申请/专利权人：北京航空航天大学

申请日：2020-06-26

公开（公告）日：2023-02-17

公开（公告）号：CN111783335B

主分类号：G06F30/23

分类号：G06F30/23;G06F30/27;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2023.02.17#授权;2020.11.03#实质审查的生效;2020.10.16#公开

摘要：本发明公开一种基于迁移学习的少样本结构频响动力学模型修正方法。包括为了提高在少量结构频率响应值数据下的有限元模型修正精度而利用其他领域振动数据作为补充数据，利用领域自适应方法将源域数据和目标域数据映射到相似的特征空间，通过迁移学习的方法实现少量频响数据下的辅助训练。本发明结合迁移学习在少量样本下的特征分析的优势，利用深度卷积神经网络对充足的其他领域振动数据进行特征分析。此外，由于目标域数据和源域数据的特征分布和求解任务并不相同，本发明还采用了领域自适应方法，将深度卷积神经网络提取到的振动特征映射到相似特征空间，缩小了不同领域间的特征差异，最终实现了少量源域数据在特征维度上的样本扩充，提高了模型修正的准确度，防止数据不足导致的过拟合和传统方法简化计算导致的模型修正精度下降。

主权项：1.一种基于迁移学习的少样本结构频响动力学模型修正方法，其包括以下步骤：1利用其他领域的振动数据进行频响数据的样本扩充；根据迁移学习理论，利用其他领域的振动数据作为源域数据，利用深度学习网络提取源域数据与目标域数据的共同振动特征实现模型修正样本不足时的辅助训练，提高少量样本下的目标任务的效率和准确度；所述目标域数据为用于模型修正的频响数据；2对源域数据和目标域数据的适配性处理；由于源域数据和目标域数据维度数量不同，需要对源域数据进行适配性处理，才能够作为深度卷积神经网络的输入，进行特征分析和提取；根据源域数据的数据维度及数量进行分帧、傅里叶变换预处理工作，使得处理后的数据能够在形状维度上相匹配；3异构迁移学习网络的搭建；除了维度和形状外，跨域迁移学习的过程中源域数据和目标域数据在特征空间上存在一定的分布差异，且二者的求解任务类型也不相同；因此需要通过对网格参数及结构进行设计，分别对不同任务进行特征提取层和输出层设计，构建适用于源域和目标域数据的网络分支；4跨域数据的领域自适应学习方法；在网络的不同层之中对不同领域数据提取到的特征差异进行量化，通过最小化领域特征差异，实现领域自适应，将二者的特征映射到相同的特征空间内，从而使得网络能够学习到相似特征，实现训练样本的扩充，从实质上解决数据量不足带来的模型修正精度损失问题；其特征在于：步骤1：生成频响模型修正所需要的训练样本和测试样本；在步骤1中，应用的是对飞行器主体结构的弹性模量、主体结构的密度、中心筒的厚度、底板厚度、剪切板厚度以及顶板厚度的结构参数进行修正；对生成的计算文件中的频响数据进行提取；获得x,y方向的结构频响数据，并按照频点*观测点*方向的格式以多维数值方式进行存储；步骤2：选择合适的其他领域振动数据作为扩充数据；源域数据需要满足数据量充足、数据较纯净受噪声影响小、特征明显；在步骤2中，源域数据选用轴承故障诊断数据集；步骤3：将步骤2中选好的补充数据进行数据预处理；将源域数据处理成适合于深度卷积神经网络学习的形式；步骤4：根据源域和目标域数据进行网络结构设计，分别设计独立的网络分支进行特征提取和分析；在步骤4中，目标域网络层数为12层，源域网络层数为13层，包括卷积层、归一化层及激活层；其中卷积层实现特征提取，归一化层用于数据归一化，激活层添加网络的非线性；步骤5：对用于网络参数更新的损失函数进行设计；根据不同领域数据的特征差异，设计合理的领域自适应损失函数，以减小特征差异；结合源任务损失函数、目标任务损失函数、领域自适应损失函数，设计用于网络参数更新的损失函数；在步骤5中，利用基于最大均值差异构建飞行器主体结构的自适应损失函数；步骤6：利用步骤1、3中获得的训练样本和4、5中设计的网络结构及损失函数，建立深度神经网络对训练集做模型修正回归学习，步骤7到步骤10为学习过程；步骤7：目标域网络分支训练；设置初始卷积核，将步骤1中获得的训练样本输入目标域网络分支，完成网络层之间的向前传递，得到目标域中间特征初始目标任务输出值；步骤8：与步骤7同时，将步骤3中获得的补充训练样本输入源域网络分支，完成网络层之间的向前传递，得到源域中间特征及初始源任务输出值；步骤9：将步骤7、8的中得到的中间特征带入步骤5中设计的领域自适应损失函数中，将输出值带入源任务损失函数、目标任务损失函数，得到最终的网络输出损失；步骤10：利用步骤9得到的网络损失，完成网络参数的更新，直至训练结果达到收敛条件；步骤11：对网络精确度进行验证，若不能满足要求，则返回步骤2；若训练未达到精度要求或网络过拟合说明模型复杂度不够，返回步骤7；步骤12：对网络训练结果进行验证；在步骤12中，目标任务模型修正为回归问题，回归参数为6个，即飞行器主体结构的弹性模量、主体结构的密度、中心筒的厚度、底板厚度、剪切板厚度以及顶板厚度；源任务故障诊断为分类问题，故障类别为10种；步骤13：对实验测量的频响数据进行信息提取，并按照步骤1的方法生成测试样本，并输入步骤10中训练好的网络中，其输出结果即为结构动力学模型修正的结果；步骤14：将修正后的结果与实验测量进行比较，如果满足精度要求，即保存修正结果，如果不符合精度要求，则返回步骤2重新构建网络；在步骤14中，将训练数量为从100-10000的训练集合分别输入网络，进行网络学习训练；完成训练后，在训练样本之外的测试集上对训练好的网络进行测试；如果出现过拟合，则调整样本数据或修改网络参数直至符合精度要求。

全文数据：

权利要求：

百度查询： 北京航空航天大学 一种基于迁移学习的少样本结构频响动力学模型修正方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD