申请/专利权人：北京航空航天大学

申请日：2018-07-13

公开（公告）日：2023-04-07

公开（公告）号：CN108959794B

主分类号：G06F30/15

分类号：G06F30/15;G06F30/23;G06F30/27;G06F119/14

优先权：

专利状态码：有效-授权

法律状态：2023.04.07#授权;2019.01.11#实质审查的生效;2018.12.07#公开

摘要：本发明公开了一种基于深度学习的结构频响动力学模型修正方法。包括将实验测量结构频率响应值和动力学模型仿真频响值转化为图像方式进行储存和特征提取，将训练样本图像对应的待修正参数值作为训练集的标签，建立多频点、多观测点、多观察方向的频响值多通道图像训练样本集，在此基础上搭建深度神经网络等过程。本发明结合深度学习在图像识别领域的优势，建立动力学输出与待修正参数之间的快速映射关系，将实验测量图像输入训练好的神经网络中，即可输出模型修正结果，有效解决了人工提取特征方法模型表征能力差等问题。此外，考虑训练样本较少可能带来的过拟合，采用在网络前传中加快速连接结构、增加噪声扩充样本等方法，降低了参数修正误差。

主权项：1.一种基于深度学习的结构频响动力学模型修正方法，其特征包括以下步骤：1生成深度学习网络的训练集；确定待修正参数样本生成数量及范围，进行动力学分析或从实验数据库中得到结构多频点、多测点、多观测方向的频率响应数据；对于结构多频点、多测点、多观测方向的动力学响应值进行图像化处理，将多维复杂数值矩阵转化为多通道图像进行储存并利用深度神经网络提取；将不同频点*观察点的动力学响应信息转化为图像的长*宽，不同方向的响应信息转化为图像的多条色彩通道；将所述频率响应数据进行归一化处理，并转化为多通道图像，作为训练集的图像；将生成的待修正参数样本进行归一化，作为深度学习训练集的标签；训练集图像与训练集标签一起作为深度神经网络的输入；2构建深度学习网络；对网格参数及结构进行初始化，选择适当的网络层深、卷积核大小、全连接方式；将训练集输入构建好的深度神经网络进行训练直至训练结束，并在测试集上对训练好的网络进行精度测试；由于输入图像尺寸畸形需要对原始图像进行预处理，方法为将原始图像用11*1的卷积核进行卷积，从而转化为易于计算机处理的尺寸；3结构动力学模型修正；将待修正结构的测量频响数据用来转化为图像后输入训练好的网络，网络输出即为待修正参数的修正结果。

