[發(fā)明專利]基于EMD-DNN的振動(dòng)臺(tái)結(jié)構(gòu)位移響應(yīng)預(yù)測(cè)方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202110927658.7
• 申請(qǐng)日: 2021-08-13
• 公開(kāi)（公告）號(hào): CN113465732B
• 公開(kāi)（公告）日: 2022-04-05
• 發(fā)明（設(shè)計(jì)）人: 陳增順;張利凱;付軍;袁晨峰;王思宇;高霖
• 申請(qǐng)（專利權(quán)）人: 重慶大學(xué)
• 主分類號(hào): G01H17/00
• 分類號(hào): G01H17/00;G01M7/02;G06N3/04;G06N3/08
• 代理公司: 重慶樂(lè)泰知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 50221
• 代理人: 雷鈔

1.一種基于EMD-DNN的振動(dòng)臺(tái)結(jié)構(gòu)位移響應(yīng)預(yù)測(cè)方法，其特征在于，包括以下步驟：

S1：采集振動(dòng)臺(tái)加速度時(shí)程記錄，并將該加速度時(shí)程記錄分為訓(xùn)練集和測(cè)試集；

S2：對(duì)訓(xùn)練集中的加速度時(shí)程記錄依次進(jìn)行二次數(shù)值積分和經(jīng)驗(yàn)?zāi)B(tài)分解，獲得訓(xùn)練樣本集；

S3：將訓(xùn)練樣本集輸入深度神經(jīng)網(wǎng)絡(luò)模型中，進(jìn)行迭代訓(xùn)練，優(yōu)化模型參數(shù)，得到優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型；

S4：將測(cè)試集作為實(shí)時(shí)采集的加速度時(shí)程記錄輸入優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型中，預(yù)測(cè)所述振動(dòng)臺(tái)的位移時(shí)程曲線，得到該振動(dòng)臺(tái)實(shí)際的結(jié)構(gòu)位移響應(yīng)；

S201：對(duì)訓(xùn)練集中的所有加速度時(shí)程記錄進(jìn)行數(shù)值積分得到速度時(shí)程曲線；

S202：對(duì)所述速度時(shí)程曲線進(jìn)行數(shù)值積分得到漂移位移時(shí)程曲線；

S203：采用經(jīng)驗(yàn)?zāi)B(tài)分解將所述漂移位移時(shí)程曲線分解為多個(gè)imf分量以及剩余分量，并以分解得到所有的imf分量和步驟S202中得到的漂移位移時(shí)程曲線作為訓(xùn)練樣本集輸入所述深度神經(jīng)網(wǎng)絡(luò)模型。

2.根據(jù)權(quán)利要求1所述的基于EMD-DNN的振動(dòng)臺(tái)結(jié)構(gòu)位移響應(yīng)預(yù)測(cè)方法，其特征在于，所述步驟S203中對(duì)漂移位移時(shí)程曲線進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解得到多個(gè)imf分量和剩余分量的具體步驟為：

S2031：篩選出漂移位移時(shí)程曲線中所有的極大值點(diǎn)和極小值點(diǎn)，對(duì)所述極大值點(diǎn)和極小值點(diǎn)分別進(jìn)行擬合得到所述漂移位移時(shí)程曲線的上包絡(luò)線和下包絡(luò)線；

S2032：根據(jù)所述上包絡(luò)線和下包絡(luò)線計(jì)算所述漂移位移時(shí)程曲線的均值包絡(luò)，并計(jì)算所述漂移位移時(shí)程曲線與均值包絡(luò)之間的差值得到新的漂移位移時(shí)程曲線；

S2033：判斷所述新的漂移位移時(shí)程曲線是否滿足imf分量成立的條件，若滿足，則執(zhí)行步驟S2034，若不滿足，則對(duì)新的漂移位移時(shí)程曲線重復(fù)執(zhí)行步驟S2031-S2032直至得到的另一新的漂移位移時(shí)程曲線滿足imf分量成立的條件為止；

S2034：將得到的新的漂移位移時(shí)程曲線作為第一個(gè)imf分量，并將該第一個(gè)imf分量從原始的漂移位移時(shí)程曲線中分離得到剩余分量；

S2035：判斷該剩余分量是否為單調(diào)函數(shù)，若是，則完成分解，否則對(duì)該剩余分量重復(fù)執(zhí)行步驟S2031-S2034，直至得到的剩余分量為單調(diào)函數(shù)為止，以分解得到多個(gè)imf分量和剩余分量。

3.根據(jù)權(quán)利要求1所述的基于EMD-DNN的振動(dòng)臺(tái)結(jié)構(gòu)位移響應(yīng)預(yù)測(cè)方法，其特征在于，所述步驟S2033中，imf分量成立的條件為：

在整個(gè)時(shí)程內(nèi)，所述新的漂移位移時(shí)程曲線上極大值點(diǎn)和極小值點(diǎn)的個(gè)數(shù)與過(guò)零點(diǎn)的個(gè)數(shù)相等或最多相差一個(gè)；

在整個(gè)時(shí)程內(nèi)，所述新的漂移位移時(shí)程曲線上任意一點(diǎn)處的上包絡(luò)線和下包絡(luò)線的均值為零。

4.根據(jù)權(quán)利要求1所述的基于EMD-DNN的振動(dòng)臺(tái)結(jié)構(gòu)位移響應(yīng)預(yù)測(cè)方法，其特征在于，所述步驟S3對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練的具體步驟為：

S301：將訓(xùn)練樣本集輸入深度神經(jīng)網(wǎng)絡(luò)模型中，得到預(yù)測(cè)的位移時(shí)程曲線；

S302：將采集到的振動(dòng)臺(tái)實(shí)際的位移時(shí)程記錄與預(yù)測(cè)的位移時(shí)程曲線進(jìn)行比較得到預(yù)測(cè)誤差值，利用所述預(yù)測(cè)誤差值對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，優(yōu)化所述深度神經(jīng)網(wǎng)絡(luò)模型。

5.根據(jù)權(quán)利要求4所述的基于EMD-DNN的振動(dòng)臺(tái)結(jié)構(gòu)位移響應(yīng)預(yù)測(cè)方法，其特征在于，所述步驟S302對(duì)深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練得到優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型的具體步驟為：

S3021：采集振動(dòng)臺(tái)位移時(shí)程記錄；

S3022：將采集到的振動(dòng)臺(tái)實(shí)際的位移時(shí)程記錄與步驟S301中得到的預(yù)測(cè)的位移時(shí)程曲線進(jìn)行比較得到預(yù)測(cè)誤差值；

S3023：將所述預(yù)測(cè)誤差值反向傳播至深度神經(jīng)網(wǎng)絡(luò)模型中再次進(jìn)行預(yù)測(cè)，對(duì)所述深度神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，優(yōu)化模型參數(shù)，得到優(yōu)化后的深度神經(jīng)網(wǎng)絡(luò)模型。