【技术实现步骤摘要】
本专利技术属于微机电系统(mems，micro-electro-mechanical system)陀螺设计，特别涉及一种基于神经网络的多环谐振式陀螺品质因数获取方法及系统。
技术介绍
1、多环谐振式陀螺是测量载体相对惯性空间旋转运动的角速率传感器之一，是运动测量、惯性导航、制导控制等应用的核心器件，在工业和军事应用领域中具有至关重要的作用；其中，多环谐振式陀螺的主要结构部分是一个高频振动的元件，利用高速振动的质量块在被基座带动旋转时所产生的哥氏效应来测量角速度。
2、品质因数(quality factor，q)是陀螺仪的重要性能指标参数，有关q值的研究一直是陀螺仪的热点问题，其定义为每个振动周期内谐振器的总体应变能与损耗的能量之间的比值，其倒数1/q为谐振器的阻尼比。进一步解释性的，通常多环谐振式陀螺仪工作在n＝2阶模态或n＝3阶模态，对q值的评估是在上述特定阶数模态下进行的；为了追求更高的q值，在设计陀螺仪时需要对陀螺仪进行优化。
3、现有传统的q值获取过程中，模态识别需要人工完成；其中，一方面由于陀螺尺度非常小，存在非线性、模态耦合等诸多新机理和新效应，有些物理现象还未能进行充分地科学解释；另一方面，人工完成模态识别需要设计人员根据已有的经验与直觉，反复调整设计参数，准确可靠性较差且效率较低；因此，借住机器学习算法的陀螺结构优化方式有着巨大的应用潜力，已得到了众多学者的广泛关注。
4、在上述传统方案的基础上，目前已有一些学者，采用提取多环谐振陀螺结构模态振型图不同波腹轴法向面上法向位移并
5、1)上述方法只能对n＝2阶模态进行识别，导致结构优化方法无法通用于其他阶数的模态；示例性的，如n＝3阶模态；进一步解释性的，上述现有方法只能对n＝2阶模态进行识别，导致结构优化方法无法通用于其他阶数的模态，例如在考虑到环形谐振腔的结构对称性时需要选择n＝3阶模态；
6、2)上述方法判断准确率不高，由于法向位移绝对值最大并不是n＝2阶模态的充分条件，实际仿真中会出现法向位移绝对值最大但并不属于n＝2阶模态的情况；这种情况会使得q值的评估是在其他阶数下的模态进行的，导致评估出现很大误差，进而导致算法的优化效率大打折扣，使其陷入到局部最优解。
技术实现思路
1、本专利技术的目的在于提供一种基于神经网络的多环谐振式陀螺品质因数获取方法及系统，以解决上述存在的一个或多个技术问题。本专利技术提供的技术方案，创新性的基于卷积神经网络进行模态图识别，可以快速准确地自动识别所需工作模态且适用于各种阶数，可提高判断效率，最终能够快速获得准确可靠的品质因数。
2、为达到上述目的，本专利技术采用以下技术方案：
3、本专利技术提供的一种基于神经网络的多环谐振式陀螺品质因数获取方法，包括以下步骤：
4、基于待获取品质因数的多环谐振式陀螺的陀螺结构，在多个预设特征频率下分别进行仿真，获得各个预设特征频率下的模态图；其中，每个预设特征频率下的模态图均包括位移场图、振型图和布尔逻辑标签；
5、基于获得的各个预设特征频率下的模态图，利用预先训练好的模态识别神经网络模型进行模态识别，获得模态识别结果；基于所述模态识别结果，获得模态识别结果对应的预设阶数的模态图；
6、基于模态识别结果对应的预设阶数的模态图，获取与预设阶数的模态图对应的预设特征频率；
7、基于与预设阶数的模态图对应的预设特征频率进行有限元多物理场仿真，获得多环谐振式陀螺的品质因数。
8、本专利技术方法的进一步改进在于，所述模态识别神经网络模型的架构包括：
9、第一特征提取模块，用于输入位移场图并进行特征提取，输出位移场图特征；
10、第二特征提取模块，用于输入振型图并进行特征提取，输出振型图特征；
11、特征融合模块，用于输入所述位移场图特征和所述振型图特征并进行融合处理，输出特征融合向量；
12、全连接层输出模块，用于输入所述特征融合向量，输出用于判断预设模态的二元输出。
13、本专利技术方法的进一步改进在于，所述特征融合模块中，融合处理具体是将特征拉平后进行拼接。
14、本专利技术方法的进一步改进在于，所述预先训练好的模态识别神经网络模型的训练步骤包括：
15、获取训练样本集；其中，所述训练样本集中包括正样本和负样本，每个正样本均包括预设阶数的多环谐振式陀螺样本模态图和正样本标签，每个负样本均包括非预设阶数的多环谐振式陀螺样本模态图和负样本标签；
16、基于所述训练样本集中的每个训练样本，对所述模态识别神经网络模型进行训练，达到预设收敛条件后，获得所述预先训练好的模态识别神经网络模型；