全文数据：一种基于深度学习的结构频响动力学模型修正方法技术领域[0001]本发明属于结构动频响力学模型修正领域，涉及结构频率响应动力学模型修正与深度学习理论，具体涉及一种基于深度学习的结构频响动力学模型修正方法。背景技术[0002]技术背景：[0003]结构动力学模型常常被用于复杂结构的仿真实验和计算分析，由于存在着各种不确定性因素以及建模过程中的一些简化，模型和实际结构之间往往会存在差距。为了提高结构动力学模型的精确度，研究者针对结构动力学模型修正进行了大量的研究[1_4]。在动力学模型修正的方法中，常见的有基于模态数据和基于频响函数的两种修正方法。与基于模态数据的模型修正方法相比，模态参数的识别过程会引入一些误差[5]，并且振型数据也通常不完整[3]。并且，频响实验数据获取更为容易，因此可以用于修正的实验数据样本更多[6]。因此，基于频响函数的模型修正方法近年来被广泛用于动力学模型修正中[7_9]。本发明以加速度频响函数作为模型修正的依据，对结构动力学模型进行修正。[0004]目前，基于频响函数的模型修正方法可分为以下两种：矩阵型修正方法和参数性修正方法。矩阵法主要对动力学模型的刚度矩阵、质量矩阵、阻尼矩阵等进行直接修改。这种矩阵修正法直接修改了动力学模型的刚度、质量或阻尼矩阵。矩阵型修正法方法主要利用模型缩聚方法、摄动法[1]、残差矩阵[11]等方法，但这种方法在对矩阵新型操作的过程中会使得其失去本身的物理意义，对于大型复杂结构可行性较低。而参数修正法直接修改参数本身，如材料的弹性模量、密度或结构几何尺寸等，然后分析模型计算结果和实验测量数据的差距。这种方法可以保留参数本身的物理意义，易于与大型有限元软件和各类优化算法结合。参数型修正方法主要有基于灵敏度[12]、响应残差[13]和摄动理论的修正方法。以上方法对大量的频响测量数据都进行了提取、降维或缩聚处理，在处理多测点、多频点、多观测方向（或维度）的频响数据时，通常需经过人工提取特征的，才能建立求解模型，或建立多个求解方程或求解模型并将其进行线性组合。这种方法在数据处理过程中损失了大量细节信息，还容易造成精度损失，对真实结构的表征能力较低。并且，这种人工提取特征的方法的准确度依赖于数据处理技术的准确性，很容易在简化计算过程中产生计算错误，将影响模型修正结果的准确性。发明内容[0005]本发明要解决的技术问题为:克服传统方法中同时对多参数、多测点、多频点、多方向频率响应数据处理和人工提取特征方法的不足，将实验测量的频率响应数据转化为多通道图像。利用深度学习网络对图像进行特征提取，建立频响数据与待修正参数的快速映射，实现对逆问题的求解。[0006]本发明解决上述技术问题采用的技术方案为:一种基于深度学习的结构频响动力学模型修正方法。包括以下步骤，见图1:[0007]步骤1:生成深度学习所需要的训练样本和测试样本，该数据来源一般为现有实验数据库或通过仿真方法得到。如果实验数据来源于仿真试验，则进行步骤2，如果频响数据来源于现有数据库则直接进行步骤4,。[0008]步骤2:确定样本生成数目N，选定待修正参数并给定参数样本分布范围。将生成的参数样本进行归一化处理，作为深度神经网络的训练集标签。[0009]步骤3:将步骤2中生成好的待修正参数样本值作为结构动力学模型的输入参数，对模型进行动力学试验。[0010]步骤4:将频响实验数据或仿真结果进行数据提取，并且按照测量频点*观测点*测量方向的格式进行数据存储。[0011]步骤5:将步骤4中得到的频响结果进行归一化，并按照将其转化为多通道图像，该图像即为深度神经网络的原始输入。[0012]步骤6:建立利用基于ResNet的深度神经网络对训练集做回归学习，步骤7到步骤10为学习过程。[0013]步骤7:网络结构初始化。设置初始卷积核，将步骤5中获得的输入图像转化为适于计算机处理的尺寸。设置网络初始层数、每层特征图个数，模型精度阈值等参数。[00M]步骤8:按照步骤7设置的参数搭建深度神经，每隔两层设置快速连接结构，至完成训练。[0015]步骤9:从步骤8的训练结果判断网络是否达到精度要求，并判断是否达到过拟合，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,加深网络层数和特征图个数，直到达到要求。[0016]步骤10:将测试集输入已经训练好的网络，对网络精确度进行验证，若不能满足要求，则返回步骤2。[0017]步骤11:保存训练好的网络。[0018]步骤12:对网络训练结果进行验证。步骤13到步骤14即为结果验证及调整过程。[0019]步骤13:对实验测量的频响数据进行信息提取，并按照步骤5的方法生成测试样本图像，并将测试图像输入已经步骤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。[0020]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。[0021]本发明：一种基于深度学习的结构频响动力学模型修正方法的优点在于：[0022]1本发明对多测量点、多测量频率以及多个测量方向的大量复杂频响数据转化为图像进行处理，这种方法能够充分利用测量数据，避免了人工提取特征造成的误差，对真实结构的表征能力强。[0023]2本发明结合深度学习在图像识别领域的优势，将卷积神经网络模型应用于动力学模型修正，建立频响数据与待修正参数之间的快速映射。[0024]3本发明简化了模型修正逆问题的流程。将图像化频响数据输入训练好的深度神经网络中，其输出结果即为待修正参数，减少了传统方法中特种提取、建立代理模型、优化等步骤，减少了运算带来的误差。[0025]4这种方法可对多参数回归问题进行高精度求解，避免传统方法中多次建立求解模型的计算过程及简化计算带来的精度损失具体实施方式[0026]本发明提供了一种基于深度学习的结构频响动力学模型修正方法。[0027]本发明算例采用某飞行器结构，其有限元模型见图2,仿真实验结果见图二。本发明数值算例选择了5个待修正参数，待修正参数及真实值见表1。[0028]步骤1:设样本数为3000,则根据实际工况生成待修正参数初始分布范围，对范围中的每一组参数进行记录。将每组参数输入有限元软件MSCPatranNastran中，选取适当的频率求解范围及关键点进行频响分析。在本发明的算例中一共选取了101个关键频点，11个观测点，进行记录，求解得到3000组X，y方向的结构频响结果。