【技术实现步骤摘要】
本专利技术涉及信号生成，尤其涉及一种基于深度学习的主动减振参考信号生成方法。
技术介绍
1、在主动减振系统中，参考信号的生成是实现减振控制的关键。传统的主动减振参考信号生成方法通常直接使用安装在激振源附近的传感器采集的信号作为参考信号。这种方法的优点是简单直接，可以实时获取激振源附近的振动信息。然而，这种方法存在一些缺点。
2、首先，传感器直接采集的参考信号容易受到外界扰动的影响。例如，当激励频率或幅值突变时，传感器采集到的信号会出现突变，导致参考信号的稳定性受到影响。此外，如果结构受到外界冲击或其他干扰，传感器采集到的信号也会受到干扰，进而影响主动减振过程的稳定性和安全性。
3、其次，传统方法无法适应不同扰动情况下的参考信号生成需求。由于传感器直接采集的信号受到外界扰动的干扰，无法准确地反映结构的振动特征。这导致传统方法在应对激励频率幅值变化、结构响应突变等问题时表现不稳定，无法保证生成的参考信号具有稳定的能量强度。
4、中国申请号为202110282138.5的专利技术专利公开了车辆发动机主动减振方法及设备，其是通过将发动机曲轴的转速信号滤波后得到参考信号，根据参考信号及激振器周边的误差传感器的反馈信号得到每个激振器的控制信号，进而控制激振器产生与车辆发动机的发电机组振动方向相反的振动响应。但该现有技术仍然是依赖于直接采集的参考信号，虽然其设置了误差传感器能一定程度应对信号干扰的情况，但对于干扰项多、干扰程度大的情况仍然没有办法解决。
技术实现思路>
1、有鉴于此，本专利技术提供一种基于深度学习的主动减振参考信号生成方法，以多种扰动情况下传感器时域数据训练信号重塑神经网络模型，根据长时间实时传感器数据筛选信号中存在的线谱分量，并重构为等能量强度的参考信号。该方法能够适应主动减振中存在的任意外部激励形式，在控制过程中对外部激励中存在的特征线谱实时跟踪，有效应对激励频率幅值变化、结构响应突变等问题，实现参考信号的稳定生成，保障控制稳定性。
2、本专利技术的技术目的是这样实现的：
3、本专利技术提供一种基于深度学习的主动减振参考信号生成方法，包括以下步骤：
4、s1创建叠加多个正弦波时域信号的混合信号数据集，对混合信号数据集做样本扩充，得到样本数据集，其中，样本数据集包含真实标签；
5、s2构建深度卷积神经网络模型，包括输入层、宽卷积层、池化层、卷积层、全连接层和输出层，其中，宽卷积层、卷积层和全连接层均设有激活函数；
6、s3将样本数据集划分为训练集、验证集和测试集，利用训练集对深度卷积神经网络模型进行迭代训练，在每个训练周期结束后，使用验证集对模型进行验证评估，根据验证评估结果进行模型调整和参数选择，在训练过程结束后，利用测试集对模型进行最终评估和性能测试，根据最终评估结果得到训练后的深度卷积神经网络模型；
7、s4获取待估计混合信号，将待估计混合信号输入训练后的深度卷积神经网络模型中进行预测，得到预测结果，预测结果包括估计的频率和幅值信息，根据预测结果生成相应的正弦波。
8、在上述方案的基础上，优选的，步骤s1包括：
9、s11获取多个幅值和频率不同的正弦波时域信号，将多个正弦波时域信号叠加，并加入相同长度的随机噪声，生成混合信号；
10、s12设置预设时长，根据预设时长在混合信号中截取信号片段，设置采样频率和样本长度，根据采样频率获取与样本长度符合的数据序列，将一个当前数据序列作为样本输入；
11、s13设定幅值变化范围和频率变化范围，在幅值变化范围和频率变化范围内随机变化正弦波时域信号的幅值和频率，重复步骤s11和s12，生成新的数据序列作为样本输入；
12、s14重复步骤s13，得到的多个数据序列作为样本数据集，样本数据集的幅值和频率信息作为真实标签。
13、在上述方案的基础上，优选的，步骤s2中，构建的深度卷积神经网络模型按数据流向依次包括：输入层、宽卷积层和激活函数、池化层、卷积层1和激活函数、卷积层2和激活函数、卷积层3和激活函数、全连接层和激活函数、输出层；
14、其中，激活函数对相应层的输出进行非线性映射，将其转换为非线性输出。
15、在上述方案的基础上，优选的，输入层、宽卷积层和激活函数、池化层为深度卷积神经网络模型的第一部分，其中：
16、宽卷积层的卷积核长度为64，步长为10，卷积核个数为16，宽卷积层输出100*16的低维特征向量；
