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 - Google Patents
基于深度迁移学习的多点频域振动响应预测方法及系统 Download PDFInfo
- Publication number
- CN113779506A CN113779506A CN202111067225.5A CN202111067225A CN113779506A CN 113779506 A CN113779506 A CN 113779506A CN 202111067225 A CN202111067225 A CN 202111067225A CN 113779506 A CN113779506 A CN 113779506A
- Authority
- CN
- China
- Prior art keywords
- frequency
- vibration response
- model
- frequency domain
- regression analysis
- 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
- 230000004044 response Effects 0.000 title claims abstract description 206
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013526 transfer learning Methods 0.000 title claims description 38
- 238000000611 regression analysis Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000012546 transfer Methods 0.000 claims abstract description 24
- 238000013508 migration Methods 0.000 claims abstract description 19
- 230000005012 migration Effects 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims description 41
- 238000013135 deep learning Methods 0.000 claims description 15
- 230000001537 neural effect Effects 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 32
- 230000006870 function Effects 0.000 abstract description 15
- 238000003062 neural network model Methods 0.000 abstract description 12
- 239000011159 matrix material Substances 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000005284 excitation Effects 0.000 description 12
- 238000005259 measurement Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
Abstract
本发明涉及一种基于深度迁移学习的多点频域振动响应预测方法及系统，利用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回归分析模型，获得第一个频率的频域振动响应预测模型，根据传递函数在频域的连续性，将第一个频率的频域振动响应预测模型的权值迁移到与其最相似频率的训练模型中进行训练，得到此频率下的预测模型；依次循环此过程，得到所有频率点的模型。本发明基于数据驱动的神经网络和模型迁移技术直接对数据集训练模型，解决了矩阵病态求逆问题，可以获得更好的神经网络模型的初值，不容易陷入局部最优，加快了神经网络的收敛速度，提高了不相关多源未知载荷下的多点频域振动响应预测的精度和效率。
Description
技术领域
本发明涉及振动响应预测技术领域，特别是涉及一种基于深度迁移学习的多点频域振动响应预测方法及系统。
背景技术
线代工程设计以及机械制造领域广泛应用到了振动响应预测相关技术。但在实际工况下结构振动响应过大往往会导致很严重的机械故障，因此，如何在工作状态下实现精准的响应预测，对于工程实践十分重要。目前主要的响应预测方面的研究主要集中在两个方面，分别是时域法和频域法。其中频域法研究时间最长，方法体系相较其他更为成熟。传统意义上的响应预测是在多源载荷已知的情况下，利用多源载荷与多点频域振动响应之间的传递函数进行求解,属于振动理论中的正问题。通过数学推导以及工程测量的方法可以推得传递函数，对于线性系统下问题的解决具有很大的指导意义。但是很多情况下，对于传递函数的必要条件-多源载荷，在工程实践中往往无法获得，并且传递函数往往也无法轻易测量得到。
