一种基于卷积神经网络的动载荷时域识别方法技术

本发明专利技术提出了一种基于卷积神经网络的动载荷时域识别方法。首先通过试验/理论分析得到大量动力学系统的振动响应数据，将振动响应数据分为训练集、验证集、测试集。随后基于卷积神经网络理论搭建动载荷识别的逆向模型，建立系统响应与外载荷之间的内在关系，采用梯度下降算法更新逆向模型参数，进一步提高动载荷的识别精度。而后利用训练集数据对模型进行训练，建立预测载荷与试验室标准载荷的损失函数，采用梯度下降算法对CNN模型的参数进行更新，引入dropout算法提升模型的泛化能力。相较于传统的动载荷识别方法，本发明专利技术方法在仅有系统响应信息即双盲的情况下仍可识别出动载荷，改善了现有的动载荷识别方法识别精度不好、不适定性等问题。

【技术实现步骤摘要】
一种基于卷积神经网络的动载荷时域识别方法
本专利技术属于动载荷识别领域，具体涉及一种基于卷积神经网络的动载荷时域识别方法。
技术介绍
作为结构动力学领域中的第二类逆问题，动载荷识别近年来发展出了许多动载荷识别的人工智能方法，主要以神经网络算法、进化算法为主。智能算法的引入主要针对动载荷识别的不适定，对不确定因素、非线性、大规模复杂系统适应性不好等问题。在实际工程中，在某些复杂边界条件或工作边界条件下，高精度的动力学模型参数获取十分困难，传统的动载荷识别方法依赖高精度的动力学模型参数，因此智能算法的产生为动载荷识别带来了更为便利的分析过程。在已有的基于神经网络的动载荷识别方法中，BP（backpropagation）神经网络应用较广，其基本思路是首先建立基础的神经网络拓扑结构，对网络初始化，再用已知的样本对作训练学习，对学习好的模型，将实测响应作为输入，得到识别的动载荷。但是由于动载荷识别的神经网络拓扑结构不易建立，典型的训练谱的选择较难，训练工作量大，因此发展相对缓慢。传统的基于神经网络的动载荷识别方法与成熟的动载荷识别方法相比，识别精度不一定本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的动载荷时域识别方法，其特征在于，包括以下步骤：/n获取结构体受到动载荷作用所产生的系统动力学振动响应数据，作为训练集数据；/n基于卷积神经网络理论搭建动载荷识别的逆向模型，包括依次连接的卷积层、池化层、全连接层，建立起系统响应与外载荷之间的内在关系，所述动载荷时域识别逆向模型表示为：/n

【技术特征摘要】
1.一种基于卷积神经网络的动载荷时域识别方法，其特征在于，包括以下步骤：
获取结构体受到动载荷作用所产生的系统动力学振动响应数据，作为训练集数据；
基于卷积神经网络理论搭建动载荷识别的逆向模型，包括依次连接的卷积层、池化层、全连接层，建立起系统响应与外载荷之间的内在关系，所述动载荷时域识别逆向模型表示为：



式中表示待识别动载荷，表示卷积神经网络全连接层的层数，，表示待识别动载荷在激活函数非线性化前的变量，为全连接层第层的权值矩阵，为第层的振动响应，为第层的偏置值，表示激活函数；
利用训练集数据对动载荷识别的逆向模型进行训练，得到输出层与各隐藏层的线性关系矩阵，包括权值与偏置；
获取待识别的目标结构体的振动响应数值，利用训练好的动载荷时域识别逆向模型，识别出所作用的动载荷。


2.根据权利要求1所述的基于卷积神经网络的动载荷时域识别方法，其特征在于，所述基于卷积神经网络理论搭建动载荷识别的逆向模型包括：
S1、基于离散时间序列建立卷积神经网络的卷积层与池化层：
获取结构体各测点的振动响应变量时域离散序列：

,,…
记为，其中N表示时间序列点，n表示第n个测点；
定义用于动载荷识别的卷积核，得到卷积后的离散信号：



式中表示卷积，对每一个测量点的响应，有：



令动载荷经过非线性变换前的输出序列为，则由神经网络的全连接层得到输出序列为各响应数值的权值和，即：






式中：为卷积核的级数表示，为各测点的响应数值的权重和，权值为各测点振动响应在全连接层中对应的权重，b为偏置值；
经过卷积层卷积后通过激活函数非线性化的输出为：



其中V指卷积层的层数，池化层对卷积层提取的振动响应数据进行压缩，池化后的输出为：


为池化覆盖的区域
其中表示上一层卷积层的输出，M表示池化层层数；
S2、构建卷积神经网络的全连接层：
记外载荷的时域离散序列为,记为表示第个节点，m表示外载荷个数，k表示神经网络最后一层，即输出层，全连接层的权值记为，代表全连接层的层数，上角标表示第层的节点...

【专利技术属性】
技术研发人员：姜金辉，杨泓基，罗淑一，唐宏志，张方，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32