基于泛回归神经网络的软管等效体积弹性模量计算方法技术

本发明专利技术公开了一种基于泛回归神经网络的软管等效体积弹性模量计算方法,采用软管连接的双缸装置测试软管膨胀，获得各个压力区间下活塞位移与其对应的测试软管的容腔压力；处理原始数据获得测试软管的压力变化率及其对应的容积变化率；将筛选后的数据以压力区间、测试软管的压力变化率作输入层，以测试软管的容积变化率作输出层，对泛回归神经网络进行训练、测试，建立软管模型。本发明专利技术能够描述全工况范围的软管变形，提高控制精度，与采用集中参数法的建立的模型相比，能够更好的描述软管在实际工作时的变化，尤其是较高压力和软管弹性系数下降的工况下，对容积变化的辨识更符合实际。际。际。

【技术实现步骤摘要】
基于泛回归神经网络的软管等效体积弹性模量计算方法


[0001]本专利技术涉及液压辅件
，尤其涉及一种基于泛回归神经网络的软管等效体积弹性模量计算方法。

技术介绍

[0002]液压元件间常用软管连接，实现柔性装拆且可吸收一定的压力振荡。在远距细长连接或高输出力作动器精密控制等场合，软管变形对其控制有重要影响，有必要建立软管模型。传统集中参数法采用一组固定参数建立的软管模型难以描述全工况范围的容腔变化，尤其在较高压力下，软管达到一定的膨胀量，其弹性系数下降，弹性变形能力减弱，在同样压力变化下，软管容腔变化明显减小，严重影响基于模型的系统控制性能。因此需要找到一种有效的软管建模方法实现全工况范围的软管容腔变化的预测，可为软管容腔压缩损失进行精确补偿，提高系统控制精度。本专利正是基于此目的公开的一种基于泛回归神经网络的软管等效体积弹性模量计算方法。

