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】
本专利技术涉及多点频域振动响应预测领域,更具体的说是,涉及一种多点频域振动响应预测方法、介质和设备。
技术介绍
1、现代工程设计以及机械装备制造、桥梁建筑等领域广泛应用到了振动响应预测相关技术,但在实际工况下产品及其相关部件结构振动响应过大往往会导致严重的运行或设备故障。因此,如何实现精准的进行响应预测对工程应用非常重要。
2、一般情况下,产品及其相关部件结构振动的原因是载荷激励,因此现有的大多响应预测方法便是在载荷已知的情况下,利用多源载荷与多点频域振动响应之间的传递函数(通过有限元方法或者实验测量的方法获得)进行求解。而现实情况是,大多实践工况下的多源载荷无法获得,因此需要一种新的研究思路来解决该类问题。
3、通过现有采集现有设备及其部件结构工作环境的不相关载荷值,利用数学求解思路求解出结构响应,以此为依据验证设计好的结构。目前针对此方面响应预测方面的研究为时域法和频域法,且后者的方法更为成熟。
4、目前,单输入单输出的响应预测技术所适用的结构范围有限,且预测的精度与可信度有待提升。在多个不相关载荷源同时作业于结构时,对振动响应进行多输入多输出的回归预测对于现存响应预测技术的研究意义重大。通过输入不相关载荷激励值,经过多重多元回归分析得到多点频域振动响应预测值,在实际工况状态下运行良好,且符合实际要求。在目前深度学习技术在各个领域取得成功应用的背景下,神经网络的提出对于解决此类回归问题效果良好,但是利用神经网络进行多点频域振动响应预测时存在的超参数、训练效率低、精度低以及响应预测问题下所具
5、多频率迁移学习范式能够有效的利用来自多个辅助频率点的数据来提升目标频率学习任务的鲁棒性,但在利用多频率点辅助目标频率点训练时同等对待各个辅助点的权重值会导致与目标点数据相似度较低的权重的同时进行迁移,导致最后的训练精度不高。针对控制从候选辅助频率到目标频率的知识迁移量选取较难的问题,实现高精度的响应预测,我们使用注意力机制计算每个候选辅助频率的迁移权重,不同的权重值表示不同的辅助频率在知识迁移中的重要性,然后通过srt算法得出迁移的顺序进行迁移。注意力机制对比示意图如表1所示。
6、表1 注意力机制对比
7、 方法 计算方式 模型复杂度 准确度 标准注意力机制 每个输入项分配权重,权重值表示模型对目标关注度 模型复杂度低 忽略本身输入项之间关系,精度一般 自注意力机制 利用输入项之间相互关系,自行决定分配输入项权重大小 模型复杂度低 只考虑输入项本身之间关系,精度低 协同注意力机制 同时操作多个输入序列,共同学习注意力权重,捕获输入之间的交互 复杂度偏高 结合输入项与目标项与输入项之间关系,精度高
技术实现思路
1、本专利技术的目的是提供一种多点频域振动响应预测方法、介质和设备。
2、本专利技术要解决的是使用多个辅助域和辅助目标域训练时同等对待所有辅助域而不进行有条件的选择迁移权重和知识会导致噪声的迁移的问题。
3、与现有技术相比,本专利技术技术方案如下:
4、本专利技术公开的第一方面,提供了一种多点频域振动响应预测方法,包含协同注意力机制和多频率知识迁移学习,包括:使用协同注意力机制计算多辅助域的迁移权重进行有效迁移,同时操作多个输入序列,共同学习注意力权重,捕获输入之间的交互;通过协同注意力机制计算后得到的多辅助域的迁移权重辅助目标域训练,达到响应预测精度;其中,从第4个频率点开始,进行多频率知识迁移学习处理,将前3个频率点所训练的3个模型作为多个辅助域,迁移多个辅助域的参数权重到第4个频率点进行学习;第4个频率点的网络结构由3 个具有相同神经元结构的、贡献不同程度的参数或知识的网络汇聚成。
5、本专利技术公开的第二方面,提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述一种多点频域振动响应预测方法的步骤。
6、本专利技术公开的第三方面,提供了一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现所述一种多点频域振动响应预测方法的步骤。
7、本专利技术的有益效果为:
8、实际工作状况下对响应预测精度要求很高,标准响应预测技术对于机械设备、桥梁建筑等结构的意义十分重大,针对如何实现超高精度的多点频域振动响应预测问题,使用了基于co-attention-m-mktl(cooperative attention mechanism and multi-frequency knowledge transfer learning)的多点频域振动响应高精度预测方法。首先,针对使用多个辅助域辅助目标域训练时同等对待所有辅助域而不进行有条件的选择迁移权重和知识会导致无关知识的迁移,为了避免无关知识迁移问题,提高迁移的准确性,使用协同注意力机制计算多辅助域的迁移权重进行有效迁移,达到最佳的响应预测精度。此外,对多种不同形式注意力机制进行综合对比,选择最适合响应预测问题的注意力机制是重点之一。通过实验结果表明,该方法比基于传统的多源迁移学习方法实现了更高的准确度与预测效果,为一种高精度的多点频域振动响应预测方法。
本文档来自技高网...【技术保护点】
1.一种多点频域振动响应预测方法,其特征在于,包含协同注意力机制和多频率知识迁移学习,包括:
2.根据权利要求1所述的一种多点频域振动响应预测方法,其特征在于,所述网络的神经元结构中有多个辅助频率点,最小化优化预测效果的目标函数为:
3.根据权利要求1所述的一种多点频域振动响应预测方法,其特征在于,所述协同注意力机制为基于MMD_VD距离制作的注意力计算模式,所述MMD_VD距离是指最大均值差异距离,其中,将各个候选辅助源频率的迁移权重建模为注意力,然后进行求解评估每个辅助源频率的重要性,其中,注意力系数详细计算方式如下:
4.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-3任一项所述一种多点频域振动响应预测方法的步骤。
5.一种电子设备,其特征在于,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现上述权利要求1-3任一项所述一种多点频域振动响应预测方法的步骤。
【技术特征摘要】
1.一种多点频域振动响应预测方法,其特征在于,包含协同注意力机制和多频率知识迁移学习,包括:
2.根据权利要求1所述的一种多点频域振动响应预测方法,其特征在于,所述网络的神经元结构中有多个辅助频率点,最小化优化预测效果的目标函数为:
3.根据权利要求1所述的一种多点频域振动响应预测方法,其特征在于,所述协同注意力机制为基于mmd_vd距离制作的注意力计算模式,所述mmd_vd距离是指最大均值差异距离,其中,将各个候选辅助源频率的迁移权重建...
【专利技术属性】
技术研发人员:何霆,王成,朱文龙,廖永新,王华珍,孙成柱,
申请(专利权)人:厦门禾众汇智科技有限公司,
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。