[0029]步骤2:对计算生成的f06文件中的频响数据进行提取。利用python语言中正则表达式编写脚本，对f〇6文件中x，y方向的结构频响数据进行读取，并按照频点*观测点*方向的格式以多维数值方式进行存储。[0030]步骤3:将步骤2中提取到的数据通过归一化转化为2通道101*11像素大小的图像见图3，即为深度神经网络的训练样本图，3000组带修正参数值则为训练样本的标签值。[0031]步骤4:网络初始化。由于训练集输入图像尺寸特殊，在网络获取数据后，需要对原始图像进行处理。具体方法为特殊形状11*1的卷积核对输入图像进行预处理，转化为计算机易于处理的尺寸，同时对训练集的标签进行归一化处理。[0032]步骤4:对样本增加5%、10%及15%的噪声，将样本容量进行扩充，将扩充后的样本在mxnet深度学习框架下按照发明内容章节的步骤6-12训练深度神经网络。[0033]步骤5:训练网络性状及其各层卷积核大小、特征图数量、标签个数等网络参数见图4。网络层数为11层，其中网络中的子结构包括卷积层、归一化层及激活层，回归参数个数为5个。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。[0034]步骤6:在训练中，为了避免增生增加造成的梯度退化、丧失细节信息等问题，在经过若干层卷积操作后会对上层细节信息进行快速连接操作，与经过若干层卷积后的特征图进行叠加。如果前后两层图像尺寸大小不匹配，则先进行一步卷及操作将图像尺寸统一后进彳丁置加。[0035]步骤7:经过特征提取后，特征图数量为1152个，经过全连接层转化为5个输出参数，即为深度神经网络的回归结果。[0036]步骤8:按照步骤7的网络结构搭建网络，按公式1计算损失函数和均方根误差rmse。其中损失函数为网络回归数据和训练标签之间的欧氏距离，rmse计算方法见公式1。其中yi为真实样本，Λ为预测值，使用随机梯度下降法训练网络，直到收敛。分别计算样本在训练数据集和测试数据集上的收敛误差。训练过程中，rmse下降图见图5。1[0038]步骤9: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。[0039]步骤10:将实验结果进行处理，转化为与样本图像相同尺寸的二通道图像，这些图像即为测试集的输入图像，对应的待修正参数的真实值即为测试样本的标签。将网络输出结果与测试样本标签进行比较，表1即为修正结果集误差对比。[0040]表1修正结果及误差比较[0042]步骤11:保存深度神经网络及输出结果。[0043]本发明未详细阐述的部分属于本领域公知技术。[0044]以上所述，仅为本发明部分具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的人员在本发明揭露的技术范围之内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。附图说明[0045]图1是本发明方法的实现流程图[0046]图2是本发明算例的飞行器结构有限元模型[0047]图3是结构加速度频响数据图像图4是深度神经网络结构及其参数设置图5是均方根误差下降图[0048]参考文献[0049][1]朱安文，曲广吉，高耀南，等·结构动力模型修正技术的发展[J]·力学进展，2002,323:337-348.[0050][2]郭勤涛，张令弥，费庆国.结构动力学有限元模型修正的发展一一模型确认[J]·力学进展，2006，361:36-42·[0051][3]AroraV.ComparativeStudyofFiniteElementModelUpdatingMethods[J],JournalofVibrationControl,2011,1717:2023-2039.[0052][4]王婉颖，徐超·舱段对接结构动力学有限元模型修正[C]中国力学大会-2015论文摘要集.2015.[0053][5]丁继锋，韩增尧，庞世伟.基于频响函数模型修正影响因素的仿真[J].中国空间科学技术，2010,305:1-8.[0054][6]WangJT,ffangCJ1ZhaoJP.Frequencyresponsefunction-basedmodelupdatingusingKrigingmodel[J].MechanicalSystemsSignalProcessing,2017,87:218-228.[0055][7]YangXjGuoXjOuyangH,etal.AnewfrequencymatchingtechniqueforFRF-basedmodelupdating[C]2017:012013.[0056][8]ArrasMjCoppotelliG.Finite-ElementStructuralUpdatingUsingFrequencyResponseFunctions[J].JournalofAircraft,2015,525:1-15.[0057][9]LimJHjHwangDS,SohnD，etal.Improvingthereliabilityofthefrequencyresponsefunctionthroughsemi-directfiniteelementmodelupdating[J].AerospaceScienceTechnology,2016,54:59-71.[0058][10]朱凼凼，冯咬齐，向树红.基于频率响应函数的动力学模型修正方法研究[J].中国工程科学，2005，78:89-94.[0059][11]秦仙蓉.基于灵敏度分析的结构计算模型修正技术及相关问题研究[D].南京航空航天大学，2001.[0060][12]GuoNjYangZjJiaY,etal.Modelupdatingusingcorrelationanalysisofstrainfrequencyresponsefunction[J].MechanicalSystemsSignalProcessing，2016，s70-71:284-299.[0061][13]ffangJTjWangCJjZhaoJP.Frequencyresponsefunction-basedmodelupdatingusingKrigingmodel[J].MechanicalSystemsSignalProcessing,2016,87:218-228.