技术实现思路

[0003]本专利技术所要解决的技术问题是针对
技术介绍
中所涉及到的缺陷，提供一种基于泛回归神经网络的软管等效体积弹性模量计算方法。
[0004]本专利技术为解决上述技术问题采用以下技术方案：
[0005]基于泛回归神经网络的软管等效体积弹性模量计算方法，包括以下步骤：
[0006]步骤1)，对双缸装置进行测试，获取原始数据；
[0007]所述双缸装置包含固定活塞缸、移动活塞缸、测试软管、功能软管，其中，固定活塞缸的缸体和活塞杆均固定，移动活塞缸的缸体固定、活塞杆能够自由滑动；固定活塞缸、移动活塞缸中的无杆腔通过测试软管密闭联通，固定活塞缸、移动活塞缸中的有杆腔通过功能软管密闭联通；所述测试软管内设有压力传感器；所述移动活塞缸的活塞杆上设有测量其位移的位移传感器；进行测试时，对移动活塞缸的活塞杆加载负载，测得测试软管内不同压力值对应的移动活塞缸活塞杆的位移量；
[0008]所述原始数据包含N组测试软管内压力值及其对应的移动活塞缸活塞杆的位移量，N为预设的阈值；
[0009]步骤2)，将测试软管的压力值范围划分为若干压力区间，对原始数据进行处理，得到测试软管在各个压力区间下的压力变化率及其对应容积变化率；
[0010]步骤3)，筛选掉重复数据，以压力区间、压力变化率作为输入层，容积变化率作为输出层，并按预设的比例阈值随机划分训练组与测试组，对泛回归神经网络进行训练、测试，建立软管模型；
[0011]步骤4)，需要进行软管等效体积弹性模量计算时：
[0012]步骤4.1)，获得待计算软管当前的压力数据，并根据其压力数据计算出当前软管的压力区间、压力变化率；
[0013]步骤4.2)，将当前软管的压力区间、压力变化率输入软管模型，得到待计算软管的容积变化率；
[0014]步骤4.3)，根据待计算软管的容积变化率，计算出其等效体积弹性模量。
[0015]作为本专利技术基于泛回归神经网络的软管等效体积弹性模量计算方法进一步的优化方案，所述步骤1)双缸装置的动力学平衡方程为：
[0016][0017][0018][0019]式中，m是负载质量；V1是固定活塞缸、移动活塞缸中的无杆腔由于测试软管膨胀与流体压缩结合导致的容积增量；V2是固定活塞缸、移动活塞缸中的有杆腔由于功能软管膨胀与流体压缩结合导致的容积增量；F
t
是加载到移动活塞缸活塞杆上的负载；X移动活塞缸的活塞位移；A
11
、A
21
分别是固定活塞缸、移动活塞缸中无杆腔的活塞有效作用面积；A
12
、A
22
分别是固定活塞缸、移动活塞缸中有杆腔的活塞有效作用面积；X
11
、X
21
分别是固定活塞缸、移动活塞缸中无杆腔的活塞位移；X
12
、X
22
分别是固定活塞缸、移动活塞缸中有杆腔的活塞位移。
[0020]作为本专利技术基于泛回归神经网络的软管等效体积弹性模量计算方法进一步的优化方案，所述位移传感器采用LVDT位移传感器。
[0021]作为本专利技术基于泛回归神经网络的软管等效体积弹性模量计算方法进一步的优化方案，所述步骤2)中根据以下公式计算测试软管的容积变化率：
[0022][0023]式中，是测试软管的容积变化率；A是移动活塞缸无杆腔活塞有效面积；是移动活塞缸的活塞速率。
[0024]作为本专利技术基于泛回归神经网络的软管等效体积弹性模量计算方法进一步的优化方案，所述步骤3)的具体步骤如下：
[0025]步骤3.1)，数据筛选：
[0026]去掉重复性数据与不合理数据，获得用于神经网络训练的最终数据，每组数据均包含压力区间、测试软管的压力变化率及对应的测试软管的容积变化率；将最终数据按预设的比例阈值随机划分训练组与测试组，训练组内的最终数据即为学习样本；
[0027]步骤3.2)，建立泛回归神经网络，所述泛回归神经网络包含输入层、模式层、求和层、输出层，其中：
[0028]输入层神经元数目等于学习样本中输入向量，即压力区间、压力变化率的维数；模式层神经元的数目等于学习样本的数目n，每个样本都对应一个神经元；
[0029]模式层神经元传递函数为：
[0030][0031]式中，X为网络输入变量，X
i
为第i个神经元对应的学习样本,σ是宽度,p
i
是模式层第i个神经元的输出；
[0032]求和层中采用两种类型的神经元进行求和，第一类的计算公式为该式对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为S
D
为第一类求和层的输出；第二类计算公式为该式对所有模式层的神经元进行加权求和，传递函数为式中，S
Nj
是第二类求和层的输出，y
ij
是第i个模式层节点对应的训练样本的标签的第j个元素；k是测试软管容积变化率的维数；
[0033]输出层中的神经元数目等于学习样本中输出向量，即测试软管容积变化率的维数k,各神经元的输出值为第二类求和层除以第一类求和层的值，即
[0034]步骤3.3)，建立软管模型：
[0035]以压力区间、测试软管的压力变化率为泛回归神经网络的输入，以测试软管的容积变化率为泛回归神经网络的输出，利用训练组与测试组对泛回神经网络进行训练测试，获得软管模型。
[0036]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
[0037]1.本专利技术提供了一种测试方法，用以获得建立软管等效体积弹性模量模型的原始数据；
[0038]2.本专利技术基于泛回归神经网络，采用深度学习算法实现软管模型辨识；与传统的集中参数法相比，基于深度学习算法的软管建模方法能够描述全工况范围的软管变形，提高控制精度；
[0039]3.本专利技术采用大量的试验数据进行神经网络的训练，获得软管模型，与采用集中参数法的建立的模型相比，能够更好的描述软管在实际工作时的变化，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于泛回归神经网络的软管等效体积弹性模量计算方法，其特征在于，包括以下步骤：步骤1)，对双缸装置进行测试，获取原始数据；所述双缸装置包含固定活塞缸、移动活塞缸、测试软管、功能软管，其中，固定活塞缸的缸体和活塞杆均固定，移动活塞缸的缸体固定、活塞杆能够自由滑动；固定活塞缸、移动活塞缸中的无杆腔通过测试软管密闭联通，固定活塞缸、移动活塞缸中的有杆腔通过功能软管密闭联通；所述测试软管内设有压力传感器；所述移动活塞缸的活塞杆上设有测量其位移的位移传感器；进行测试时，对移动活塞缸的活塞杆加载负载，测得测试软管内不同压力值对应的移动活塞缸活塞杆的位移量；所述原始数据包含N组测试软管内压力值及其对应的移动活塞缸活塞杆的位移量，N为预设的阈值；步骤2)，将测试软管的压力值范围划分为若干压力区间，对原始数据进行处理，得到测试软管在各个压力区间下的压力变化率及其对应容积变化率；步骤3)，筛选掉重复数据，以压力区间、压力变化率作为输入层，容积变化率作为输出层，并按预设的比例阈值随机划分训练组与测试组，对泛回归神经网络进行训练、测试，建立软管模型；步骤4)，需要进行软管等效体积弹性模量计算时：步骤4.1)，获得待计算软管当前的压力数据，并根据其压力数据计算出当前软管的压力区间、压力变化率；步骤4.2)，将当前软管的压力区间、压力变化率输入软管模型，得到待计算软管的容积变化率；步骤4.3)，根据待计算软管的容积变化率，计算出其等效体积弹性模量。2.根据权利要求1所述的基于泛回归神经网络的软管等效体积弹性模量计算方法，其特征在于，所述步骤1)双缸装置的动力学平衡方程为：特征在于，所述步骤1)双缸装置的动力学平衡方程为：特征在于，所述步骤1)双缸装置的动力学平衡方程为：式中，m是负载质量；V1是固定活塞缸、移动活塞缸中的无杆腔由于测试软管膨胀与流体压缩结合导致的容积增量；V2是固定活塞缸、移动活塞缸中的有杆腔由于功能软管膨胀与流体压缩结合导致的容积增量；F
t
是加载到移动活塞缸活塞杆上的负载；X移动活塞缸的活塞位移；A
11
、A
21
分别是固定活塞缸、移动活塞缸中无杆腔的活塞有效作用面积；A
12
、A
22
分别是固定活塞缸、移动活塞缸中有杆腔的活塞有效作用面积；X
11
、X
21
...

【专利技术属性】
技术研发人员：王彬，马腾飞，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：