基于哈密顿结构网络的机械系统物理参数求解方法技术方案

本公开实施例中提供了一种基于哈密顿结构网络的机械系统物理参数求解方法，属于数据处理技术领域，具体包括：获取时序序列数据集；将时序序列数据集输入哈密顿结构网络进行求导；计算广义坐标和广义动量的预测误差；得到哈密顿结构网络的损失函数；直到损失函数收敛至预设条件时，保存本次迭代的哈密顿结构网络作为求解模型；将采集到的目标机械系统的轨迹数据输入求解模型，得到目标机械系统对应的物理参数。通过本公开的方案，将哈密顿动力学先验知识以结构化的方式引入深度神经网络中，采用深度神经网络对哈密顿动力学的关键结构进行描述,构建机械系统物理参数求解模型，提高了机械系统物理参数求解的适应性和计算效率。了机械系统物理参数求解的适应性和计算效率。了机械系统物理参数求解的适应性和计算效率。

【技术实现步骤摘要】
基于哈密顿结构网络的机械系统物理参数求解方法


[0001]本公开实施例涉及数据处理
，尤其涉及一种基于哈密顿结构网络的机械系统物理参数求解方法。

技术介绍

[0002]目前，随着工业化进程的加快，工业生产的机械设备或者机械系统管理对于提升工业生产效率或者延长系统寿命都是重要的影响因素，如何管理机械系统则通过实时计算机械系统的物理参数以获取系统运行状态，而现有的机械系统参数求解方法存在需要较多专家知识和机械系统的控制量为动态时无法求解的问题，例如，传统的最小二乘法,卡尔曼滤波等方法，要求专家对机械系统的机理进行分析，选取状态变量和模型结构，再设计输入输出试验，来确定状态变量与输入变量之间的映射关系,从而进行求解。或者，基于ODE
‑
NET等方法的深度学习求解器，通过最小化机械系统预测状态和真实状态的误差，来进行特定参数求解，求解过程与控制过程分离,只适用控制器的控制量为静态的情况，在控制量为动态时，求解器无法求解。
[0003]可见，现有的机械系统物理参数求解方法存在适应性和计算效率较差的问题。

