的模型参数迁移到目标频率处作为目标频率网络模型权值初值并微调，达到模型迁移的目的。本发明考虑到源域和目标域之间的差异性和相似性，解决了在迁移过程中出现辅助域与目标域相似度相差较大而出现负迁移的现象，相比顺序迁移学习或随机顺序迁移学习等方法，采用该模型进行响应预测的精度更高且速度快。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。
图1为本发明第一实施例提供的一种基于SRT的多点频域振动响应预测方法的流程图。
图2为本发明第一实施例提供的模型训练时相邻频率响应振幅图。
图3为本发明第一实施例提供的基于迁移学习结合神经网络的振动响应预测模型流程图。
图4为本发明第一实施例提供的SRT通过生成树生成的最佳迁移顺序示例图。
图5为本发明第一实施例提供的固定层迁移形式流程图。
图6本发明第二实施例提供的一种基于SRT的多点频域振动响应预测装置的结构示意图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
实施例一
如图1所示，本发明实施例一提供了一种基于SRT的多点频域振动响应预测方法，其可以由一种基于SRT的多点频域振动响应预测设备（以下简称预测设备）来实现，特别的，由所述预测设备内一个或者多个处理器来执行，以实现步骤S1至S7。
在本实施例中，所述预测设备可为计算机、工作站、服务器等具有数据运算处理能力的计算设备，本发明不做具体限定。
S1,获取频率序列中每个频率下的振动响应频域数据样本集，所述振动响应频域数据样本集包括作为输入的多个已知测点的自功率谱样本和作为输出的多个未知测点的自功率谱样本。
S2,采用频率序列中第一个频率下的振动响应频域数据样本集训练多输入多输出的神经网络振动响应预测模型，得到训练好的第一个频率的神经网络振动响应预测模型和权值参数。
在本实施例中，定义第一个频率，/>是总频率个数，所述神经网络振动响应预测模型的输入为所述频率/>下/>个已知振动响应测点的数据，表达式为：
其中，，/>表示ω频率下第i个已知测点的自功率谱；
所述神经网络振动响应预测模型的输出为所述频率下/>个未知振动响应测点的数据，表达式为：
其中， ，/>，/>是训练样本总数量，/>表示/>频率下第j个未知测点的自功率谱。
S3,将训练好的第一个频率的神经网络振动响应预测模型作为源域，并给定一个目标域，所述源域和所述目标域是同构的,即所述源域和所述目标域具有相同的特征空间和不同的分布,采用最大均值差异距离MMD相似性度量方法来估计源域和目标域的边缘概率，以衡量每一个候选源域和目标域之间的相似程度，得到RKHS空间特征映射下目标域与源域的MMD距离；
S3进一步具体为：
将训练好的第一个频率的神经网络振动响应预测模型作为源域，若已将源域迁移到其他目标域，则在本次模型迁移中将存在多个候选源域，因此，所述源域包括一个或多个候选源域，则所有候选源域的集合为：
其中，表示/>个候选源域，第/>个候选源域表示为：/>；
给定一个目标域表示为；
其中，目标域和每个候选源域/>具有相同的特征空间和不同的边缘概率和分布/>。
采用最大均值差异距离MMD相似性度量方法来估计目标域与源域的边缘概率，求出RKHS空间下目标域与源域的实例对距离，以衡量每一个候选源域和目标域之间的相似程度。
通过计算目标域和第/>个候选源域之间/>的MMD距离的经验估计，从而得到目标域与源域的实例对距离/>，为了便于计算，计算MMD距离的平方，公式如下：
其中，Ж是特征的原始空间到RKHS空间的特征映射函数，是RKHS空间的参数化。
在本实施例中，如果按频率顺序选择辅助模型训练时，相邻频率间数据分布相似度较低；如图2所示，在固有频率（例如第1700Hz左右）附近，相邻频率数据概率分布差异较大；如果采用如图3所示的基于迁移学习结合神经网络对振动响应预测模型，按相邻频率进行迁移，按照频率顺序进行模型的迁移可能会导致负迁移现象。因此需要用合理的相似性度量方法来度量源域和目标域之间的相似性和差异性。
在本实施例中，MMD相似性度量是一种非参数度量的方法，其本质在于将不同域的特征从原始的空间映射到RKHS空间，并对新空间下目标域与源域的数据求均值，但是仅求解MMD作为两个域之间的衡量差异十分不充分，在这个基础上需要考虑不同域之间实例对距离的差异性才能更好地从不同维度掌握域间的距离。
S4,根据所述MMD距离，采用方差散度方法得到不同频率的数据差异，以考虑不同域之间实例对距离的差异性，从不同维度衡量域间的差异。
