[發(fā)明專利]基于EEMD-MultiCNN-LSTM的加速度響應數(shù)據(jù)補全方法及裝置

在審

• 申請?zhí)枺?/td>: 202111027190.2
• 申請日: 2021-09-02
• 公開（公告）號: CN113722308A
• 公開（公告）日: 2021-11-30
• 發(fā)明（設計）人: 陳增順;張利凱;袁晨峰;李珂;許福友;趙智航
• 申請（專利權）人: 重慶大學
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06F16/2458;G06N3/04
• 代理公司: 重慶樂泰知識產權代理事務所(普通合伙) 50221
• 代理人: 雷鈔

1.基于EEMD-MultiCNN-LSTM的加速度響應數(shù)據(jù)補全方法，其特征在于，包括

S1：采集LNG儲罐的加速度數(shù)據(jù)，確定缺失數(shù)據(jù)測點，基于所述缺失數(shù)據(jù)測點得到加速度數(shù)據(jù)序列矩陣；

S2：采用集合經驗模態(tài)分解算法將所述加速度數(shù)據(jù)序列矩陣分解為多個IMF分量和RES分量，得到EEMD分解數(shù)據(jù)樣本；

S3：將EEMD分解數(shù)據(jù)樣本和缺失數(shù)據(jù)測點測得的歷史加速度數(shù)據(jù)輸入MultiCNN-LSTM神經網(wǎng)絡模型中進行迭代訓練，優(yōu)化模型參數(shù)，得到訓練好的MultiCNN-LSTM神經網(wǎng)絡模型；

S4：采集LNG儲罐的實時加速度數(shù)據(jù)，輸入訓練好的MultiCNN-LSTM神經網(wǎng)絡模型中，通過MultiCNN-LSTM神經網(wǎng)絡模型預測得到加速度預測數(shù)據(jù)，利用所述加速度預測數(shù)據(jù)對缺失的加速度數(shù)據(jù)進行補全。

2.根據(jù)權利要求1所述的基于EEMD-MultiCNN-LSTM的加速度響應數(shù)據(jù)補全方法，其特征在于，在步驟S1中，基于缺失數(shù)據(jù)測點得到加速度數(shù)據(jù)序列矩陣的具體方法為：

選擇缺失數(shù)據(jù)測點在數(shù)據(jù)缺失時刻之前的歷史加速度數(shù)據(jù)以及該缺失數(shù)據(jù)測點對應的周圍數(shù)據(jù)測點測得的對應時刻的周圍加速度數(shù)據(jù)，并將所述歷史加速度數(shù)據(jù)及周圍加速度數(shù)據(jù)分別按時序整合成加速度數(shù)據(jù)序列矩陣。

3.根據(jù)權利要求2所述的基于EEMD-MultiCNN-LSTM的加速度響應數(shù)據(jù)補全方法，其特征在于，在步驟S2中，所述加速度數(shù)據(jù)序列矩陣中包括有歷史加速度數(shù)據(jù)序列及其周圍加速度數(shù)據(jù)序列，所述歷史加速度數(shù)據(jù)序列及其周圍加速度數(shù)據(jù)序列記為原始加速度數(shù)據(jù)序列，分別對各原始加速度數(shù)據(jù)序列矩陣進行集合經驗模態(tài)分解，其具體步驟為：

S201：設置原始加速度數(shù)據(jù)序列的分解次數(shù)，每分解一次記為一組原始加速度數(shù)據(jù)序列，得到多組原始加速度數(shù)據(jù)序列；

S202：在每組原始加速度數(shù)據(jù)序列中分別疊加一組不同幅值的高斯白噪聲得到多組第一加速度數(shù)據(jù)序列；

S203：分別對每組第一加速度數(shù)據(jù)序列進行經驗模態(tài)分解，得到多組imf分量和res分量；

S204：分別計算所述imf分量的平均值，得到IMF分量和RES分量。

4.根據(jù)權利要求3所述的基于EEMD-MultiCNN-LSTM的加速度響應數(shù)據(jù)補全方法，其特征在于，在步驟S203中，對所述第一加速度數(shù)據(jù)進行經驗模態(tài)分解的具體步驟為：

S2031：篩選出第一加速度數(shù)據(jù)序列中所有的極大值點和極小值點，對所述極大值點和極小值點分別進行擬合得到所述第一加速度數(shù)據(jù)序列的上包絡線和下包絡線；

S2032：根據(jù)所述上包絡線和下包絡線計算所述第一加速度數(shù)據(jù)序列的均值包絡，并計算所述第一加速度數(shù)據(jù)序列與均值包絡之間的差值得到第一殘余加速度數(shù)據(jù)序列；

S2033：判斷所述第一殘余加速度數(shù)據(jù)序列是否滿足imf分量成立的條件，若滿足，則執(zhí)行步驟S2034，若不滿足，則對所述第一殘余加速度數(shù)據(jù)序列重復執(zhí)行步驟S2031-S2032，直至重復m次后得到的第i個殘余曲線滿足imf分量成立的條件為止；

S2034：將第i個殘余加速度數(shù)據(jù)序列作為第一加速度數(shù)據(jù)序列的第一個imf分量，并將第一個imf分量從第一加速度數(shù)據(jù)序列中分離，得到第一res分量；

S2035：判斷所述第一res分量是否為單調函數(shù)，若是，則完成分解，否則對所述第一res分量重復執(zhí)行步驟S2031-S2034，直至重復n次得到的第j個剩余加速度數(shù)據(jù)序列為單調函數(shù)為止，所述第j個剩余加速度數(shù)據(jù)序列即為第一加速度數(shù)據(jù)序列經過經驗模態(tài)分解得到的res分量。

5.根據(jù)權利要求4所述的基于EEMD-MultiCNN-LSTM的加速度響應數(shù)據(jù)補全方法，其特征在于，在步驟S2033中，所述imf分量成立的條件為：

在整個時程內，所述第一殘余加速度數(shù)據(jù)序列上極大值點和極小值點的個數(shù)與過零點的個數(shù)相等或最多相差一個；

在整個時程內，所述第一殘余加速度數(shù)據(jù)序列上任意一點處的上包絡線和下包絡線的均值為零。