技术实现思路

[0004]有鉴于此，本公开实施例提供一种基于哈密顿结构网络的机械系统物理参数求解方法，至少部分解决现有技术中存在适应性和计算效率较差的问题。
[0005]本公开实施例提供了一种基于哈密顿结构网络的机械系统物理参数求解方法，包括：
[0006]获取样本机械系统的历史运行数据作为时序序列数据集，其中，所述时序序列数据集包括系统状态变量和对应的控制量，所述系统状态变量包括广义坐标和广义动量；
[0007]将所述时序序列数据集输入哈密顿结构网络进行求导，得到所述广义坐标对应的第一导值和所述广义动量对应的第二导值；
[0008]根据所述第一导值和所述第二导值计算所述广义坐标和所述广义动量的预测误差；
[0009]最小化所述广义坐标和所述广义动量的预测误差，得到所述哈密顿结构网络的损失函数；
[0010]使用预设优化器对所述损失函数进行梯度下降迭代训练，直到所述损失函数收敛至预设条件时，保存本次迭代的哈密顿结构网络作为求解模型；
[0011]将采集到的目标机械系统的轨迹数据输入所述求解模型，得到所述目标机械系统对应的物理参数。
[0012]根据本公开实施例的一种具体实现方式，所述获取样本机械系统的历史运行数据作为时序序列数据集的步骤之前，所述方法还包括：
[0013]在预设时段内，通过控制器的控制动作量与所述样本机械系统进行交互，生成所
述历史运行数据。
[0014]根据本公开实施例的一种具体实现方式，所述将所述时序序列数据集输入哈密顿结构网络进行求导，得到所述广义坐标对应的第一导值和所述广义动量对应的第二导值的步骤，包括：
[0015]将所述广义坐标和所述广义动量转换为二维角度量，并根据所述样本机械系统对应的哈密顿力学公式计算所述第一导值和所述第二导值。
[0016]根据本公开实施例的一种具体实现方式，所述哈密顿结构网络包括惯性矩阵、势能项和输入矩阵。
[0017]根据本公开实施例的一种具体实现方式，所述将采集到的目标机械系统的轨迹数据输入所述求解模型，得到所述目标机械系统对应的物理参数的步骤，包括：
[0018]将所述轨迹数据输入所述求解模型，通过所述惯性矩阵、所述势能项和所述输入矩阵分别求解所述目标机械系统的惯性值、势能值和输入值。
[0019]根据本公开实施例的一种具体实现方式，所述预设优化器为Adam优化器。
[0020]本公开实施例中的基于哈密顿结构网络的机械系统物理参数求解方案，包括：获取样本机械系统的历史运行数据作为时序序列数据集，其中，所述时序序列数据集包括系统状态变量和对应的控制量，所述系统状态变量包括广义坐标和广义动量；将所述时序序列数据集输入哈密顿结构网络进行求导，得到所述广义坐标对应的第一导值和所述广义动量对应的第二导值；根据所述第一导值和所述第二导值计算所述广义坐标和所述广义动量的预测误差；最小化所述广义坐标和所述广义动量的预测误差，得到所述哈密顿结构网络的损失函数；使用预设优化器对所述损失函数进行梯度下降迭代训练，直到所述损失函数收敛至预设条件时，保存本次迭代的哈密顿结构网络作为求解模型；将采集到的目标机械系统的轨迹数据输入所述求解模型，得到所述目标机械系统对应的物理参数。
[0021]本公开实施例的有益效果为：通过本公开的方案，将哈密顿动力学先验知识以结构化的方式引入深度神经网络中，采用深度神经网络对哈密顿动力学的关键结构进行描述,构建机械系统物理参数求解模型，提高了机械系统物理参数求解的适应性和计算效率。
附图说明
[0022]为了更清楚地说明本公开实施例的技术方案，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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0023]图1为本公开实施例提供的一种基于哈密顿结构网络的机械系统物理参数求解方法的流程示意图；
[0024]图2为本公开实施例提供的一种单极倒立摆系统示意图；
[0025]图3为本公开实施例提供的一种哈密顿结构化的参数求解模型示意图；
[0026]图4为本公开实施例提供的一种Pendulum系统哈密顿结构化部分参数求解结果示意图；
[0027]图5为本公开实施例提供的一种Pendulum系统角度量转换下的哈密顿结构化模型求解结果示意图；
[0028]图6为本公开实施例提供的一种Pendulum系统角度量转换下的哈密顿结构化模型
求解误差分析示意图。
具体实施方式
[0029]下面结合附图对本公开实施例进行详细描述。
[0030]以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0031]需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于哈密顿结构网络的机械系统物理参数求解方法，其特征在于，包括：获取样本机械系统的历史运行数据作为时序序列数据集，其中，所述时序序列数据集包括系统状态变量和对应的控制量，所述系统状态变量包括广义坐标和广义动量；将所述时序序列数据集输入哈密顿结构网络进行求导，得到所述广义坐标对应的第一导值和所述广义动量对应的第二导值；根据所述第一导值和所述第二导值计算所述广义坐标和所述广义动量的预测误差；最小化所述广义坐标和所述广义动量的预测误差，得到所述哈密顿结构网络的损失函数；使用预设优化器对所述损失函数进行梯度下降迭代训练，直到所述损失函数收敛至预设条件时，保存本次迭代的哈密顿结构网络作为求解模型；将采集到的目标机械系统的轨迹数据输入所述求解模型，得到所述目标机械系统对应的物理参数。2.根据权利要求1所述的方法，其特征在于,所述获取样本机械系统的历史运行数据作为时序序列数据集的步骤之前，所述方法还包括：在预...

【专利技术属性】
技术研发人员：裘智峰，廖大华，魏佳雯，曾婉馨，穆伟伟，桂卫华，
申请(专利权)人：中南大学，
类型：发明
国别省市：