S4进一步具体为：
将RKHS空间下目标域与源域的实例对距离融入方差散度得到不同频率数据差异，公式如下：
，
其中，表示MMD_VD变分距离，/>表示方差散度，/>表示平衡参数。
S5,根据所述不同频率的数据差异，得到不同频率的响应预测数据差异矩阵，采用模拟快速遍历树SRT算法，得到最佳的迁移顺序。
所述S5进一步具体为：
根据MMD度量和方差散度结合计算得到不同频率数据差异，得到一个不同频率的响应预测数据差异矩阵，为了利用矩阵求解最佳迁移顺序，最小化整个顺序的MMD_VD距离进行优化目标，得到MMD_VD距离矩阵；
根据MMD_VD距离矩阵，使用模拟快速遍历树SRT算法，利用不断加枝递增的方法建立一种树状数据结构，生成最小树后进行先序遍历，得到最佳的迁移顺序。
在本实施例中，SRT算法针对MMD和方差散度得出的MMD_VD距离矩阵，生成最小树后进行先序遍历，得到最佳的迁移顺序。按照如图4所示的示意图进行先序遍历后，生成的最佳迁移顺序为8→10→1→5→2→11→3→7→12→4→6→9→13。
需要注意的是，真实情况下，生成树的形状往往较不理想，可能存在一共Ω个频率中，没有一个频率可以充当根节点，但是分析发现，第1个频率充当辅助频率的次数最多，因此生成若干个生成子树后，往往将第一个频率作为根节点，若干个生成子树作为子节点添加到生成树上，以解决真实情况下生成树的形状不理想的问题。
S6,在第一次模型迁移时，将所述第一个频率的神经网络振动响应预测模型的权值参数迁移至下一个目标频率的多输入多输出的神经网络振动响应预测模型中，并利用下一个目标频率的振动响应频域数据样本集进行微调训练，获得下一个目标频率的神经网络振动响应预测模型和权值参数；
在模型迁移学习的过程中，将目标域的载荷数据与响应数据输入到冻结的网络中，将上一个频率训练好的权值作为该目标频率的网络模型权值初值，对网络后面两层的全连接层进行fine-tuning微调，从而达到模型迁移的目的。迁移过程模型的参数调整如图5所示，冻结固定层，只对最后两层全连接层进行微调。
S7,根据第一次模型迁移时的操作，按照所述最佳的迁移顺序对所述频率序列中余下频率数据进行模型迁移训练，直到获得频率序列中最后一个频率的神经网络振动响应预测模型，从而得到基于SRT的多点频域振动响应预测模型，将需要预测的振动响应频域数据输入训练好的基于SRT的多点频域振动响应预测模型中，输出预测值，实现基于SRT的多点频域振动响应预测。
为验证本发明所提的模型及模型求解的有效性，下面将以一实际的例子来说明本发明的应用。
实验数据采集的思路是在时域下采集振动响应数据。本实验中，设有3个量级的声激励装置，5个量级的振动激励装置，多源不相关平稳激励载荷数量为2，因此每个频率下的训练数据有15组。为了应对过拟合现象，采用留一法进行实验，进行15组交叉验证实验。实验中选择1到18号响应测点的数据，用到的振动响应测点数为18个，将数据全部作为训练数据。
通常情况下，不同频率下的载荷数据的数量级规模有所出入，可能会使得计算网络损失时产生数量级偏差，因此研究采用对数变换公式以使得不同量级的载荷值变为同等规模，降低相对误差。对数变换公式如下：
；
为了充分说明实验结果，将获取到的15组数据选择1组作为测试集，另外14组作为训练集，进行15组交叉验证，所得结果再进行15轮的平均值或方差。
本次实验采用工程应用上常用的3dB误差方法来验证实验结果。3dB误差公式如下：
，
对于每一个频率，若预测值和真实值/>无法满足上述3dB误差公式，则该响应值为/>频率下的3dB误差响应，所有不满足此标准的响应数据与所有预测响应的比值即为该模型的3dB超差率。
此外，本实施例还使用对称平均绝对百分比误差（SMAPE）来进行实验比较，公式如下：
，
其中，n为响应点数量，Ω为总频率数量。
本次实验使用的网络模型为：1层输入，1层输出层，4层隐藏层的网络模型，其神经元个数分别是256，128，64，64，实验参数设置如表1所示。
表1.网络参数选取对比
CNN，Convolutional Neural Network,卷积神经网络结构,是深度学习中的一种重要模型。
RNN，Recurrent Neural Network，循环神经网络结构。
LSTM，Long Short-Term Memory，长短期记忆循环神经网络结构。
为了比较说明本发明方法的实验效果，表2展示了第1、5、8、13、17个响应测点在不同迁移顺序上的实验结果，所呈现方式为经过15轮实验下的3dB超差的均值±标准差，表3展示了不同迁移顺序经过15轮实验验证后SMAPE值的平均值。
表2. 15轮实验下3dB超差值平均实验对比结果
表3. 15轮实验下SMAPE值平均实验对比结果
MMD_VD_SRT顺序，即本发明采用的顺序，结合MMD度量、方差散度方法和SRT算法的顺序进行迁移学习的方法。
MMD_SRT顺序，即结合MMD度量和SRT算法的顺序进行迁移学习的方法。
MMD_VD_TSP顺序，即结合MMD度量、方差散度方法和TSP算法的顺序进行迁移学习的方法。
MMD_TSP顺序，即结合MMD度量和TSP算法的顺序进行迁移学习的方法。
从表2与表3可以看出，按MMD_VD_SRT顺序（即本发明采用的顺序）迁移后的目标模型精度更佳，相较按频率顺序迁移有所改进，而对比随机顺序迁移方法的提升更大。
为了提出更为有效、快速的多点频域振动响应预测方法，表4展示了多个迁移学习顺序应用于多点频域振动响应预测时，经过15轮实验后消耗的平均时间。考虑到实际情况，表5同样说明了求解顺序时所需预处理工作所消耗的时间。
表4.15轮实验下消耗的平均时间实验对比结果
表5. 15轮实验下预处理消耗的平均工作时间实验对比结果
由表4可以看出，在符合基本工况条件下，MMD_VD_SRT顺序所耗费的时间最小，表明采用MMD_VD_SRT顺序进行迁移学习响应预测的方法又快又准。
上述方案与现有技术相比，本发明具有如下有益效果：
本发明用某一频率下的振动响应频域数据训练一个多输入多输出的神经网络振动响应预测模型；将训练好的神经网络振动响应预测模型作为源域，采用最大均值差异距离MMD相似性度量方法来估计边缘概率，以衡量每一个候选源域和目标域之间的相似程度；在MMD相似性度量方法计算结果的基础上引入方差散度方法，以考虑不同域之间实例对距离的差异性；根据MMD度量和方差散度方法计算得到不同频率的数据差异之后，使用模拟快速遍历树SRT算法，得到最佳的迁移顺序；根据最佳的迁移顺序进行模型迁移学习，将上一个训练得到的模型参数迁移到目标频率处作为目标频率网络模型权值初值并微调，达到模型迁移的目的。本发明考虑到源域和目标域之间的差异性和相似性，解决了在迁移过程中出现辅助域与目标域相似度相差较大而出现负迁移的现象，相比顺序迁移学习或随机顺序迁移学习等方法，采用该模型进行响应预测的精度更高，而且速度快。
实施例二
如图6所示，本发明实施例还提供了一种基于SRT的多点频域振动响应预测装置包括：
数据样本获取模块,用于获取频率序列中每个频率下的振动响应频域数据样本集，所述振动响应频域数据样本集包括作为输入的多个已知测点的自功率谱样本和作为输出的多个未知测点的自功率谱样本；
首次训练模块,用于得到训练好的第一个频率的神经网络振动响应预测模型,采用频率序列中第一个频率下的振动响应频域数据样本集训练多输入多输出的神经网络振动响应预测模型，得到训练好的第一个频率的神经网络振动响应预测模型和权值参数；
MMD距离计算模块,用于获得目标域与源域的MMD距离，将训练好的第一个频率的神经网络振动响应预测模型作为源域，并给定一个目标域，所述源域和所述目标域是同构的,即所述源域和所述目标域具有相同的特征空间和不同的分布,采用最大均值差异距离MMD相似性度量方法来估计源域和目标域的边缘概率，以衡量每一个候选源域和目标域之间的相似程度，得到RKHS空间特征映射下目标域与源域的MMD距离；
方差散度计算模块,用于获得不同频率的数据差异,根据所述MMD距离，采用方差散度方法得到不同频率的数据差异，以考虑不同域之间实例对距离的差异性，从不同维度衡量域间的差异；
SRT计算模块，用于获得最佳的迁移顺序，根据所述不同频率的数据差异，得到不同频率的响应预测数据差异矩阵，采用模拟快速遍历树SRT算法，得到最佳的迁移顺序；
第一次模型迁移模块,用于获得下一个目标频率的神经网络振动响应预测模型，在第一次模型迁移时，将所述第一个频率的神经网络振动响应预测模型的权值参数迁移至下一个目标频率的多输入多输出的神经网络振动响应预测模型中，并利用下一个目标频率的振动响应频域数据样本集进行微调训练，获得下一个目标频率的神经网络振动响应预测模型和权值参数；
迁移学习完成模块,用于获得基于SRT的多点频域振动响应预测模型，根据第一次模型迁移时的操作，按照所述最佳的迁移顺序对所述频率序列中余下频率数据进行模型迁移训练，直到获得频率序列中最后一个频率的神经网络振动响应预测模型，从而得到基于SRT的多点频域振动响应预测模型，将需要预测的振动响应频域数据输入训练好的基于SRT的多点频域振动响应预测模型中，输出预测值，实现基于SRT的多点频域振动响应预测。
