申请/专利权人：西安理工大学

申请日：2021-08-17

公开（公告）日：2024-04-02

公开（公告）号：CN113642216B

主分类号：G06F30/23

分类号：G06F30/23;G06F30/27;G06N3/048;G06N3/084;G06F18/2411;G06F111/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.11.30#实质审查的生效;2021.11.12#公开

摘要：本发明是一种基于多层神经网络和支持向量机的随机信号识别方法，步骤是：1建立有限元模型；2确定响应点位置、激励输入位置和加速度激励功率谱的幅值；3进行随机响应分析，对有限元模型进行修改，得到与实际情况最为接近的有限元模型；4设计不同的加速度激励功率谱，生成多组数据集；5完成数据处理；6将数据集划分为测试集和训练集，使用支持向量机和多层神经网络训练随机信号预测模型；7基于多层神经网络和支持向量机的训练结果，修改参数寻找最优的随机信号预测模型；8基于最优的随机信号预测模型，加入噪声，验证该随机信号预测模型的泛化性。本发明方法，提高了多层神经网络的预测精度和泛化性。

主权项：1.一种基于多层神经网络和支持向量机的随机信号识别方法，其特征在于，按照以下步骤实施：步骤1、根据目标结构建立有限元模型，具体过程是：根据目标结构的实际状况选择1D、2D或3D单元进行建模，壳体结构选用2D单元，实体结构选用3D单元，简单的刚性连接选用1D单元，单元主要为四边形单元和六面体单元；选用线性与非线性结构有限元求解器，进行随机响应分析；步骤2、根据实际情况，确定目标结构中响应点位置、激励输入位置和加速度激励功率谱的幅值，具体过程是：2-1基于步骤1建立的有限元模型，确定求解的频率范围；2-2基于步骤1建立的有限元模型，确定激励输入位置；2-3基于实际试验情况，输入加速度激励功率谱；2-4确定响应点的位置及数目；2-5设置整体材料阻尼；步骤3、进行随机响应分析，将有限元模型的振动响应结果与实验进行比较，根据比较结果再对有限元模型进行修改，得到与实际情况最为接近的有限元模型，具体过程是：3-1根据步骤2-3中的加速度激励功率谱进行随机响应分析，得到实际加速度激励功率谱条件下，步骤2-4确定的响应点的加速度响应功率谱PSD以及加速度均方根值RMS值的仿真数据；3-2将步骤3-1中得到的加速度均方根值RMS值的仿真数据与实际试验数据进行对比，筛选其中误差最小的响应点结果作为机器学习的输入；当对比结果不理想时，需修改有限元模型，直至仿真结果达到实际要求；3-3当步骤3-2中效果不理想时，选择增加减少部分接触单元、修改接触单元类型、简化部分结构、修改网格尺寸、更换求解器的算法或采用步骤3-4给出的方法来修正解决；3-4对有限元模型进行仿真模态分析，采用锤击-自由绳悬挂的单点激振频响函数方法对结构进行试验；通过试验前5阶模态振型，与仿真振型进行对比，分析模态振型之间的差别；依据模态振型的差别修改接触单元类型或接触单元数量，即修改刚度矩阵，使仿真的前5阶模态振型和固有频率与试验相似；模态振型能反应结构的刚度情况，如果设备件试验模态振型相比仿真振型，某位置模态振型有更大的振动幅度，说明仿真模型局部接触刚度大于真实结构，需要减少局部接触单元数量或使用刚度更小的接触单元类型，反之亦然，得到与实际情况最为接近的有限元模型；步骤4、利用步骤3所得的有限元模型，设计不同的加速度激励功率谱，生成多组数据集，具体过程是：4-1设计不同的加速度激励功率谱；4-2利用步骤3-3得到的与实际最为接近的有限元模型，以步骤3-2中误差最小的响应点，作为输出加速度响应功率谱的点；4-3设置加速度激励功率谱，设计仿真加速度激励功率谱的频率范围为20-2000Hz，加速度激励功率谱的幅值在20-2000Hz取一恒定的值，如1g2Hz、1.1g2Hz、1.2g2Hz依次直至取到3g2Hz；4-4利用步骤4-1和4-3设计出的加速度激励功率谱，通过步骤3-4所得的有限元模型，进行随机响应分析，得到多层神经网络和支持向量机所需的多组数据集；步骤5、利用编程软件完成数据处理工作，具体过程是：5-1基于Python编程语言，对不同激励条件下的加速度响应功率谱，进行循环读取-转置-循环合并-行变换-列变换-循环输出的操作；5-2对步骤4-4得到的加速度响应功率谱数据，依据加速度激励功率谱幅值的不同分为30个文件，响应结果被HyperWorks单独输出，即20-2000Hz加速度激励功率谱幅值恒为1g2Hz，A4、A8、A1响应点的三种响应结果被打包成一个文件输出，总共生成30个csv文件，