因此，提供一种有效且精确的不相关多源未知载荷下的多点频域振动响应预测方法是目前亟待解决的技术问题。
发明内容
本发明的目的是提供一种基于深度迁移学习的多点频域振动响应预测方法及系统，以提高不相关多源未知载荷下的多点频域振动响应预测的精度和效率。
为实现上述目的，本发明提供了如下方案：
一种基于深度迁移学习的多点频域振动响应预测方法，所述方法包括：
获取频率序列中每种频率下的振动响应频域数据样本集；所述每种频率下的振动响应频域数据样本集包括作为输入量的多个已知测点的自功率谱样本和作为标签的多个未知测点的自功率谱样本；所述频率序列中的频率升序或降序排列；
利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回归分析模型，获得第一个频率的频域振动响应预测模型；
基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型的网络参数迁移至下一个频率的多输入多输出回归分析模型中，并利用下一个频率的振动响应频域数据样本集训练迁移后的多输入多输出回归分析模型，获得下一个频率的频域振动响应预测模型；
重复以上步骤，直到获得频率序列中所有频率的频域振动响应预测模型；
获取每种频率下多个已知测点的实时自功率谱；
将每种频率下多个已知测点的实时自功率谱分别输入各自对应频率的频域振动响应预测模型，输出每种频率下未知测点的自功率谱。
可选的，所述获取频率序列中每种频率下的振动响应频域数据样本集，之前还包括：
获取多组振动响应时域数据样本；
利用快速傅里叶变换将每组振动响应时域数据样本转换为振动响应频域数据样本；
将多组振动响应频域数据样本中相同频率的频域数据组成同一频率下的振动响应频域数据样本集。
可选的，所述频域振动响应预测模型包括依次连接的1个输入层、4个隐藏层和1个输出层；
4个所述隐藏层的全连接神经单元的数量分别为256、128、64和64。
可选的，所述基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型的网络参数迁移至下一个频率的多输入多输出回归分析模型中，并利用下一个频率的振动响应频域数据样本集训练迁移后的多输入多输出回归分析模型，获得下一个频率的频域振动响应预测模型，具体包括：
基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型中前两个隐藏层的参数迁移至下一个频率的多输入多输出回归分析模型中，获得迁移后的多输入多输出回归分析模型；
利用下一个频率的振动响应频域数据样本集对迁移后的多输入多输出回归分析模型的前两个隐藏层进行Fine-tuning(微调)训练，获得一次训练后的多输入多输出回归分析模型；
利用下一个频率的振动响应频域数据样本集对一次训练后的多输入多输出回归分析模型的后两个隐藏层进行训练，获得二次训练后的多输入多输出回归分析模型，作为下一个频率的频域振动响应预测模型。
一种基于深度迁移学习的多点频域振动响应预测系统，所述系统包括：
样本集获取模块，用于获取频率序列中每种频率下的振动响应频域数据样本集；所述每种频率下的振动响应频域数据样本集包括作为输入量的多个已知测点的自功率谱样本和作为标签的多个未知测点的自功率谱样本；所述频率序列中的频率升序或降序排列；
第一个频率的预测模型获得模块，用于利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回归分析模型，获得第一个频率的频域振动响应预测模型；
下一个频率的预测模型获得模块，用于基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型的网络参数迁移至下一个频率的多输入多输出回归分析模型中，并利用下一个频率的振动响应频域数据样本集训练迁移后的多输入多输出回归分析模型，获得下一个频率的频域振动响应预测模型；
循环模块，用于重复以上步骤，直到获得频率序列中所有频率的频域振动响应预测模型；
实时自功率谱获取模块，用于获取每种频率下多个已知测点的实时自功率谱；
未知测点的自功率谱输出模块，用于将每种频率下多个已知测点的实时自功率谱分别输入各自对应频率的频域振动响应预测模型，输出每种频率下未知测点的自功率谱。
可选的，所述系统还包括：
时域数据样本获取模块，用于获取多组振动响应时域数据样本；
频域数据样本转换模块，用于利用快速傅里叶变换将每组振动响应时域数据样本转换为振动响应频域数据样本；
频域数据样本集组成模块，用于将多组振动响应频域数据样本中相同频率的频域数据组成同一频率下的振动响应频域数据样本集。
