[發(fā)明專利]基于EEMD-MultiCNN-LSTM的加速度響應(yīng)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(shè)計）人: 陳增順;張利凱;袁晨峰;李珂;許福友;趙智航
• 申請（專利權(quán)）人: 重慶大學(xué)
• 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(chǎn)權(quán)代理事務(wù)所(普通合伙) 50221
• 代理人: 雷鈔

本發(fā)明公開了一種基于EEMD?MultiCNN?LSTM的加速度響應(yīng)數(shù)據(jù)補全方法及裝置，包括采集LNG儲罐的加速度數(shù)據(jù)，得到加速度數(shù)據(jù)序列矩陣；采用集合經(jīng)驗?zāi)B(tài)分解算法將所述加速度數(shù)據(jù)序列矩陣分解得到EEMD分解數(shù)據(jù)樣本；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(jīng)網(wǎng)絡(luò)模型中進行迭代訓(xùn)練，優(yōu)化模型參數(shù)，采集LNG儲罐的實時加速度數(shù)據(jù)，輸入訓(xùn)練好的MultiCNN?LSTM神經(jīng)網(wǎng)絡(luò)模型中，通過MultiCNN?LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測得到加速度預(yù)測數(shù)據(jù)，利用所述加速度預(yù)測數(shù)據(jù)對缺失的加速度數(shù)據(jù)進行補全；本發(fā)明基于EEMD算法與MultiCNN?LSTM模型實現(xiàn)，使得加速度預(yù)測數(shù)據(jù)的預(yù)測精度高，能夠準確評估LNG儲罐的加速度結(jié)構(gòu)響應(yīng)。

技術(shù)領(lǐng)域

本發(fā)明涉及LNG儲罐加速度響應(yīng)數(shù)據(jù)補全技術(shù)領(lǐng)域，具體公開了一種基于EEMD-MultiCNN-LSTM的加速度響應(yīng)數(shù)據(jù)補全方法及裝置。

背景技術(shù)

加速度傳感器對于評估LNG儲罐結(jié)構(gòu)動力響應(yīng)具有重要意義，在振動臺實驗過程中，某些加速度傳感器因長時間工作會發(fā)生失效或者異常從而導(dǎo)致數(shù)據(jù)丟失，并且這些數(shù)據(jù)丟失后很難恢復(fù)。

目前，基于人工智能方法對LNG儲罐結(jié)構(gòu)缺失傳感數(shù)據(jù)預(yù)測方法主要分為兩種。一種是“淺層”機器學(xué)習(xí)方法，加速度傳感數(shù)據(jù)具有高度非線性和非高斯性，“淺層”的模型對加速度響應(yīng)的長期預(yù)測具有一定的局限性，無法處理海量的監(jiān)測數(shù)據(jù)且準確率較低。另一種方法是傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)模型，具有普遍性、效率高等特點，但準確性有待進一步的提高。因此，有必要進一步提高傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)模型的精度，開展既準確又實時的LNG儲罐結(jié)構(gòu)加速度響應(yīng)預(yù)測及補全工作。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種基于EEMD-MultiCNN-LSTM的加速度響應(yīng)數(shù)據(jù)補全方法及裝置，以解決現(xiàn)有技術(shù)中由于加速度傳感器失效或異常導(dǎo)致加速度數(shù)據(jù)丟失后難以恢復(fù)、補全的問題。

為達到上述目的，本發(fā)明一方面提供一種基于EEMD-MultiCNN-LSTM的加速度響應(yīng)數(shù)據(jù)補全方法，具體包括以下步驟：

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(jīng)驗?zāi)B(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(jīng)網(wǎng)絡(luò)模型中進行迭代訓(xùn)練，優(yōu)化模型參數(shù)，得到訓(xùn)練好的MultiCNN-LSTM神經(jīng)網(wǎng)絡(luò)模型；

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

進一步的，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(yīng)的周圍數(shù)據(jù)測點測得的對應(yīng)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。

進一步的，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(jīng)驗?zāi)B(tài)分解，其具體步驟為：

S201：設(shè)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；