[發(fā)明專(zhuān)利]一種基于深度學(xué)習(xí)的電磁作動(dòng)器非線(xiàn)性補(bǔ)償方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202310302715.1
• 申請(qǐng)日: 2023-03-27
• 公開(kāi)（公告）號(hào): CN116306786A
• 公開(kāi)（公告）日: 2023-06-23
• 發(fā)明（設(shè)計(jì)）人: 鐘舜聰;陳麗武;李勁林;李怡杰
• 申請(qǐng)（專(zhuān)利權(quán)）人: 福州大學(xué)
• 主分類(lèi)號(hào): G06N3/0442
• 分類(lèi)號(hào): G06N3/0442;G06N3/0464;G06N3/08;G06F18/25;G06F18/214;G06N3/048
• 代理公司: 福州元?jiǎng)?chuàng)專(zhuān)利商標(biāo)代理有限公司 35100
• 代理人: 張燈燦;蔡學(xué)俊

1.一種基于深度學(xué)習(xí)的電磁作動(dòng)器非線(xiàn)性補(bǔ)償方法，其特征在于，包括以下步驟：

步驟S1：構(gòu)建基于洛倫茲力的非接觸式一維電磁作動(dòng)器數(shù)據(jù)采集系統(tǒng)，通過(guò)加速度傳感器及位移傳感器采集給定固定電壓下電磁作動(dòng)器各位置下的輸出加速度；

步驟S2：利用步驟S1采集到的固定電壓下電磁作動(dòng)器各位置下的輸出加速度數(shù)據(jù)，得到目標(biāo)加速度下各位置所需的補(bǔ)償電壓，形成電磁作動(dòng)器位置-補(bǔ)償電壓數(shù)據(jù)集；

步驟S3：對(duì)步驟S2得到的位置-補(bǔ)償電壓數(shù)據(jù)集中的位置-補(bǔ)償電壓數(shù)據(jù)進(jìn)行歸一化處理，并利用滑動(dòng)時(shí)間窗法進(jìn)行處理，形成深度學(xué)習(xí)補(bǔ)償模型的輸入數(shù)據(jù)；

步驟S4：將步驟S3處理后的數(shù)據(jù)按設(shè)定比例劃分為訓(xùn)練集和測(cè)試集；

步驟S5：確定主要由卷積神經(jīng)網(wǎng)絡(luò)和雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)構(gòu)成的深度學(xué)習(xí)補(bǔ)償模型的初始參數(shù)；

步驟S6：通過(guò)訓(xùn)練集對(duì)深度學(xué)習(xí)補(bǔ)償模型進(jìn)行訓(xùn)練，并通過(guò)測(cè)試集進(jìn)行測(cè)試，然后保存訓(xùn)練好的深度學(xué)習(xí)補(bǔ)償模型；

步驟S7：給定電磁作動(dòng)器的目標(biāo)輸出加速度，利用訓(xùn)練好的深度學(xué)習(xí)補(bǔ)償模型對(duì)電磁作動(dòng)器進(jìn)行非線(xiàn)性補(bǔ)償。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的電磁作動(dòng)器非線(xiàn)性補(bǔ)償方法，其特征在于，所述深度學(xué)習(xí)補(bǔ)償模型主要使用兩個(gè)通道對(duì)具有時(shí)間序列特征的位移數(shù)據(jù)進(jìn)行特征挖掘，兩個(gè)通道的輸入均為按預(yù)先確定的時(shí)間步長(zhǎng)及滑動(dòng)時(shí)間窗法將原始數(shù)據(jù)重新構(gòu)造后的數(shù)據(jù)；其中，BiLSTM通道利用雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)BiLSTM進(jìn)行雙向全局時(shí)間特征的充分提取，CNN通道利用一維卷積神經(jīng)網(wǎng)絡(luò)1DCNN對(duì)時(shí)序信號(hào)沿時(shí)間軸正反向進(jìn)行局部非相關(guān)特征的提取，以獲得更多的時(shí)間特征；兩個(gè)通道均通過(guò)注意力機(jī)制分配權(quán)重給每個(gè)時(shí)間步；然后將CNN通道和BiLSTM通道的數(shù)據(jù)特征進(jìn)行融合，實(shí)現(xiàn)特征合并；最后通過(guò)全連接層進(jìn)行回歸層預(yù)測(cè)，得到不同位置下的預(yù)測(cè)補(bǔ)償電壓。

3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的電磁作動(dòng)器非線(xiàn)性補(bǔ)償方法，其特征在于，在CNN通道中，1DCNN網(wǎng)絡(luò)對(duì)輸入的一維信號(hào)進(jìn)行特征提取，其過(guò)程是使用卷積核按設(shè)定的步長(zhǎng)對(duì)輸入信號(hào)進(jìn)行局部卷積操作，依次遍歷提取輸入數(shù)據(jù)局部特征，再使用激活函數(shù)對(duì)特征進(jìn)行類(lèi)別映射，生成一維特征圖；一維卷積運(yùn)算的表達(dá)式如下所示：

c_i＝σ(∑(L_i*w_i+b_i))

其中，c_i為卷積后輸出特征圖，L_i為輸入的局部數(shù)據(jù)，w_i為卷積核的權(quán)值，b_i為權(quán)重偏置值，σ為激活函數(shù)；

然后通過(guò)一維池化運(yùn)算減少特征圖尺寸和模型運(yùn)算量，降低模型復(fù)雜度，增大感受野，并提取卷積運(yùn)算后的主要特征；一維池化運(yùn)算的計(jì)算公式如下所示：

其中，為第l層中劃分的第i組中的第m個(gè)特征值；f為最大值函數(shù)或均值函數(shù)，若f為最大值函數(shù)，則y_l為最大池化運(yùn)算得到的特征圖，若f為均值函數(shù)，則y_l為均值池化運(yùn)算得到的特征圖。

4.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的電磁作動(dòng)器非線(xiàn)性補(bǔ)償方法，其特征在于，BiLSTM網(wǎng)絡(luò)包括一個(gè)正向LSTM層和一個(gè)反向LSTM層，水平方向并行處理每個(gè)時(shí)間步長(zhǎng)下的正反向LSTM隱含向量，垂直方向則單向地從輸入層到隱含層再到輸出層，通過(guò)BiLSTM網(wǎng)絡(luò)獲得更多的數(shù)據(jù)特征；BiLSTM將t時(shí)刻LSTM單元的正反向輸出進(jìn)行拼接，更新過(guò)程如下：

其中，分別為t時(shí)刻LSTM單元的正、反向輸出，h_t為BiLSTM網(wǎng)絡(luò)的輸出，Rⁿ為n維向量集。