实施例三
本发明第三实施例还提供了一种基于SRT的多点频域振动响应预测设备，其包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上述的基于SRT的多点频域振动响应预测方法。
实施例四
本发明第四实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，计算机可读指令被计算机可读存储介质所在设备的处理器执行时实现如上述的基于SRT的多点频域振动响应预测方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，电子设备，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。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测（陈述的条件或事件）”可以被解释成为“当确定时”或“响应于确定”或“当检测（陈述的条件或事件）时”或“响应于检测（陈述的条件或事件）”。
实施例中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些内容以外的顺序实施。
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)
1.一种基于SRT的多点频域振动响应预测方法，其特征在于，包括：
S1,获取频率序列中每个频率下的振动响应频域数据样本集，所述振动响应频域数据样本集包括作为输入的多个已知测点的自功率谱样本和作为输出的多个未知测点的自功率谱样本；
S2,采用频率序列中第一个频率下的振动响应频域数据样本集训练多输入多输出的神经网络振动响应预测模型，得到训练好的第一个频率的神经网络振动响应预测模型和权值参数；
S3,将训练好的第一个频率的神经网络振动响应预测模型作为源域，并给定一个目标域，所述源域和所述目标域是同构的,即所述源域和所述目标域具有相同的特征空间和不同的分布,采用最大均值差异距离MMD相似性度量方法来估计源域和目标域的边缘概率，以衡量每一个候选源域和目标域之间的相似程度，得到RKHS空间特征映射下目标域与源域的MMD距离；
S4,根据所述MMD距离，采用方差散度方法得到不同频率的数据差异，以考虑不同域之间实例对距离的差异性，从不同维度衡量域间的差异；
S5,根据所述不同频率的数据差异，得到不同频率的响应预测数据差异矩阵，采用模拟快速遍历树SRT算法，得到最佳的迁移顺序；
S6,在第一次模型迁移时，将所述第一个频率的神经网络振动响应预测模型的权值参数迁移至下一个目标频率的多输入多输出的神经网络振动响应预测模型中，并利用下一个目标频率的振动响应频域数据样本集进行微调训练，获得下一个目标频率的神经网络振动响应预测模型和权值参数；
S7,根据第一次模型迁移时的操作，按照所述最佳的迁移顺序对所述频率序列中余下频率数据进行模型迁移训练，直到获得频率序列中最后一个频率的神经网络振动响应预测模型，从而得到基于SRT的多点频域振动响应预测模型，将需要预测的振动响应频域数据输入训练好的基于SRT的多点频域振动响应预测模型中，输出预测值，实现基于SRT的多点频域振动响应预测。
2.根据权利要求1所述的基于SRT的多点频域振动响应预测方法，其特征在于,定义第一个频率，/>是总频率个数，所述神经网络振动响应预测模型的输入为所述频率下/>个已知振动响应测点的数据，表达式为：
其中，，/>表示ω频率下第i个已知测点的自功率谱；
所述神经网络振动响应预测模型的输出为所述频率下/>个未知振动响应测点的数据，表达式为：
其中，，/>，/>是训练样本总数量，/>表示/>频率下第j个未知测点的自功率谱。
3.根据权利要求2所述的基于SRT的多点频域振动响应预测方法，其特征在于,所述S3进一步具体为：
将训练好的第一个频率的神经网络振动响应预测模型作为源域，所述源域包括一个或多个候选源域，则所有候选源域的集合为：
其中，表示/>个候选源域，第/>个候选源域表示为：/>；
给定一个目标域，表达式为；
其中，目标域和每个候选源域/>具有相同的特征空间和不同的边缘概率/>和分布/>；
采用最大均值差异距离MMD相似性度量方法来估计目标域与源域的边缘概率，求出RKHS空间下目标域与源域的实例对距离，以衡量每一个候选源域和目标域之间的相似程度；
通过计算目标域和第/>个候选源域之间/>的MMD距离的经验估计，从而得到目标域与源域的实例对距离/>，为了便于计算，计算MMD距离的平方，公式如下：
其中，Ж是特征的原始空间到RKHS空间的特征映射函数，是RKHS空间的参数化。
4.根据权利要求3所述的基于SRT的多点频域振动响应预测方法，其特征在于,所述S4进一步具体为：
将RKHS空间下目标域与源域的实例对距离融入方差散度得到不同频率数据差异，公式如下：
，
其中，表示MMD_VD变分距离，/>表示方差散度，/>表示平衡参数。
5.根据权利要求4所述的基于SRT的多点频域振动响应预测方法，其特征在于,所述S5进一步具体为：
根据MMD度量和方差散度结合计算得到的不同频率数据差异，得到一个不同频率的响应预测数据差异矩阵，最小化整个顺序的MMD_VD距离从而优化目标，得到MMD_VD距离矩阵；
根据MMD_VD距离矩阵，使用模拟快速遍历树SRT算法，生成最小树后进行先序遍历，得到最佳的迁移顺序。
6.根据权利要求5所述的基于SRT的多点频域振动响应预测方法，其特征在于,还包括在生成最小树时，将第一个频率作为根节点，若干个子树作为子节点添加到生成树中。
7.根据权利要求6所述的基于SRT的多点频域振动响应预测方法，其特征在于,所述微调训练是在迁移过程中，将目标域的载荷数据与响应数据输入到冻结的网络中，将上一个频率训练好的权值作为该目标频率的网络模型权值初值，对网络后面两层的全连接层进行微调，从而达到模型迁移的目的。
8.一种基于SRT的多点频域振动响应预测装置，其特征在于，包括：
数据样本获取模块,用于获取频率序列中每个频率下的振动响应频域数据样本集，所述振动响应频域数据样本集包括作为输入的多个已知测点的自功率谱样本和作为输出的多个未知测点的自功率谱样本；
首次训练模块,用于得到训练好的第一个频率的神经网络振动响应预测模型,采用频率序列中第一个频率下的振动响应频域数据样本集训练多输入多输出的神经网络振动响应预测模型，得到训练好的第一个频率的神经网络振动响应预测模型和权值参数；
MMD距离计算模块,用于获得目标域与源域的MMD距离，将训练好的第一个频率的神经网络振动响应预测模型作为源域，并给定一个目标域，所述源域和所述目标域是同构的,即所述源域和所述目标域具有相同的特征空间和不同的分布,采用最大均值差异距离MMD相似性度量方法来估计源域和目标域的边缘概率，以衡量每一个候选源域和目标域之间的相似程度，得到RKHS空间特征映射下目标域与源域的MMD距离；
方差散度计算模块,用于获得不同频率的数据差异,根据所述MMD距离，采用方差散度方法得到不同频率的数据差异，以考虑不同域之间实例对距离的差异性，从不同维度衡量域间的差异；
SRT计算模块，用于获得最佳的迁移顺序，根据所述不同频率的数据差异，得到不同频率的响应预测数据差异矩阵，采用模拟快速遍历树SRT算法，得到最佳的迁移顺序；
第一次模型迁移模块,用于获得下一个目标频率的神经网络振动响应预测模型，在第一次模型迁移时，将所述第一个频率的神经网络振动响应预测模型的权值参数迁移至下一个目标频率的多输入多输出的神经网络振动响应预测模型中，并利用下一个目标频率的振动响应频域数据样本集进行微调训练，获得下一个目标频率的神经网络振动响应预测模型和权值参数；
迁移学习完成模块,用于获得基于SRT的多点频域振动响应预测模型，根据第一次模型迁移时的操作，按照所述最佳的迁移顺序对所述频率序列中余下频率数据进行模型迁移训练，直到获得频率序列中最后一个频率的神经网络振动响应预测模型，从而得到基于SRT的多点频域振动响应预测模型，将需要预测的振动响应频域数据输入训练好的基于SRT的多点频域振动响应预测模型中，输出预测值，实现基于SRT的多点频域振动响应预测。
9.一种基于SRT的多点频域振动响应预测设备，其特征在于，包括处理器以及存储器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如权利要求1-7任意一项所述的一种基于SRT的多点频域振动响应预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被计算机可读存储介质所在设备的处理器执行时实现如权利要求1-7任意一项所述的一种基于SRT的多点频域振动响应预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410335784.7A CN117952019B (zh) | 2024-03-22 | 基于srt的多点频域振动响应预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410335784.7A CN117952019B (zh) | 2024-03-22 | 基于srt的多点频域振动响应预测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117952019A true CN117952019A (zh) | 2024-04-30 |
