[發明專利]一種基于遷移學習的少樣本結構頻響動力學模型修正方法

有效

• 申請號: 202010593297.2
• 申請日: 2020-06-26
• 公開（公告）號: CN111783335B
• 公開（公告）日: 2023-02-17
• 發明（設計）人: 鄧忠民;張鑫杰
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06F30/27;G06N3/0464
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于遷移學習的少樣本結構頻響動力學模型修正方法，其包括以下步驟：

1)利用其他領域的振動數據進行頻響數據的樣本擴充；根據遷移學習理論，利用其他領域的振動數據作為源域數據，利用深度學習網絡提取源域數據與目標域數據的共同振動特征實現模型修正樣本不足時的輔助訓練，提高少量樣本下的目標任務的效率和準確度；所述目標域數據為用于模型修正的頻響數據；

2)對源域數據和目標域數據的適配性處理；由于源域數據和目標域數據維度數量不同，需要對源域數據進行適配性處理，才能夠作為深度卷積神經網絡的輸入，進行特征分析和提取；根據源域數據的數據維度及數量進行分幀、傅里葉變換預處理工作，使得處理后的數據能夠在形狀維度上相匹配；

3)異構遷移學習網絡的搭建；除了維度和形狀外，跨域遷移學習的過程中源域數據和目標域數據在特征空間上存在一定的分布差異，且二者的求解任務類型也不相同；因此需要通過對網格參數及結構進行設計，分別對不同任務進行特征提取層和輸出層設計，構建適用于源域和目標域數據的網絡分支；

4)跨域數據的領域自適應學習方法；在網絡的不同層之中對不同領域數據提取到的特征差異進行量化，通過最小化領域特征差異，實現領域自適應，將二者的特征映射到相同的特征空間內，從而使得網絡能夠學習到相似特征，實現訓練樣本的擴充，從實質上解決數據量不足帶來的模型修正精度損失問題；

其特征在于：

步驟1：生成頻響模型修正所需要的訓練樣本和測試樣本；

在步驟1中，應用的是對飛行器主體結構的彈性模量、主體結構的密度、中心筒的厚度、底板厚度、剪切板厚度以及頂板厚度的結構參數進行修正；

對生成的計算文件中的頻響數據進行提取；獲得x,y方向的結構頻響數據，并按照頻點*觀測點*方向的格式以多維數值方式進行存儲；

步驟2：選擇合適的其他領域振動數據作為擴充數據；源域數據需要滿足數據量充足、數據較純凈受噪聲影響小、特征明顯；

在步驟2中，源域數據選用軸承故障診斷數據集；

步驟3：將步驟2中選好的補充數據進行數據預處理；將源域數據處理成適合于深度卷積神經網絡學習的形式；

步驟4：根據源域和目標域數據進行網絡結構設計，分別設計獨立的網絡分支進行特征提取和分析；

在步驟4中，目標域網絡層數為12層，源域網絡層數為13層，包括卷積層、歸一化層及激活層；

其中卷積層實現特征提取，歸一化層用于數據歸一化，激活層添加網絡的非線性；

步驟5：對用于網絡參數更新的損失函數進行設計；根據不同領域數據的特征差異，設計合理的領域自適應損失函數，以減小特征差異；結合源任務損失函數、目標任務損失函數、領域自適應損失函數，設計用于網絡參數更新的損失函數；

在步驟5中，利用基于最大均值差異構建飛行器主體結構的自適應損失函數；

步驟6：利用步驟1、3中獲得的訓練樣本和4、5中設計的網絡結構及損失函數，建立深度神經網絡對訓練集做模型修正回歸學習，步驟7到步驟10為學習過程；

步驟7：目標域網絡分支訓練；設置初始卷積核，將步驟1中獲得的訓練樣本輸入目標域網絡分支，完成網絡層之間的向前傳遞，得到目標域中間特征初始目標任務輸出值；

步驟8：與步驟7同時，將步驟3中獲得的補充訓練樣本輸入源域網絡分支，完成網絡層之間的向前傳遞，得到源域中間特征及初始源任務輸出值；

步驟9：將步驟7、8的中得到的中間特征帶入步驟5中設計的領域自適應損失函數中，將輸出值帶入源任務損失函數、目標任務損失函數，得到最終的網絡輸出損失；

步驟10：利用步驟9得到的網絡損失，完成網絡參數的更新，直至訓練結果達到收斂條件；

步驟11：對網絡精確度進行驗證，若不能滿足要求，則返回步驟2；若訓練未達到精度要求或網絡過擬合說明模型復雜度不夠，返回步驟7；

步驟12：對網絡訓練結果進行驗證；

在步驟12中，目標任務模型修正為回歸問題，回歸參數為6個，即飛行器主體結構的彈性模量、主體結構的密度、中心筒的厚度、底板厚度、剪切板厚度以及頂板厚度；源任務故障診斷為分類問題，故障類別為10種；

步驟13：對實驗測量的頻響數據進行信息提取，并按照步驟1的方法生成測試樣本，并輸入步驟10中訓練好的網絡中，其輸出結果即為結構動力學模型修正的結果；

步驟14：將修正后的結果與實驗測量進行比較，如果滿足精度要求，即保存修正結果，如果不符合精度要求，則返回步驟2重新構建網絡；

在步驟14中，將訓練數量為從100-10000的訓練集合分別輸入網絡，進行網絡學習訓練；完成訓練后，在訓練樣本之外的測試集上對訓練好的網絡進行測試；如果出現過擬合，則調整樣本數據或修改網絡參數直至符合精度要求。