System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及临界表征程度分析领域,尤其涉及一种基于高维敏度协同西格蒙德网络的系统裂纹表征方法。
技术介绍
1、系统结构是承受循环载荷的大型机械设备,大型机械设备结构在复杂的动力环境下容易发生破坏,威胁到系统结构的稳定与安全,极易产生较大的事故隐患。为保障生产和设备安全,应及时对机械系统裂纹表征程度进行分析,因此亟需一种求解精度高、安全稳定的机械系统裂纹表征方法。
技术实现思路
1、专利技术目的:本专利技术的目的是提供一种基于高维敏度协同西格蒙德网络的系统裂纹表征方法。
2、技术方案:本专利技术包括如下步骤:
3、(1)确定系统裂纹表征的相关指标;
4、(2)基于裂纹表征指标的特征因子分析与确定;
5、(3)高维敏度协同西格蒙德模型的建立;
6、(4)高维敏度协同西格蒙德网络的优化改进;
7、(5)基于高维敏度协同西格蒙德的系统裂纹表征程度求解。
8、进一步地,所述步骤(1)根据机械系统结构的工作原理,确定出判断机械系统结构的四个裂纹表征指标,分别表征指标a,表征指标b,表征指标c,表征指标d,选取机械系统结构的主梁位置,对其进行单元划分,标号为i,si为第i主梁单元的位置,i=1,2,…,n,n为系统结构主梁单元在结构主梁上的总数,选取机械系统结构的模态阶数,对其进行标号为j,kj为第j阶模态,j=1,2,…,m,m为机械系统结构的模态阶数总数。
9、进一步地,所述步骤(2)根据步骤(
10、进一步地,所述振动频率、位移变化以及振动模态通过频谱分析法从测量信号中获得。
11、进一步地,所述步骤(2)确定每一个表征指标在最后融合指标中的占比,并对4个裂纹表征指标进行特征因子分析。
12、进一步地,所述裂纹表征指标特征值因子的确定方法包括:
13、(2.1)运用灵敏度分析方法对所提出的4个裂纹表征指标的特征值进行特征值因子分析,确定出每个表征指标的特征值因子对该表征指标的影响程度,但单一的分析方法无法确定表征指标特征值因子对指标有明显的影响;采用第二个分析方法,即标准回归系数分析法,标准化回归系数通过将回归系数除以自变量的标准差,使不同自变量的系数具有相同的度量单位;通过计算表征指标特征值因子的标准化回归系数,进一步确认表征指标特征值因子的对该指标的影响;由于灵敏度分析方法和标准回归系数法最后的分析结果存在差异,为此再引入方差分析进一步分析表征指标的特征值对指标的影响程度。
14、(2.2)通过不同的分析方法层层分析,最后确定出6个表征指标特征值因子,分别是:表征指标a方差指标、表征指标b偏斜度指标、表征指标c峰值因素指标、表征指标c波形因素指标、表征指标d均方值指标和表征指标d方根幅值指标。
15、进一步地,所述步骤(3)高维敏度协同西格蒙德模型包括卷积神经网络层、长短时记忆层和输出层。
16、进一步地,所述步骤(3)包括:
17、(3.1)将获得到的6个表征指标特征值因子的有效特征集作为卷积神经网络层的输入,通过卷积运算提取初始特征;
18、(3.2)通过池化过程对输入进行特征降维,以便完成特征向量的提取,得到三维特征数据集,
19、
20、其中λc为卷积层的输出函数,pc为权向量,ω1为偏移向量,为卷积操作。
21、
22、其中λs为卷积层的激活函数,δs、γs为常数。
23、hc=max(λs)+ω2
24、其中,hc为三维特征指标,ω2为偏移向量。
25、在进入长短时记忆层先经过遗忘门:
26、qt=ε(pf·[lt-1,xt]+ωf)
27、其中lt-1表示前一个单元的输出,ε表示激活函数,qt表示遗忘门的结果,pf表示权重矩阵,ωf表示偏置项。
28、信息经过遗忘门传递到输入门,对输入门的信息和内容进行更新:
29、it=σ(pi·[lt-1,xt]+ωi)
30、
31、
32、其中it为输入门的结果,pi、pc为权矩阵,ωi、ωc为偏置项,为xt和lt-1的状态信息的综合状态量,qt为当前时刻的状态。
33、通过输入信号进行门通,确定输出有用信息,并对单元状态进行更新;
34、yt=σ(po·[lt-1,xt]+ωo)
35、zt=yt·tanh(qt)
36、其中yt为输出门的结果,po为权矩阵,ωo为偏置项,zt为隐层输出值。
37、将得到的特征数据集输入到长短时记忆层,得到具有顺序关系的更高级特征。
38、hl=lstm(hc)
39、其中hl为高级特征。
40、进一步地,所述步骤(4)包括:
41、(4.1)将建立好的多特征因子融合深度神经网络模型进行训练,在训练过程中引入一个弱监督学习指标ξ