本步骤的数据处理过程细分为以下三个小步骤：5-2-1将30个csv文件放入一个文件夹test1中，读取test1文件夹中的所有文件名，使用os库中的os.listdir和.sort方法将test1文件夹中的文件名按照数字大小排序，使用for循环按照排序列表依次打开test1文件夹中的文件，使用pandas库中的pd读取文件的内容，因为每个文件中含有A4、A8、A1三种响应结果，使用pd.iloc[]读取指定区域的数据，使用reset_index重置读取区域的索引，使用.transpose对区域数据进行转置，得到不同加速度激励功率谱条件下，A4、A8、A1的30个转置文件；将转置好的文件通过os.listdir和.sort按数字大小进行排序，使用for循环和pd按顺序进行读取，将读取的数据使用.append依次将数据添加到列表数据的末尾，实现数据的合并，将合并好的数据保存，30个转置文件被按照顺序合并到一个文件；5-2-2将合并后的文件，使用for循环和.loc[i]按照频率的不同分开，得到20Hz下不同加速度激励功率谱A4、A8、A1的响应结果，40Hz下不同加速度激励功率谱A4、A8、A1的响应结果，依次到2000Hz下不同加速度激励功率谱A4、A8、A1的响应结果共100个文件，此时该100个文件中A4、A8、A1的响应结果都处于同一列，无法被sklearn机器学习模型直接使用，需要将100个文件中的加速度响应功率谱值，按照响应点的不同分为A4、A8、A1三列；5-2-3利用矩阵乘法将加速度响应功率谱分为A4、A8、A1三列，将三列需要乘的向量写入一个文件，文件名为“列向量用于相乘”，对于DataFrame数据用data['w']表示选表格中的'w'列，进行列相乘，用[～data['w'].isin[0]]，消除乘积为0的值，使用data['w']将1g2Hz-30g2Hz的加速度激励功率谱幅值按顺序写入文件作为机器学习模型的y值，得到不同频率下，A4、A8、A1响应数据作为机器学习的x值，以及与响应对应的加速度激励功率幅值作为机器学习的y值；5-3将步骤4-4得到的30*3加速度响应功率谱，经过步骤5-2得到的按频率大小分类的结果：20Hz下A4、A8、A1的30组响应数据，以及与该30组响应数据对应的30个激励数据的30个加速度激励功率谱值和与加速度激励功率谱所对应的该响应点的加速度响应功率谱值组成的数据，A8、A1响应点与A4得到的数据类似，这三种数据被放在一个文件夹内；一直处理到2000Hz，最终得到多组A4、A8、A1的响应数据，以及与各自加速度响应功率谱数据对应的加速度激励功率谱数据，根据频率的不同分成100个文件；5-4将步骤5-3得到的100个文件利用Python编程处理，得到数据集；步骤6、将步骤5得到的数据集划分为测试集和训练集，使用支持向量机和多层神经网络训练随机信号预测模型，具体过程是：6-1使用sklearn.mode_selection包中的train_test_split模块，对处理好的数据集进行划分，将数据集随机划分为训练集x_train，y_train和测试集x_test，y_test；6-2使用sklearn.neural_network包中的MLRegressor和sklearn库中svm包的svm.SVR分别对步骤6-1中分好的训练集进行训练，训练过程包括，获取数据-划分数据-标准化-生成预估器-模型评估；6-3步骤6-2中MLRegressor和svm.SVR分别对步骤6-1中分好的测试集进行测试，测试后得到的结果为20Hz下预测出的加速度激励功率谱的幅值；步骤7、基于多层神经网络和支持向量机的训练结果，修改参数寻找最优的随机信号预测模型，具体过程是：将步骤6-3中多层神经网络的测试结果和支持向量机的测试结果，分别与真实加速度激励功率谱幅值进行计算，计算出多层神经网络和支持向量机的平均绝对百分比误差MAPE，并将多层神经网络和支持向量机的MAPE进行对比，根据MAPE对比结果调节参数选择出最优的随机信号预测模型；调节参数的策略包括，对支持向量机改变核函数寻找出预测效果最好的模型；对多层神经网络模型首先改变参数迭代算法，其次确定隐藏层神经元数，改变隐藏层数目选出最优层数，确定最优层数后再回头改变隐藏层节点数，选出最优隐藏层节点数；步骤8、基于步骤7得到的最优的随机信号预测模型，加入噪声，验证该随机信号预测模型的泛化性。

全文数据：

权利要求：

百度查询： 西安理工大学 一种基于多层神经网络和支持向量机的随机信号识别方法

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