可选的，所述频域振动响应预测模型包括依次连接的1个输入层、4个隐藏层和1个输出层；
4个所述隐藏层的全连接神经单元的数量分别为256、128、64和64。
可选的，所述下一个频率的预测模型获得模块，具体包括：
模型迁移子模块，用于基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型中前两个隐藏层的参数迁移至下一个频率的多输入多输出回归分析模型中，获得迁移后的多输入多输出回归分析模型；
一次训练子模块，用于利用下一个频率的振动响应频域数据样本集对迁移后的多输入多输出回归分析模型的前两个隐藏层进行Fine-tuning训练，获得一次训练后的多输入多输出回归分析模型；
二次训练子模块，用于利用下一个频率的振动响应频域数据样本集对一次训练后的多输入多输出回归分析模型的后两个隐藏层进行训练，获得二次训练后的多输入多输出回归分析模型，作为下一个频率的频域振动响应预测模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种基于深度迁移学习的多点频域振动响应预测方法及系统，首先利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回归分析模型，获得第一个频率的频域振动响应预测模型，然后根据传递函数在频域的连续性以及各频率点之间的相似性，利用第一个频率下训练好的频域振动响应预测模型的权值迁移到与其最相似频率的多输入多输出回归分析模型中，进而利用此最相似频率频率下的历史数据进行训练，从而得到此频率下的预测模型；最后，不断循环此过程，直到所有频率点的模型全部训练完成。本发明基于数据驱动的神经网络+模型迁移技术直接对数据集训练模型，避免进行振动已知测点与未知测点的矩阵求逆运算，从而解决了矩阵病态求逆问题，可以获得更好的神经网络模型的初值，不容易陷入局部最优，加快了神经网络的收敛速度，提高了不相关多源未知载荷下的多点频域振动响应预测的精度和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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他的附图。
图1为本发明提供的一种基于深度迁移学习的多点频域振动响应预测方法的流程图；
图2为本发明提供的神经网络结构图；
图3为本发明提供的响应测点位置分布示意图；
图4为本发明提供的每个频率点的振动响应训练模型示意图；
图5为本发明提供的神经网络训练原理图；
图6为本发明提供的ω频率下基于数据驱动的频域振动响应预测的多元回归分析模型训练图；
图7为本发明提供的不相关多源载荷激励未知下的基于多输入多输出神经网络的振动响应预测模型训练图；
图8为本发明提供的无迁移学习下第6个响应预测点的3dB超差图；
图9为本发明提供的迁移学习下第6个响应预测点的3dB超差图；
图10为本发明提供的多个未知测点下神经网络与迁移学习损失效果对比图。
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，都属于本发明保护的范围。
本发明的目的是提供一种基于深度迁移学习的多点频域振动响应预测方法及系统，以提高不相关多源未知载荷下的多点频域振动响应预测的精度和效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
针对多输入多输出神经网络(Multiple Input Multiple Output-ArtificialNeural Network，MIMO-ANN)进行多点频域振动响应预测时需要为每个频率点独立建立神经网络模型、独立随机选择神经网络模型初值导致训练时间长、预测精度低等问题，本发明提供了一种基于深度迁移学习的多点频域振动响应预测方法，如图1所示，方法包括：
获取多组振动响应时域数据样本；
利用快速傅里叶变换将每组振动响应时域数据样本转换为振动响应频域数据样本；
将多组振动响应频域数据样本中相同频率的频域数据组成同一频率下的振动响应频域数据样本集。
步骤101，获取频率序列中每种频率下的振动响应频域数据样本集；每种频率下的振动响应频域数据样本集包括作为输入量的多个已知测点的自功率谱样本和作为标签的多个未知测点的自功率谱样本；频率序列中的频率升序或降序排列。
步骤102，利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回归分析模型，获得第一个频率的频域振动响应预测模型。
步骤103，基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型的网络参数迁移至下一个频率的多输入多输出回归分析模型中，并利用下一个频率的振动响应频域数据样本集训练迁移后的多输入多输出回归分析模型，获得下一个频率的频域振动响应预测模型，如图2所示，具体包括：