| CN117952019B CN117952019B (zh) | 2024-06-28 |
Family
ID=
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112364973A (zh) * | 2020-08-05 | 2021-02-12 | 华侨大学 | 一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法 |
| CN112364994A (zh) * | 2020-08-05 | 2021-02-12 | 华侨大学 | 一种基于mmd和tsp的频域载荷识别的模型迁移学习源域选择方法 |
| WO2021042935A1 (zh) * | 2019-09-05 | 2021-03-11 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
| CN112528870A (zh) * | 2020-12-14 | 2021-03-19 | 华侨大学 | 一种基于mimo神经网络和迁移学习的多点振动响应预测方法 |
| CN113779506A (zh) * | 2021-09-13 | 2021-12-10 | 华侨大学 | 基于深度迁移学习的多点频域振动响应预测方法及系统 |
| CN117113105A (zh) * | 2023-10-13 | 2023-11-24 | 中国海洋大学 | 基于稳态非稳态特征相似性挖掘的轴承未知故障检测方法 |
| CN117454084A (zh) * | 2023-10-26 | 2024-01-26 | 重庆邮电大学 | 一种基于域自适应和tag的桨轴滚动轴承剩余寿命预测方法 |
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021042935A1 (zh) * | 2019-09-05 | 2021-03-11 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
| CN112364973A (zh) * | 2020-08-05 | 2021-02-12 | 华侨大学 | 一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法 |
| CN112364994A (zh) * | 2020-08-05 | 2021-02-12 | 华侨大学 | 一种基于mmd和tsp的频域载荷识别的模型迁移学习源域选择方法 |
| CN112528870A (zh) * | 2020-12-14 | 2021-03-19 | 华侨大学 | 一种基于mimo神经网络和迁移学习的多点振动响应预测方法 |
| CN113779506A (zh) * | 2021-09-13 | 2021-12-10 | 华侨大学 | 基于深度迁移学习的多点频域振动响应预测方法及系统 |
| CN117113105A (zh) * | 2023-10-13 | 2023-11-24 | 中国海洋大学 | 基于稳态非稳态特征相似性挖掘的轴承未知故障检测方法 |
| CN117454084A (zh) * | 2023-10-26 | 2024-01-26 | 重庆邮电大学 | 一种基于域自适应和tag的桨轴滚动轴承剩余寿命预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| YANG YW ET AL.: "Deep Transfer Learning-Based Downlink Channel Prediction for FDD Massive MIMO Systems", 《IEEE TRANSACTIONS ON COMMUNICATIONS》, 1 December 2020 (2020-12-01) * |