权利要求：1.一种基于深度学习的结构频响动力学模型修正方法，其特征包括以下步骤：1生成深度学习网络的训练集。确定待修正参数样本生成数量及范围，进行动力学分析或从实验数据库中得到结构多频点、多测点、多观测方向的频率响应数据。将频率响应数据进行归一化处理，并转化为多通道图像，作为训练集的图像。将生成的待修正参数样本进行归一化，作为深度学习训练集的标签。训练集图像与训练集标签一起作为深度神经网络的输入。2构建深度学习网络。对网格参数及结构进行初始化，选择适当的网络层深、卷积核大小、快捷连接方案等。将训练集输入构建好的深度神经网络进行训练直至训练结束，并在测试集上对训练好的网络进行精度测试。3结构动力学模型修正。将待修正结构的测量频响数据用转化为图像后输入训练好的网络，网络输出即为待修正参数的修正结果。2.根据权利要求1所述一种基于深度学习的结构频响动力学模型修正方法，其特征在于:对于结构多频点、多测点、多观测方向的动力学响应值进行图像化处理，将多维复杂数值矩阵转化为多通道图像进行储存并利用深度神经网络提取。3.根据权利要求1所述一种基于深度学习的结构频响动力学模型修正方法，其特征在于:在网络的训练集中，动力学响应图作为训练输入图像，待修正参数值作为训练标签。将训练集图像及标签输入网络中，利用网络来提取图像中的特征，建立输入图像与标签之间的快速映射。A.所述3中将不同频点*观察点的动力学响应信息转化为图像的长*宽，不同方向的响应信息转化为图像的多条色彩通道，即可获得动力学响应图。B.所述3中由于输入图像尺寸畸形需要对原始图像进行预处理，方法为将原始图像用11*1的卷积核进行卷积，从而转化为易于计算机处理的尺寸。4.根据权利要求1所述一种基于深度学习的结构频响动力学模型修正方法，其特征在于:将实验测量数据进行同样的图像化处理后作为训练好以后网络的输入图像，网络输出即为模型修正的结果。

百度查询： 北京航空航天大学 一种基于深度学习的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