基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型中前两个隐藏层的参数迁移至下一个频率的多输入多输出回归分析模型中，获得迁移后的多输入多输出回归分析模型；
利用下一个频率的振动响应频域数据样本集对迁移后的多输入多输出回归分析模型的前两个隐藏层进行Fine-tuning训练，获得一次训练后的多输入多输出回归分析模型；
利用下一个频率的振动响应频域数据样本集对一次训练后的多输入多输出回归分析模型的后两个隐藏层进行训练，获得二次训练后的多输入多输出回归分析模型，作为下一个频率的频域振动响应预测模型。
步骤104，重复以上步骤，直到获得频率序列中所有频率的频域振动响应预测模型。
步骤105，获取每种频率下多个已知测点的实时自功率谱。
步骤106，将每种频率下多个已知测点的实时自功率谱分别输入各自对应频率的频域振动响应预测模型，输出每种频率下未知测点的自功率谱。
频域振动响应预测模型包括依次连接的1个输入层、4个隐藏层和1个输出层；4个隐藏层的全连接神经单元的数量分别为256、128、64和64。
本发明在载荷i到振动响应点j的传递函数的模|Hj,i(ω)|所组成的矩阵未知的情况下，主要利用的是基于模型的迁移学习方法，在将辅助频率下的神经网络预测模型训练好的基础上，将辅助频率的神经网络模型网络权值参数迁移到目标频率的神经网络模型中作为初值权重，即通过共享相邻频率间神经网络模型的参数，然后进行Fine-tuning的方法达到模型迁移的目的。
本发明的有益效果如下：
1.发明利用基于数据驱动的神经网络+模型迁移技术直接对数据集训练模型，避免进行振动已知测点与未知测点的矩阵求逆运算，从而解决了矩阵病态求逆问题，可以获得更好的神经网络模型的初值，不容易陷入局部最优，加快了神经网络的收敛速度；
2.发明所述的基于深度迁移学习的多点频域振动响应预测模型可以取得比传统的传递函数、多重多元线性回归模型更好的精度；
3.发明所述的基于深度迁移学习的多点频域振动响应预测模型可以在载荷未知的情况下利用响应预测响应。
下面以具体实施例来说明本发明的多点频域振动响应预测方法。
1、圆柱壳声振实验数据样本集收集
圆柱壳声振实验装置是固定在振动台上并悬挂在弹性橡皮绳上的圆柱形结构。在圆柱壳的内部与外部分别存在着一个球形噪声激励装置和一个悬挂式振动激励装置，其中振动激励装置包括有记录振动激励的传感器，外部声激励和内部装置的振动响应传感器。在内部的声激励和外部的振动激励分别有3个量级和5个量级，因此在本实验中共能收集到P＝15组多源载荷联合激励数据。有两个激励源，因此不相关多源平稳激励载荷个数m＝2。在圆柱壳上共有n＝18个响应测点位置分布如图3所示，实验用到的振动响应测点为n＝9个，其中每次都使用n1＝6个作为已知测点，n2＝3个作为未知测点。采集到的所有数据作为全部样本数据。获取的15组数据中14组作为训练数据样本集，1组作为测试数据样本集。
2、数据转换
采集到的数据为时域下的振动响应数据，因此需要通过工具来进行时域频域下的转换。本次实验所采用的工具为快速傅里叶变换，通过快速傅里叶变换后将数据变换为0Hz到6400Hz，频率间隔为每4Hz，一共Ω＝1601个频率点数据，共分为1601组频率，对每组频率分别建立多输入多输出振动响应预测模型。
3、网络训练
多输入多输出神经网络以多重多元回归预测模型为基础，其通过为每个频率点ω单独建立网络模型，n1个已知响应值作为输入，n2个未知响应值作为输出，利用历史数据进行训练利用实测响应值与网络输出的误差来更新网络权值。神经网络模型训练结束后，在工况下，利用测试集进行测试，进而对模型进行精度评价。
采用的神经网络结构包含有1个输入层，1个输出层，4个隐藏层分别为256，128，64，64个全连接神经单元，选用非线性拟合能力较弱的Relu作为激活函数。误差函数选用L1_loss函数，梯度更新优化算法选用自适应学习率算法Adam。
参照图4和图5，训练过程为：
步骤A1针对频率点ω＝1进行训练，ω频率下振动响应已知测点的自功率谱
(j＝1,2,...,n1，n1表示振动响应已知的测点个数)作为ω频率下多输入多输出回归分析模型的输入；振动响应未知测点的自功率谱
(a＝1,2,...,n2，n2表示振动响应未知的测点个数)作为ω频率下多输入多输出回归分析模型的输出。其中，
表示ω频率下第j个已知测点的自功率谱，
表示ω频率下第a个未知测点的自功率谱。利用神经网络训练建立ω频率下基于数据驱动的频域振动响应预测模型。p＝1,2,...,P，P为训练样本总个数，训练过程如图6所示。
步骤A2在训练完上一个频率点ω的神经网络预测模型后，为了避免下一个频率点ω+1的模型从头开始训练，利用模型迁移学习以及深度学习框架torch迁移频率点ω的神经网络模型部分网络层(迁移前两层隐藏层参数，固定后两层隐藏层参数，网络层结构见图2)参数到频率点ω+1的模型中，待频率点ω+1的模型训练时待用。
步骤A3在训练ω+1频率时，此时的ω+1频率为步骤A2所训练频率的最相似频率，利用此频率点的数据对步骤A2得到的辅助模型参数进行微调训练(只针对前两层网络层)，而后训练后两层隐藏层，训练完毕后准备将其迁移至下一频率点模型进行使用。
步骤A4判断ω＜Ω，Ω＝1601，也即判断所有频率点的神经网络响应预测模型是否都已经建立完成，建立完成则结束，否则ω＝ω+1步骤A2。
不相关多源载荷激励未知下的基于多输入多输出神经网络的振动响应预测模型图如图7所示。
4、试验验证
1.验证方法
本文采用留一交叉验证法对实验结果进行验证。留一交叉验证法每次取1组作为测试集，其余14组作为训练集，该过程直到所有组均作为过测试集。最后取所有结果的平均值作为模型度量的估计。
2.评价指标
本文采用工程上常用的3dB标准来对模型进行评价，满足3dB误差标准的限制条件如下：
对于每一个频率ω，如果预测的响应值
和真实的响应值
不满足公式，则该响应标记为ω频率下的3dB误差响应，所有不满足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。
3.实验结果分析
将图2中的4、5、6测点作为未知测点时的实验结果如表1所示。
表1未知测点4，5，6振动响应预测3dB超差百分比对比统计结果
将图2中的7、8、9测点作为未知测点时的实验结果如表2所示。
表2未知测点7，8，9振动响应预测3dB超差百分比对比统计结果
由表1与表2可以看出，通过对比使用传统的多元线性回归与传递函数方法，单纯使用多输入多输出神经网络所达到的效果并不如前两种，其中造成这种问题的根源为神经网络涉及的超参数较多，训练中调整超参数时间过长，且神经网络对于小样本学习的学习效果并不好。通过加入迁移学习后，不难看出，3dB超差率明显比神经网络与前两种方法的值更低，更满足工况要求，并且缓解了神经网络在小样本学习上的不足，且解决了线性回归和传递函数的矩阵病态求逆问题。
为了更形式化的说明迁移学习改进神经网络的训练效果，从图8到9可以看出加入迁移学习后的神经网络的3dB超差率效果图的效果明显好于无迁移学习的训练效果。
由图10可以看出，对于多个(以三个为例)未知响应测点的情况，加入迁移学习后的响应预测初始损失值在0.41左右，而单纯的多输入多输出神经网络的初始损失值在2.78左右，并且对比单纯的神经网络的损失值在145轮降到最低，迁移学习在27轮便降到最低。由此可知，神经网络与迁移学习结合后模型的初始权重较好，也说明了迁移学习加入后对神经网络进行响应预测训练的有效性。
本发明形式化描述了不相关多源载荷未知条件下基于数据驱动的多点频域振动响应预测问题，并比较了其与不相关多源载荷已知情况下基于数据驱动的多点频域振动响应预测问题的不同之处。首先，将某频率点下的多个振动响应已知的测点的自功率谱作为输入，多个振动响应未知的测点的自功率谱作为输出的历史数据集构造成为训练集，利用MIMO-ANN建立该频率下的未知点振动响应预测模型；其次，根据传递函数在频域的连续性以及各频率点之间的相似性，利用该频率下训练好的MIMO-ANN的权值迁移到与其最相似频率作为其MIMO-ANN的初值；再次，利用此最相似频率频率下的历史数据进行训练，从而得到此频率下的预测模型；最后，不断循环此过程，直到所有频率点的模型全部训练完成。该方法解决了矩阵病态求逆问题，可以获得更好的神经网络模型的初值，不容易陷入局部最优，加快了神经网络的收敛速度。在圆柱壳声振实验数据集的多点响应预测结果表明，在多源载荷未知条件下，该方法比基于无迁移学习神经网络、多元线性回归、传递函数的方法，具有更高的预测精度和更好的训练效率。
综上所述，迁移学习能够取得较好的神经网络模型的初值权重，显著提高基于多输入多输出神经网络的不相关多源未知载荷条件下振动响应预测模型的训练效率，提升模型精度，并且该模型能够满足工程上的需求。
本发明还提供了一种基于深度迁移学习的多点频域振动响应预测系统，系统包括：
样本集获取模块，用于获取频率序列中每种频率下的振动响应频域数据样本集；每种频率下的振动响应频域数据样本集包括作为输入量的多个已知测点的自功率谱样本和作为标签的多个未知测点的自功率谱样本；频率序列中的频率升序或降序排列；
第一个频率的预测模型获得模块，用于利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回归分析模型，获得第一个频率的频域振动响应预测模型；
下一个频率的预测模型获得模块，用于基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型的网络参数迁移至下一个频率的多输入多输出回归分析模型中，并利用下一个频率的振动响应频域数据样本集训练迁移后的多输入多输出回归分析模型，获得下一个频率的频域振动响应预测模型；
循环模块，用于重复以上步骤，直到获得频率序列中所有频率的频域振动响应预测模型；
实时自功率谱获取模块，用于获取每种频率下多个已知测点的实时自功率谱；
未知测点的自功率谱输出模块，用于将每种频率下多个已知测点的实时自功率谱分别输入各自对应频率的频域振动响应预测模型，输出每种频率下未知测点的自功率谱。
系统还包括：
时域数据样本获取模块，用于获取多组振动响应时域数据样本；
频域数据样本转换模块，用于利用快速傅里叶变换将每组振动响应时域数据样本转换为振动响应频域数据样本；
频域数据样本集组成模块，用于将多组振动响应频域数据样本中相同频率的频域数据组成同一频率下的振动响应频域数据样本集。
频域振动响应预测模型包括依次连接的1个输入层、4个隐藏层和1个输出层；
4个隐藏层的全连接神经单元的数量分别为256、128、64和64。
下一个频率的预测模型获得模块，具体包括：
模型迁移子模块，用于基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型中前两个隐藏层的参数迁移至下一个频率的多输入多输出回归分析模型中，获得迁移后的多输入多输出回归分析模型；
一次训练子模块，用于利用下一个频率的振动响应频域数据样本集对迁移后的多输入多输出回归分析模型的前两个隐藏层进行Fine-tuning训练，获得一次训练后的多输入多输出回归分析模型；
二次训练子模块，用于利用下一个频率的振动响应频域数据样本集对一次训练后的多输入多输出回归分析模型的后两个隐藏层进行训练，获得二次训练后的多输入多输出回归分析模型，作为下一个频率的频域振动响应预测模型。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于深度迁移学习的多点频域振动响应预测方法，其特征在于，所述方法包括：
获取频率序列中每种频率下的振动响应频域数据样本集；所述每种频率下的振动响应频域数据样本集包括作为输入量的多个已知测点的自功率谱样本和作为标签的多个未知测点的自功率谱样本；所述频率序列中的频率升序或降序排列；
利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回归分析模型，获得第一个频率的频域振动响应预测模型；
基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型的网络参数迁移至下一个频率的多输入多输出回归分析模型中，并利用下一个频率的振动响应频域数据样本集训练迁移后的多输入多输出回归分析模型，获得下一个频率的频域振动响应预测模型；
重复以上步骤，直到获得频率序列中所有频率的频域振动响应预测模型；
获取每种频率下多个已知测点的实时自功率谱；
将每种频率下多个已知测点的实时自功率谱分别输入各自对应频率的频域振动响应预测模型，输出每种频率下未知测点的自功率谱。
2.根据权利要求1所述的基于深度迁移学习的多点频域振动响应预测方法，其特征在于，所述获取频率序列中每种频率下的振动响应频域数据样本集，之前还包括：
获取多组振动响应时域数据样本；
利用快速傅里叶变换将每组振动响应时域数据样本转换为振动响应频域数据样本；
将多组振动响应频域数据样本中相同频率的频域数据组成同一频率下的振动响应频域数据样本集。
3.根据权利要求1所述的基于深度迁移学习的多点频域振动响应预测方法，其特征在于，所述频域振动响应预测模型包括依次连接的1个输入层、4个隐藏层和1个输出层；
4个所述隐藏层的全连接神经单元的数量分别为256、128、64和64。
4.根据权利要求3所述的基于深度迁移学习的多点频域振动响应预测方法，其特征在于，所述基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型的网络参数迁移至下一个频率的多输入多输出回归分析模型中，并利用下一个频率的振动响应频域数据样本集训练迁移后的多输入多输出回归分析模型，获得下一个频率的频域振动响应预测模型，具体包括：
基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型中前两个隐藏层的参数迁移至下一个频率的多输入多输出回归分析模型中，获得迁移后的多输入多输出回归分析模型；
利用下一个频率的振动响应频域数据样本集对迁移后的多输入多输出回归分析模型的前两个隐藏层进行Fine-tuning训练，获得一次训练后的多输入多输出回归分析模型；
利用下一个频率的振动响应频域数据样本集对一次训练后的多输入多输出回归分析模型的后两个隐藏层进行训练，获得二次训练后的多输入多输出回归分析模型，作为下一个频率的频域振动响应预测模型。
5.一种基于深度迁移学习的多点频域振动响应预测系统，其特征在于，所述系统包括：
样本集获取模块，用于获取频率序列中每种频率下的振动响应频域数据样本集；所述每种频率下的振动响应频域数据样本集包括作为输入量的多个已知测点的自功率谱样本和作为标签的多个未知测点的自功率谱样本；所述频率序列中的频率升序或降序排列；
第一个频率的预测模型获得模块，用于利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回归分析模型，获得第一个频率的频域振动响应预测模型；
