[發明專利]基于泛回歸神經網絡的軟管等效體積彈性模量計算方法

在審

• 申請號: 202111160187.8
• 申請日: 2021-09-30
• 公開（公告）號: CN113987920A
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 王彬;馬騰飛
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;F15B19/00;G06F119/14
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 韓天宇

1.基于泛回歸神經網絡的軟管等效體積彈性模量計算方法，其特征在于，包括以下步驟：

步驟1)，對雙缸裝置進行測試，獲取原始數據；

所述雙缸裝置包含固定活塞缸、移動活塞缸、測試軟管、功能軟管，其中，固定活塞缸的缸體和活塞桿均固定，移動活塞缸的缸體固定、活塞桿能夠自由滑動；固定活塞缸、移動活塞缸中的無桿腔通過測試軟管密閉聯通，固定活塞缸、移動活塞缸中的有桿腔通過功能軟管密閉聯通；所述測試軟管內設有壓力傳感器；所述移動活塞缸的活塞桿上設有測量其位移的位移傳感器；進行測試時，對移動活塞缸的活塞桿加載負載，測得測試軟管內不同壓力值對應的移動活塞缸活塞桿的位移量；

所述原始數據包含N組測試軟管內壓力值及其對應的移動活塞缸活塞桿的位移量，N為預設的閾值；

步驟2)，將測試軟管的壓力值范圍劃分為若干壓力區間，對原始數據進行處理，得到測試軟管在各個壓力區間下的壓力變化率及其對應容積變化率；

步驟3)，篩選掉重復數據，以壓力區間、壓力變化率作為輸入層，容積變化率作為輸出層，并按預設的比例閾值隨機劃分訓練組與測試組，對泛回歸神經網絡進行訓練、測試，建立軟管模型；

步驟4)，需要進行軟管等效體積彈性模量計算時：

步驟4.1)，獲得待計算軟管當前的壓力數據，并根據其壓力數據計算出當前軟管的壓力區間、壓力變化率；

步驟4.2)，將當前軟管的壓力區間、壓力變化率輸入軟管模型，得到待計算軟管的容積變化率；

步驟4.3)，根據待計算軟管的容積變化率，計算出其等效體積彈性模量。

2.根據權利要求1所述的基于泛回歸神經網絡的軟管等效體積彈性模量計算方法，其特征在于，所述步驟1)雙缸裝置的動力學平衡方程為：

式中，m是負載質量；V₁是固定活塞缸、移動活塞缸中的無桿腔由于測試軟管膨脹與流體壓縮結合導致的容積增量；V₂是固定活塞缸、移動活塞缸中的有桿腔由于功能軟管膨脹與流體壓縮結合導致的容積增量；F_t是加載到移動活塞缸活塞桿上的負載；X移動活塞缸的活塞位移；A₁₁、A₂₁分別是固定活塞缸、移動活塞缸中無桿腔的活塞有效作用面積；A₁₂、A₂₂分別是固定活塞缸、移動活塞缸中有桿腔的活塞有效作用面積；X₁₁、X₂₁分別是固定活塞缸、移動活塞缸中無桿腔的活塞位移；X₁₂、X₂₂分別是固定活塞缸、移動活塞缸中有桿腔的活塞位移。

3.根據權利要求1所述的基于泛回歸神經網絡的軟管等效體積彈性模量計算方法，其特征在于，所述位移傳感器采用LVDT位移傳感器。

4.根據權利要求2所述的基于泛回歸神經網絡的軟管等效體積彈性模量計算方法，其特征在于，所述步驟2)中根據以下公式計算測試軟管的容積變化率：

式中，是測試軟管的容積變化率；A是移動活塞缸無桿腔活塞有效面積；是移動活塞缸的活塞速率。

5.根據權利要求4所述的基于泛回歸神經網絡的軟管等效體積彈性模量計算方法，其特征在于，所述步驟3)的具體步驟如下：

步驟3.1)，數據篩選：

去掉重復性數據與不合理數據，獲得用于神經網絡訓練的最終數據，每組數據均包含壓力區間、測試軟管的壓力變化率及對應的測試軟管的容積變化率；將最終數據按預設的比例閾值隨機劃分訓練組與測試組，訓練組內的最終數據即為學習樣本；

步驟3.2)，建立泛回歸神經網絡，所述泛回歸神經網絡包含輸入層、模式層、求和層、輸出層，其中：

輸入層神經元數目等于學習樣本中輸入向量，即壓力區間、壓力變化率的維數；模式層神經元的數目等于學習樣本的數目n，每個樣本都對應一個神經元；

模式層神經元傳遞函數為：

式中，X為網絡輸入變量，X_i為第i個神經元對應的學習樣本,σ是寬度,p_i是模式層第i個神經元的輸出；

求和層中采用兩種類型的神經元進行求和，第一類的計算公式為該式對所有模式層神經元的輸出進行算術求和，其模式層與各神經元的連接權值為1，傳遞函數為S_D為第一類求和層的輸出；第二類計算公式為該式對所有模式層的神經元進行加權求和，傳遞函數為式中，S_Nj是第二類求和層的輸出，y_ij是第i個模式層節點對應的訓練樣本的標簽的第j個元素；k是測試軟管容積變化率的維數；

輸出層中的神經元數目等于學習樣本中輸出向量，即測試軟管容積變化率的維數k,各神經元的輸出值為第二類求和層除以第一類求和層的值，即

步驟3.3)，建立軟管模型：

以壓力區間、測試軟管的壓力變化率為泛回歸神經網絡的輸入，以測試軟管的容積變化率為泛回歸神經網絡的輸出，利用訓練組與測試組對泛回神經網絡進行訓練測試，獲得軟管模型。