17、其中，所述获取训练样本集的步骤中，通过改变陀螺拓扑与陀螺参数的方式，得到大量拓扑样本；仿真得到每个拓扑样本的前n阶模态结果，得到前n阶模态对应的模态图；进行人工分类，所需模态的标签设为1，将其余模态的标签设为0；对正样本的模态图，通过旋转和翻转中的一种或两种方式扩充其样本数量，使正样本数量与负样本数量相等。
18、本专利技术方法的进一步改进在于，所述基于与预设阶数的模态图对应的预设特征频率进行有限元多物理场仿真，获得多环谐振式陀螺的品质因数的步骤包括：
19、基于所述待获取品质因数的多环谐振式陀螺的陀螺结构以及所述与预设阶数的模态图对应的预设特征频率，在comsol软件中进行有限元多物理场仿真，获得多环谐振式陀螺的品质因数。
20、本专利技术提供的一种基于神经网络的多环谐振式陀螺品质因数获取系统，包括：
21、模态图获取模块，用于基于待获取品质因数的多环谐振式陀螺的陀螺结构，在多个预设特征频率下分别进行仿真，获得各个预设特征频率下的模态图；其中，每个预设特征频率下的模态图均包括位移场图、振型图和布尔逻辑标签；
22、模态识别模块，用于基于获得的各个预设特征频率下的模态图，利用预先训练好的模态识别神经网络模型进行模态识别，获得模态识别结果；基于所述模态识别结果，获得模态识别结果对应的预设阶数的模态图；
23、预设特征频率获取模块，用于基于模态识别结果对应的预设阶数的模态图，获取与预设阶数的模态图对应的预设特征频率；
24、仿真模块，用于基于与预设阶数的模态图对应的预设特征频率进行有限元多物理场仿真，获得多环谐振式陀螺的品质因数。
25、本专利技术系统的进一步改进在于，所述模态识别模块中，模态识别神经网络模型的架构包括：
26、第一特征提取模块，用于输入位移场图并进行特征提取，输出位移场图特征；
27、第二特征提取模块，用于输入振型图并进行特征提取，输出振型图特征；
28、特征融合模块，用于输入所述位移场图特征和所述振型图特征并进行融合处理，输出特征融合向量；
本文档来自技高网...
【技术保护点】
1.一种基于神经网络的多环谐振式陀螺品质因数获取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络的多环谐振式陀螺品质因数获取方法，其特征在于，所述模态识别神经网络模型的架构包括：
3.根据权利要求2所述的一种基于神经网络的多环谐振式陀螺品质因数获取方法，其特征在于，所述特征融合模块中，融合处理具体是将特征拉平后进行拼接。
4.根据权利要求2所述的一种基于神经网络的多环谐振式陀螺品质因数获取方法，其特征在于，所述预先训练好的模态识别神经网络模型的训练步骤包括：
5.根据权利要求1所述的一种基于神经网络的多环谐振式陀螺品质因数获取方法，其特征在于，所述基于与预设阶数的模态图对应的预设特征频率进行有限元多物理场仿真，获得多环谐振式陀螺的品质因数的步骤包括：
6.一种基于神经网络的多环谐振式陀螺品质因数获取系统，其特征在于，包括：
7.根据权利要求6所述的一种基于神经网络的多环谐振式陀螺品质因数获取系统，其特征在于，所述模态识别模块中，模态识别神经网络模型的架构包括：
8.根据权
9.根据权利要求7所述的一种基于神经网络的多环谐振式陀螺品质因数获取系统，其特征在于，所述模态识别模块中，预先训练好的模态识别神经网络模型的训练步骤包括：
10.根据权利要求7所述的一种基于神经网络的多环谐振式陀螺品质因数获取系统，其特征在于，所述仿真模块中，执行基于与预设阶数的模态图对应的预设特征频率进行有限元多物理场仿真，获得多环谐振式陀螺的品质因数的步骤包括：
...【技术特征摘要】
1.一种基于神经网络的多环谐振式陀螺品质因数获取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络的多环谐振式陀螺品质因数获取方法，其特征在于，所述模态识别神经网络模型的架构包括：
3.根据权利要求2所述的一种基于神经网络的多环谐振式陀螺品质因数获取方法，其特征在于，所述特征融合模块中，融合处理具体是将特征拉平后进行拼接。
4.根据权利要求2所述的一种基于神经网络的多环谐振式陀螺品质因数获取方法，其特征在于，所述预先训练好的模态识别神经网络模型的训练步骤包括：
5.根据权利要求1所述的一种基于神经网络的多环谐振式陀螺品质因数获取方法，其特征在于，所述基于与预设阶数的模态图对应的预设特征频率进行有限元多物理场仿真，获得多环谐振式陀螺的品质因数的步骤包括：
6.一种基于神...
【专利技术属性】
技术研发人员：王红义，王梓懿，陈晨，周金秋，范柚攸，王鑫鹏，张龙，熊开利，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。