下一个频率的预测模型获得模块，用于基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型的网络参数迁移至下一个频率的多输入多输出回归分析模型中，并利用下一个频率的振动响应频域数据样本集训练迁移后的多输入多输出回归分析模型，获得下一个频率的频域振动响应预测模型；
循环模块，用于重复以上步骤，直到获得频率序列中所有频率的频域振动响应预测模型；
实时自功率谱获取模块，用于获取每种频率下多个已知测点的实时自功率谱；
未知测点的自功率谱输出模块，用于将每种频率下多个已知测点的实时自功率谱分别输入各自对应频率的频域振动响应预测模型，输出每种频率下未知测点的自功率谱。
6.根据权利要求5所述的基于深度迁移学习的多点频域振动响应预测系统，其特征在于，所述系统还包括：
时域数据样本获取模块，用于获取多组振动响应时域数据样本；
频域数据样本转换模块，用于利用快速傅里叶变换将每组振动响应时域数据样本转换为振动响应频域数据样本；
频域数据样本集组成模块，用于将多组振动响应频域数据样本中相同频率的频域数据组成同一频率下的振动响应频域数据样本集。
7.根据权利要求5所述的基于深度迁移学习的多点频域振动响应预测系统，其特征在于，所述频域振动响应预测模型包括依次连接的1个输入层、4个隐藏层和1个输出层；
4个所述隐藏层的全连接神经单元的数量分别为256、128、64和64。
8.根据权利要求7所述的基于深度迁移学习的多点频域振动响应预测系统，其特征在于，所述下一个频率的预测模型获得模块，具体包括：
模型迁移子模块，用于基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型中前两个隐藏层的参数迁移至下一个频率的多输入多输出回归分析模型中，获得迁移后的多输入多输出回归分析模型；
一次训练子模块，用于利用下一个频率的振动响应频域数据样本集对迁移后的多输入多输出回归分析模型的前两个隐藏层进行Fine-tuning训练，获得一次训练后的多输入多输出回归分析模型；
二次训练子模块，用于利用下一个频率的振动响应频域数据样本集对一次训练后的多输入多输出回归分析模型的后两个隐藏层进行训练，获得二次训练后的多输入多输出回归分析模型，作为下一个频率的频域振动响应预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111067225.5A CN113779506A (zh) | 2021-09-13 | 2021-09-13 | 基于深度迁移学习的多点频域振动响应预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111067225.5A CN113779506A (zh) | 2021-09-13 | 2021-09-13 | 基于深度迁移学习的多点频域振动响应预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113779506A true CN113779506A (zh) | 2021-12-10 |
Family
ID=78842846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111067225.5A Pending CN113779506A (zh) | 2021-09-13 | 2021-09-13 | 基于深度迁移学习的多点频域振动响应预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113779506A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117933102A (zh) * | 2024-03-22 | 2024-04-26 | 华侨大学 | 基于mktl的多点频域振动响应预测方法、装置、设备及介质 |
| CN117952019A (zh) * | 2024-03-22 | 2024-04-30 | 华侨大学 | 基于srt的多点频域振动响应预测方法、装置、设备及介质 |
| CN118565381A (zh) * | 2024-07-31 | 2024-08-30 | 宁波舜宇光电信息有限公司 | 反射镜面型测量系统、反射镜面型测量方法和电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| CN107092738A (zh) * | 2017-04-12 | 2017-08-25 | 华侨大学 | 基于多元线性回归的振动响应频域预测的实验装置及方法 |
| CN107256204A (zh) * | 2017-04-12 | 2017-10-17 | 华侨大学 | 基于传递函数的多点振动响应频域预测的实验装置及方法 |
| 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 |
-
2021