42、
43、其中,n是训练集的个数;
44、ξ的取值范围从0到1,简单表示了裂纹处于不同的生长阶段,
45、(4.2)通过最小化代价函数进行训练高维敏度协同西格蒙德模型:
46、
47、其中,oout和分别表示训练后模型的输出和引入的弱监督学习标签的输出。
48、进一步地,所述步骤(5)根据步骤(4)中优化得到的模型,求解得到机械系统结构裂纹表征识别程度,选择sigmoid函数作为激活函数,求解结果如下:
49、
50、其中,hl是长短时记忆层雕刻出的更高级特征指标,p为权向量,ω为偏移向量。
51、有益效果:本专利技术与现有技术相比,具有如下显著优点:求解精度高、可以快速对系统结构进行裂纹表征程度识别,对于实现机械系统结构的安全稳定具有重要的现实意义。
本文档来自技高网...【技术保护点】
1.一种基于高维敏度协同西格蒙德网络的系统裂纹表征方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于高维敏度协同西格蒙德网络的系统裂纹表征方法,其特征在于,所述步骤(1)根据机械系统结构的工作原理,确定出判断机械系统结构的四个裂纹表征指标,分别表征指标A,表征指标B,表征指标C,表征指标D,选取机械系统结构的主梁位置,对其进行单元划分,标号为i,Si为第i主梁单元的位置,i=1,2,...,N,N为系统结构主梁单元在结构主梁上的总数,选取机械系统结构的模态阶数,对其进行标号为j,Kj为第j阶模态,j=1,2,...,M,M为机械系统结构的模态阶数总数。
3.根据权利要求1所述的基于高维敏度协同西格蒙德网络的系统裂纹表征方法,其特征在于,所述步骤(2)根据步骤(1)中确定得到的4个表征指标,根据测得振动信号后进行滤波处理提取特定方向的振动信号,从测量信号中获得主梁的振动频率、位移变化、振动模态,计算出每个表征指标影响程度最大的5个特征值因子,记为A1,A2,A3,A4,A5,B1,…,D4,D5。
4.根据权利要求3所述的基于高维敏度
5.根据权利要求1所述的基于高维敏度协同西格蒙德网络的系统裂纹表征方法,其特征在于,所述步骤(2)确定每一个表征指标在最后融合指标中的占比,并对4个裂纹表征指标进行特征因子分析。
6.根据权利要求1所述的基于高维敏度协同西格蒙德网络的系统裂纹表征方法,其特征在于,所述裂纹表征指标特征值因子的确定方法包括:
7.根据权利要求1所述的基于高维敏度协同西格蒙德网络的系统裂纹表征方法,其特征在于,所述步骤(3)高维敏度协同西格蒙德模型包括卷积神经网络层、长短时记忆层和输出层。
8.根据权利要求1所述的基于高维敏度协同西格蒙德网络的系统裂纹表征方法,其特征在于,所述步骤(3)包括:
9.根据权利要求1所述的基于高维敏度协同西格蒙德网络的系统裂纹表征方法,其特征在于,所述步骤(4)包括:
10.根据权利要求1所述的基于高维敏度协同西格蒙德网络的系统裂纹表征方法,其特征在于,所述步骤(5)根据步骤(4)中优化得到的模型,求解得到机械系统结构裂纹表征识别程度,选择sigmoid函数作为激活函数,求解结果如下:
...【技术特征摘要】
1.一种基于高维敏度协同西格蒙德网络的系统裂纹表征方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于高维敏度协同西格蒙德网络的系统裂纹表征方法,其特征在于,所述步骤(1)根据机械系统结构的工作原理,确定出判断机械系统结构的四个裂纹表征指标,分别表征指标a,表征指标b,表征指标c,表征指标d,选取机械系统结构的主梁位置,对其进行单元划分,标号为i,si为第i主梁单元的位置,i=1,2,...,n,n为系统结构主梁单元在结构主梁上的总数,选取机械系统结构的模态阶数,对其进行标号为j,kj为第j阶模态,j=1,2,...,m,m为机械系统结构的模态阶数总数。
3.根据权利要求1所述的基于高维敏度协同西格蒙德网络的系统裂纹表征方法,其特征在于,所述步骤(2)根据步骤(1)中确定得到的4个表征指标,根据测得振动信号后进行滤波处理提取特定方向的振动信号,从测量信号中获得主梁的振动频率、位移变化、振动模态,计算出每个表征指标影响程度最大的5个特征值因子,记为a1,a2,a3,a4,a5,b1,…,d4,d5。
4.根据权利要求3所述的基于高维敏度协同西格蒙德网络的系统裂纹表征方法,其特征在于,所...
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。