基于深度迁移学习的多点频域振动响应预测方法及系统技术方案

本发明专利技术涉及一种基于深度迁移学习的多点频域振动响应预测方法及系统，利用第一个频率下的振动响应频域数据样本集训练多输入多输出回归分析模型，获得第一个频率的频域振动响应预测模型，根据传递函数在频域的连续性，将第一个频率的频域振动响应预测模型的权值迁移到与其最相似频率的训练模型中进行训练，得到此频率下的预测模型；依次循环此过程，得到所有频率点的模型。本发明专利技术基于数据驱动的神经网络和模型迁移技术直接对数据集训练模型，解决了矩阵病态求逆问题，可以获得更好的神经网络模型的初值，不容易陷入局部最优，加快了神经网络的收敛速度，提高了不相关多源未知载荷下的多点频域振动响应预测的精度和效率。下的多点频域振动响应预测的精度和效率。下的多点频域振动响应预测的精度和效率。

【技术实现步骤摘要】
基于深度迁移学习的多点频域振动响应预测方法及系统


[0001]本专利技术涉及振动响应预测
，特别是涉及一种基于深度迁移学习的多点频域振动响应预测方法及系统。

技术介绍

[0002]线代工程设计以及机械制造领域广泛应用到了振动响应预测相关技术。但在实际工况下结构振动响应过大往往会导致很严重的机械故障，因此，如何在工作状态下实现精准的响应预测，对于工程实践十分重要。目前主要的响应预测方面的研究主要集中在两个方面，分别是时域法和频域法。其中频域法研究时间最长，方法体系相较其他更为成熟。传统意义上的响应预测是在多源载荷已知的情况下，利用多源载荷与多点频域振动响应之间的传递函数进行求解,属于振动理论中的正问题。通过数学推导以及工程测量的方法可以推得传递函数，对于线性系统下问题的解决具有很大的指导意义。但是很多情况下，对于传递函数的必要条件
‑
多源载荷，在工程实践中往往无法获得，并且传递函数往往也无法轻易测量得到。
[0003]因此，提供一种有效且精确的不相关多源未知载荷下的多点频域振动响应预测方法是目前亟待解决的技术问题。