- 2021-09-13 CN CN202111067225.5A patent/CN113779506A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| CN107092738A (zh) * | 2017-04-12 | 2017-08-25 | 华侨大学 | 基于多元线性回归的振动响应频域预测的实验装置及方法 |
| CN107256204A (zh) * | 2017-04-12 | 2017-10-17 | 华侨大学 | 基于传递函数的多点振动响应频域预测的实验装置及方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 王成、詹威等: "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. 25, no. 3, pages 1 - 8 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117933102A (zh) * | 2024-03-22 | 2024-04-26 | 华侨大学 | 基于mktl的多点频域振动响应预测方法、装置、设备及介质 |
| CN117952019A (zh) * | 2024-03-22 | 2024-04-30 | 华侨大学 | 基于srt的多点频域振动响应预测方法、装置、设备及介质 |
| CN118565381A (zh) * | 2024-07-31 | 2024-08-30 | 宁波舜宇光电信息有限公司 | 反射镜面型测量系统、反射镜面型测量方法和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113779506A (zh) | 基于深度迁移学习的多点频域振动响应预测方法及系统 | |
| CN112364973B (zh) | 基于神经网络和模型迁移学习的多源频域载荷识别方法 | |
| CN112528870B (zh) | 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 | |
| CN106294897B (zh) | 一种适用于电磁暂态多时间尺度实时仿真接口的实现方法 | |
| CN107085633B (zh) | 基于支持向量机的多点振动响应频域预测的装置及方法 | |
| CN106295798A (zh) | 经验模式分解与Elman神经网络组合风电预测方法 | |
| CN112364994B (zh) | 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 | |
| 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 | |
| CN110442980A (zh) | 基于相似贝叶斯方法的确定性损伤识别方法 | |
| CN110045317B (zh) | 一种互感器计量误差在线检测方法及系统 | |
| CN108710752A (zh) | 一种基于灰色关联分析和bp神经网络的电机数据分析方法 | |
| CN108876021A (zh) | 一种中长期径流预报方法及系统 | |
| CN105243259A (zh) | 基于极限学习机的脉动风速快速预测方法 | |
| CN105159865A (zh) | 复杂声振模拟实验环境下进行不相关多源频域载荷识别的装置和方法 | |
| CN110504676A (zh) | 一种基于apso-bp的配电网状态估计方法 | |
| CN106096213B (zh) | 一种opgw光缆双应力加速寿命综合评估方法 | |
| CN110808580A (zh) | 基于小波变换和极限学习机的电压暂降源快速辨识方法 | |
| CN110674984A (zh) | 一种基于Tri-Training-Lasso-BP网络的静态电压稳定裕度预测方法 | |
| CN113837432A (zh) | 一种物理-数据联合驱动的电力系统频率预测方法 | |
| CN102175203B (zh) | 一种输电线路覆冰突出影响因素分析方法 | |
| CN111506868A (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
| CN118917213A (zh) | 开关柜电场强度优化策略确定方法、装置、设备和介质 | |
| CN113033077A (zh) | 一种基于神经网络算法的直流输电线路故障测距方法 | |
| CN105572472B (zh) | 分布式电源环境的频率测量方法与系统 | |
| CN116702630B (zh) | 一种电容式电压互感器cvt的误差迭代评估方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211210 |