| 王成 等: "多源未知载荷下主元回归的多点振动响应预测", 《计算机集成制造系统》, vol. 27, no. 10, 25 December 2018 (2018-12-25) * |
| 陈德蕾 等: "基于神经网络和模型迁移学习的不相关多源频域载荷识别", 《计算机集成制造系统》, vol. 27, no. 10, 3 June 2020 (2020-06-03) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107977710B (zh) | 用电异常数据检测方法和装置 | |
| Huang et al. | A generalized growing and pruning RBF (GGAP-RBF) neural network for function approximation | |
| CN112288086B (zh) | 一种神经网络的训练方法、装置以及计算机设备 | |
| Pal et al. | Opening the blackbox: Accelerating neural differential equations by regularizing internal solver heuristics | |
| CN110175168A (zh) | 一种基于生成对抗网络的时间序列数据填补方法及系统 | |
| CN109981749A (zh) | 一种基于极限梯度提升的云工作流任务执行时间预测方法 | |
| CN112464567B (zh) | 基于变分同化框架的智能资料同化方法 | |
| CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
| CN106296434B (zh) | 一种基于pso-lssvm算法的粮食产量预测方法 | |
| Holmes et al. | Bayesian wavelet networks for nonparametric regression | |
| CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
| WO2023019899A1 (zh) | 神经网络实时剪枝方法、系统及神经网络加速器 | |
| Estep et al. | Fast and reliable methods for determining the evolution of uncertain parameters in differential equations | |
| CN111260056A (zh) | 一种网络模型蒸馏方法及装置 | |
| Ramasamy et al. | Application of artificial neural network for software reliability growth modeling with testing effort | |
| CN117952019B (zh) | 基于srt的多点频域振动响应预测方法、装置、设备及介质 | |
| Springer et al. | Robust parameter estimation of chaotic systems | |
| CN109540089A (zh) | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 | |
| CN117036781A (zh) | 一种基于树综合多样性深度森林的图像分类方法 | |
| CN117952019A (zh) | 基于srt的多点频域振动响应预测方法、装置、设备及介质 | |
| CN112766537B (zh) | 一种短期电负荷预测方法 | |
| CN115081323A (zh) | 求解多目标约束优化问题的方法及其存储介质 | |
| CN113642784A (zh) | 一种计及风机状态的风电功率超短期预测的方法 | |
| CN114048796A (zh) | 一种改进型硬盘故障预测方法及装置 | |
| CN112016956A (zh) | 基于bp神经网络的矿石品位估值方法及装置 |
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 |