[發(fā)明專利]基于CNN-LSTM的振動傳遞系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010690803.X
• 申請日: 2020-07-17
• 公開（公告）號: CN111832228B
• 公開（公告）日: 2021-08-24
• 發(fā)明（設(shè)計(jì)）人: 王強(qiáng);李默;賀星;劉永葆;余又紅;張鑫;李俊;賈延;郭大志;邢芷愷
• 申請（專利權(quán)）人: 中國人民解放軍海軍工程大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06F17/15
• 代理公司: 北京東方盛凡知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11562
• 代理人: 謝秀娟

本發(fā)明公開基于CNN?LSTM的振動傳遞系統(tǒng)，包括LSTM模型和CNN模型，所述LSTM模型由多個(gè)遞歸連接的記憶區(qū)塊的子網(wǎng)絡(luò)構(gòu)成，且每個(gè)記憶區(qū)塊中包含細(xì)胞神經(jīng)單元和乘法單元，所述乘法單元包括輸入門、輸出門和遺忘門，且乘法單元對細(xì)胞神經(jīng)單元進(jìn)行連續(xù)的寫、讀和重置操作；本發(fā)明忽略信號傳遞路徑，直接根據(jù)測點(diǎn)A和測點(diǎn)B的原始數(shù)據(jù)信號，在LSTM模型的基礎(chǔ)上，改變輸入輸出格式，設(shè)立輸入門、輸出門和遺忘門，同時(shí)，增加一維卷積層與池化層，進(jìn)行卷積運(yùn)算，并對卷積層進(jìn)行池化/采樣處理，建立基于CNN?LSTM的測點(diǎn)A到測點(diǎn)B的黑匣子模型，通過從數(shù)據(jù)A到數(shù)據(jù)B的網(wǎng)絡(luò)訓(xùn)練，研究A、B之間對應(yīng)關(guān)系。

技術(shù)領(lǐng)域

本發(fā)明涉及信號研究技術(shù)領(lǐng)域，尤其涉及基于CNN-LSTM的振動傳遞系統(tǒng)。

背景技術(shù)

動力設(shè)備結(jié)構(gòu)形式多樣，測點(diǎn)布置位置不同，振動等級大小、振動信號特征等也會不同，但對于固定設(shè)備來說，裝置的耦合特性及信號傳遞過程是相同的，常規(guī)的研究信號傳遞路徑分析主要是通過根據(jù)模型的結(jié)構(gòu)，分析測點(diǎn)的頻響函數(shù)來研究測點(diǎn)A對測點(diǎn)B的振動信號傳遞過程，獲得測點(diǎn)B的信號特征；

然而，該方法需要根據(jù)設(shè)備的結(jié)構(gòu)進(jìn)行復(fù)雜的傳遞路徑及特性的推導(dǎo)，并難以推廣到不明信號的傳遞特性利用中去，因此，本發(fā)明提出基于CNN-LSTM的振動傳遞系統(tǒng)以解決現(xiàn)有技術(shù)中存在的問題。

發(fā)明內(nèi)容

針對上述問題，本發(fā)明的目的在于提出基于CNN-LSTM的振動傳遞系統(tǒng)，該基于CNN-LSTM的振動傳遞系統(tǒng)有效建立了針對任何A數(shù)據(jù)到B數(shù)據(jù)的信號傳遞黑匣子模型，不用根據(jù)設(shè)備的結(jié)構(gòu)進(jìn)行復(fù)雜的傳遞路徑及特性的推導(dǎo)，并能廣泛的推廣到不明信號的傳遞特性利用中去。

為實(shí)現(xiàn)本發(fā)明的目的，本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)：基于CNN-LSTM的振動傳遞系統(tǒng)，包括LSTM模型和CNN模型，所述LSTM模型由多個(gè)遞歸連接的記憶區(qū)塊的子網(wǎng)絡(luò)構(gòu)成，且每個(gè)記憶區(qū)塊中包含細(xì)胞神經(jīng)單元和乘法單元，所述乘法單元包括輸入門、輸出門和遺忘門，且乘法單元對細(xì)胞神經(jīng)單元進(jìn)行連續(xù)的寫、讀和重置操作；所述輸入門控制當(dāng)前時(shí)刻的輸入χ_t中保存到當(dāng)前時(shí)刻的單元狀態(tài)C_t中的信息量，且通過tanh函數(shù)決定當(dāng)前時(shí)刻的候選信息所述候選信息與決策向量i_t相乘，確定候選信息中被輸入至單元狀態(tài)C_t中的信息量；所述輸出門決定當(dāng)前時(shí)刻的單元狀態(tài)C_t被輸入到單元的隱藏狀態(tài)h_t中的信息量；所述遺忘門決定上一時(shí)刻的單元狀態(tài)C_t-1保存到當(dāng)前時(shí)刻的狀態(tài)C_t中的信息量，當(dāng)前時(shí)刻的輸入x_t和上一時(shí)刻的隱藏狀態(tài)h_t-1連接成新的特征向量，該特征向量與權(quán)重參數(shù)W_f相乘，輸入sigmiod函數(shù)，利用決策向量f_t與上一時(shí)刻的單元狀態(tài)C_t-1相乘，確定上一時(shí)刻的單元狀態(tài)C_t-1被添加至單元狀態(tài)C_t中的信息量；所述細(xì)胞神經(jīng)單元中，細(xì)胞狀態(tài)貫穿整個(gè)過程，使信息以固定不變的方式傳遞；

所述CNN模型為卷積神經(jīng)網(wǎng)絡(luò)的一般結(jié)構(gòu)，且包括卷積層和池化層，所述卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心層，且卷積層的核心為卷積，所述卷積為兩個(gè)函數(shù)的運(yùn)算，且該運(yùn)算為卷積運(yùn)算，所述卷積運(yùn)算中包含輸入、卷積、輸出和卷積核，所述輸入和卷積核均為張量，所述卷積運(yùn)算用卷積分別乘以輸入張量中的每個(gè)元素，然后輸出一個(gè)代表每個(gè)輸入信息的張量，所述卷積核為權(quán)重過濾器，所述卷積核用于對圖像進(jìn)行垂直邊緣檢測和水平邊緣檢測；所述池化層中，池化稱為下采樣Pooling，當(dāng)卷積層獲得圖像的特征后，通過池化層對卷積層進(jìn)行池化、采樣處理，降低網(wǎng)絡(luò)訓(xùn)練參數(shù)及模型的過擬合程度，所述池化層池化、采樣的方式包括：最大池化、均值池化和隨機(jī)池化。

進(jìn)一步改進(jìn)在于：所述輸入門中，所述候選信息與決策向量i_t相乘，即輸入門與輸入信號相乘，輸入到記憶細(xì)胞中，決定被存放到單元狀態(tài)中的新信息，所述候選信息與決策向量i_t計(jì)算表達(dá)式為：