动载荷识别方法技术

本发明专利技术公开了一种动载荷识别方法

【技术实现步骤摘要】
动载荷识别方法、装置、设备及计算机存储介质


[0001]本专利技术属于动载荷识别领域，具体涉及一种动载荷识别方法
、
装置
、
设备及计算机存储介质
。

技术介绍

[0002]作为结构动力学领域的第二类逆问题，动载荷识别技术在工程应用中往往会遇到诸多困难
。
基于频域法的动载荷识别会因为复杂结构频响函数矩阵的病态问题使识别结果产生较大误差；基于时域法的动载荷识别又会因为工程结构的非线性
、
不适定性，识别算法的累计误差，结构的模型参数或者响应信息缺失等问题使识别过程遇到阻碍
。
传统的动载荷识别方法基本思路为：
(1)
获取在目标动载荷作用下结构的振动响应信息
(
速度
、
加速度
、
位移
、
应变等
)
；
(2)
通过动载荷识别的动标定技术获取结构响应点到激励点的传递函数；
(3)
通过动力学逆问题的方法求解出频域或者时域下的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种动载荷识别方法，其特征在于，包括以下步骤：针对一次完整的结构受动载荷引起动响应的过程，选取一段动载荷及其对应的动响应数据，在全时域段内将数据等分为若干个时间单元，对每个时间单元内的数据进行经验模式分解，分别得到动载荷与动响应分解后的特征分量，所述特征分量包括固有模态函数与残差，分别将动载荷与动响应分解后的特征分量进行拼接，作为模型的训练数据；将动响应特征分量的拼接作为长短时记忆神经网络模型的输入，动载荷特征分量的拼接作为长短时记忆神经网络模型的输出，进行网络训练，使得模型具备识别动载荷特征分量的能力；将待识别的动响应特征分量输入至训练好的模型，识别出对应的动载荷特征分量，对动载荷特征分量进行重构，识别出动载荷
。2.
根据权利要求1所述的方法，其特征在于，对每个时间单元内的数据进行经验模式分解包括：将信号
u(t)
在全时域段内等分为
θ
段，记为
u
＝
[u1(t) u2(t)
ꢀ…ꢀ
u
p
(t)
ꢀ…ꢀ
u
θ
(t)]
，在每一个时间单元
u
p
(t)
内分别添加高斯噪声，有
u
′
p
(t)
＝
u
p
(t)+
Θ
n
p
(t)
，
Θ
为高斯白噪声的幅值，
n(t)
为高斯白噪声时间序列；对
u
′
p
(t)
进行经验模式分解，得到分解结果
p
＝
1,2,
…
,
θ
，
k
为经验模式分解所得的分量数目，
IMF
pi
(t)
为第
p
段时间单元对应的第
i
项固有模态函数分量，
ζ
pk
(t)
为第
p
段时间单元对应的残差分量
。3.
根据权利要求2所述的方法，其特征在于，长短时记忆神经网络模型中，各门结构数据的传播公式如下：
f
tIMF
＝
σ
(W
f
[h
t
‑1,IMF
ttrain
]+b
f
)))o
t
＝
σ
(W
o
[h
t
‑1,IMF
ttrain
]+b
o
)
式中，表示按元素乘，表示模型的长时信息，
h
t
表示短时信息，
σ
表示
Sigmoid
激活函数，
f
tIMF
表示遗忘门的传递信息，表示输入门的传递信息，表示模型短暂存储的长时信息，是数据传递的中间变量，
IMF
ttrain
表示模型的训练数据，是经验模式分解拼接后的特征向量，表示输出门的传递信息，表示
LSTM
最终的输出，遗忘门
、
输入门
、
单元状态输出门的权重矩阵为
W
f
，
W
i
，
W
c
，
W
o
，它们的偏置向量分别为
b
f
，
b
i
，
b
c
，
b
o
。4.
根据权利要求3所述的方法，其特征在于，利用模型进行动载荷识别包括：将用于测试的输入
IMF,
ζ
test
与初始化的短时记忆代入模型中，得到识别出的各项分量与残差：式中，
Γ
LSTM
表示训练完成的长短时记忆神经网络
模型，
IMF,
ζ
iden
代表识别出的动载荷特征分量；将识别出的动载荷特征分量进行重构，获取最终的动载荷：
f(x,t)
＝
SDEEMD
r
(IMF,
ζ
iden
)
，其中，
SDEEMD
r
为动载荷的重构算子，用于将分段后分解的各部分分量进行重构，所述重构是指将识别得到的各
IMF
分量与残差进行相加得到最终的待识别动载荷
。5.
一种动载荷识别装置，其特征在于，包括：训练数据获取模块，被配置用于针对一次完整的结构受动载荷引起动响应的过程，选取一段动载荷及其对应的动响应数据，在全时域段内将数据等分为若干个时间单元，对每个时间单元内的数据进行经验模式分解，分别得到动载荷与动响应分解后的特征分量，所述特征分量包括固有模态函数与残差，分别将动载荷与动响应分解后的特征...

【专利技术属性】
技术研发人员：杨泓基，姜金辉，陈国平，丁铭，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：