技术实现思路

[0004]本专利技术的目的是提供一种基于深度迁移学习的多点频域振动响应预测方法及系统，以提高不相关多源未知载荷下的多点频域振动响应预测的精度和效率。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于深度迁移学习的多点频域振动响应预测方法，所述方法包括：
[0007]获取频率序列中每种频率下的振动响应频域数据样本集；所述每种频率下的振动响应频域数据样本集包括作为输入量的多个已知测点的自功率谱样本和作为标签的多个未知测点的自功率谱样本；所述频率序列中的频率升序或降序排列；
[0008]利用频率序列中第一个频率下的振动响应频域数据样本集训练多输入多输出回归分析模型，获得第一个频率的频域振动响应预测模型；
[0009]基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型的网络参数迁移至下一个频率的多输入多输出回归分析模型中，并利用下一个频率的振动响应频域数据样本集训练迁移后的多输入多输出回归分析模型，获得下一个频率的频域振动响应预测模型；
[0010]重复以上步骤，直到获得频率序列中所有频率的频域振动响应预测模型；
[0011]获取每种频率下多个已知测点的实时自功率谱；
[0012]将每种频率下多个已知测点的实时自功率谱分别输入各自对应频率的频域振动响应预测模型，输出每种频率下未知测点的自功率谱。
[0013]可选的，所述获取频率序列中每种频率下的振动响应频域数据样本集，之前还包
括：
[0014]获取多组振动响应时域数据样本；
[0015]利用快速傅里叶变换将每组振动响应时域数据样本转换为振动响应频域数据样本；
[0016]将多组振动响应频域数据样本中相同频率的频域数据组成同一频率下的振动响应频域数据样本集。
[0017]可选的，所述频域振动响应预测模型包括依次连接的1个输入层、4个隐藏层和1个输出层；
[0018]4个所述隐藏层的全连接神经单元的数量分别为256、128、64和64。
[0019]可选的，所述基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型的网络参数迁移至下一个频率的多输入多输出回归分析模型中，并利用下一个频率的振动响应频域数据样本集训练迁移后的多输入多输出回归分析模型，获得下一个频率的频域振动响应预测模型，具体包括：
[0020]基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型中前两个隐藏层的参数迁移至下一个频率的多输入多输出回归分析模型中，获得迁移后的多输入多输出回归分析模型；
[0021]利用下一个频率的振动响应频域数据样本集对迁移后的多输入多输出回归分析模型的前两个隐藏层进行Fine
‑
tuning(微调)训练，获得一次训练后的多输入多输出回归分析模型；
[0022]利用下一个频率的振动响应频域数据样本集对一次训练后的多输入多输出回归分析模型的后两个隐藏层进行训练，获得二次训练后的多输入多输出回归分析模型，作为下一个频率的频域振动响应预测模型。
[0023]一种基于深度迁移学习的多点频域振动响应预测系统，所述系统包括：
[0024]样本集获取模块，用于获取频率序列中每种频率下的振动响应频域数据样本集；所述每种频率下的振动响应频域数据样本集包括作为输入量的多个已知测点的自功率谱样本和作为标签的多个未知测点的自功率谱样本；所述频率序列中的频率升序或降序排列；
[0025]第一个频率的预测模型获得模块，用于利用频率序列中第一个频率下的振动响应频域数据样本集训练多输入多输出回归分析模型，获得第一个频率的频域振动响应预测模型；
[0026]下一个频率的预测模型获得模块，用于基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型的网络参数迁移至下一个频率的多输入多输出回归分析模型中，并利用下一个频率的振动响应频域数据样本集训练迁移后的多输入多输出回归分析模型，获得下一个频率的频域振动响应预测模型；
[0027]循环模块，用于重复以上步骤，直到获得频率序列中所有频率的频域振动响应预测模型；
[0028]实时自功率谱获取模块，用于获取每种频率下多个已知测点的实时自功率谱；
[0029]未知测点的自功率谱输出模块，用于将每种频率下多个已知测点的实时自功率谱分别输入各自对应频率的频域振动响应预测模型，输出每种频率下未知测点的自功率谱。
[0030]可选的，所述系统还包括：
[0031]时域数据样本获取模块，用于获取多组振动响应时域数据样本；
[0032]频域数据样本转换模块，用于利用快速傅里叶变换将每组振动响应时域数据样本转换为振动响应频域数据样本；
[0033]频域数据样本集组成模块，用于将多组振动响应频域数据样本中相同频率的频域数据组成同一频率下的振动响应频域数据样本集。
[0034]可选的，所述频域振动响应预测模型包括依次连接的1个输入层、4个隐藏层和1个输出层；
[0035]4个所述隐藏层的全连接神经单元的数量分别为256、128、64和64。
[0036]可选的，所述下一个频率的预测模型获得模块，具体包括：
[0037]模型迁移子模块，用于基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型中前两个隐藏层的参数迁移至下一个频率的多输入多输出回归分析模型中，获得迁移后的多输入多输出回归分析模型；
[0038]一次训练子模块，用于利用下一个频率的振动响应频域数据样本集对迁移后的多输入多输出回归分析模型的前两个隐藏层进行Fine
‑
tuning训练，获得一次训练后的多输入多输出回归分析模型；
[0039]二次训练子模块，用于利用下一个频率的振动响应频域数据样本集对一次训练后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度迁移学习的多点频域振动响应预测方法，其特征在于，所述方法包括：获取频率序列中每种频率下的振动响应频域数据样本集；所述每种频率下的振动响应频域数据样本集包括作为输入量的多个已知测点的自功率谱样本和作为标签的多个未知测点的自功率谱样本；所述频率序列中的频率升序或降序排列；利用频率序列中第一个频率下的振动响应频域数据样本集训练多输入多输出回归分析模型，获得第一个频率的频域振动响应预测模型；基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型的网络参数迁移至下一个频率的多输入多输出回归分析模型中，并利用下一个频率的振动响应频域数据样本集训练迁移后的多输入多输出回归分析模型，获得下一个频率的频域振动响应预测模型；重复以上步骤，直到获得频率序列中所有频率的频域振动响应预测模型；获取每种频率下多个已知测点的实时自功率谱；将每种频率下多个已知测点的实时自功率谱分别输入各自对应频率的频域振动响应预测模型，输出每种频率下未知测点的自功率谱。2.根据权利要求1所述的基于深度迁移学习的多点频域振动响应预测方法，其特征在于，所述获取频率序列中每种频率下的振动响应频域数据样本集，之前还包括：获取多组振动响应时域数据样本；利用快速傅里叶变换将每组振动响应时域数据样本转换为振动响应频域数据样本；将多组振动响应频域数据样本中相同频率的频域数据组成同一频率下的振动响应频域数据样本集。3.根据权利要求1所述的基于深度迁移学习的多点频域振动响应预测方法，其特征在于，所述频域振动响应预测模型包括依次连接的1个输入层、4个隐藏层和1个输出层；4个所述隐藏层的全连接神经单元的数量分别为256、128、64和64。4.根据权利要求3所述的基于深度迁移学习的多点频域振动响应预测方法，其特征在于，所述基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型的网络参数迁移至下一个频率的多输入多输出回归分析模型中，并利用下一个频率的振动响应频域数据样本集训练迁移后的多输入多输出回归分析模型，获得下一个频率的频域振动响应预测模型，具体包括：基于模型迁移学习和深度学习框架，将第一频率的频域振动响应预测模型中前两个隐藏层的参数迁移至下一个频率的多输入多输出回归分析模型中，获得迁移后的多输入多输出回归分析模型；利用下一个频率的振动响应频域数据样本集对迁移后的多输入多输出回归分析模型的前两个隐藏层进行Fine
‑
tuning训练，获得一次训练后的多输入多输出回归分析模型；利用下一个频率的振动响应频域数据样本集对一次训练后的多输入多输出回归分析模型的后两个隐藏层进行训练，获得二次训练后的多输入多输出回归分析模型，作为下一个频率的频域振动响应预测模型。5.一种基于深度迁移学习的多点频域振...

【专利技术属性】
技术研发人员：王成，崔振凯，
申请(专利权)人：华侨大学，
类型：发明
国别省市：