17、池化层对宽卷积结果进行平均值池化操作，池化大小为2。
18、在上述方案的基础上，优选的，平均值池化操作的公式表达如下：
19、
20、式中，y[i,j]为池化层的输出特征图中[i,j]的值，mean表示平均值计算，x1表示池化层的输入特征图，poolsize为池化窗口的大小，i,j表示位置为(i,j)的元素，表示从输入特征图x1中提取出的池化窗口，其大小为poolsize×poolsize。
21、在上述方案的基础上，优选的，卷积层1和激活函数、卷积层2和激活函数、卷积层3和激活函数为深度卷积神经网络模型的第二部分，其中：
22、卷积层1的卷积核大小为3*3，卷积核个数为32；
23、卷积层2的卷积核大小为3*3，卷积核个数为64；
24、卷积层3的卷积层大小为3*3，卷积核个数为8。
25、在上述方案的基础上，优选的，各卷积层的卷积操作的公式表达如下：
26、
27、式中，yl(i,j)表示第l层的卷积结果，为第l层的第i个卷积核的第j’个权值，为第l层中第j个被卷积的局部区域，w为卷积核的宽度。
28、在上述方案的基础上，优选的，全连接层和激活函数、输出层为深度卷积神经网络模型的第三部分，其中：
29、全连接层由n个神经元组成，每个神经元都与前一层的所有神经元相连接，全连接层包含dropout随机失活机制；
30、输出层由6个神经元组成，输出层对全连接层的输出进行回归预测，得到预测结果；
31、全连接层的公式表达如下：
32、y＝x*w+b
33、式中，x是全连接层的输入矩阵，w是全连接层的权重矩阵，y是全连接层的输出矩阵，b是偏置项。
34、在上述方案的基础上，优选的，步骤s3包括：
35、s31将样本数据集按照7:2:1的比例划分为训练集、验证集和测试集；
36、s32对深度卷积神经网络模型的参数进行初始化；
37、s33设置训练的轮数和批大小，对于每个训练轮数，按照批大小从训练集中随机选择一批样本作为输入，将输入样本通过深度卷积神经网络模型进行前向传播，得到训练预测输出，根据训练预测输出和真实标签，计算均方误差损失函数的值，利用反向传播算法计算梯度，使用优化器根据梯度更新参数，使损失函数不断减小；<本文档来自技高网...
【技术保护点】
1.一种基于深度学习的主动减振参考信号生成方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于深度学习的主动减振参考信号生成方法，其特征在于，步骤S1包括：
3.如权利要求1所述的一种基于深度学习的主动减振参考信号生成方法，其特征在于，步骤S2中，构建的深度卷积神经网络模型按数据流向依次包括：输入层、宽卷积层和激活函数、池化层、卷积层1和激活函数、卷积层2和激活函数、卷积层3和激活函数、全连接层和激活函数、输出层；
4.如权利要求3所述的一种基于深度学习的主动减振参考信号生成方法，其特征在于，输入层、宽卷积层和激活函数、池化层为深度卷积神经网络模型的第一部分，其中：
5.如权利要求4所述的一种基于深度学习的主动减振参考信号生成方法，其特征在于，平均值池化操作的公式表达如下：
6.如权利要求4所述的一种基于深度学习的主动减振参考信号生成方法，其特征在于，卷积层1和激活函数、卷积层2和激活函数、卷积层3和激活函数为深度卷积神经网络模型的第二部分，其中：
7.如权利要求6所述的一种基于深度学习的主动减振
8.如权利要求6所述的一种基于深度学习的主动减振参考信号生成方法，其特征在于，全连接层和激活函数、输出层为深度卷积神经网络模型的第三部分，其中：
9.如权利要求1所述的一种基于深度学习的主动减振参考信号生成方法，其特征在于，步骤S3包括：
10.如权利要求1所述的一种基于深度学习的主动减振参考信号生成方法，其特征在于，激活函数为ReLU、Sigmoid、Tanh中的其中一种。
...【技术特征摘要】
1.一种基于深度学习的主动减振参考信号生成方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于深度学习的主动减振参考信号生成方法，其特征在于，步骤s1包括：
3.如权利要求1所述的一种基于深度学习的主动减振参考信号生成方法，其特征在于，步骤s2中，构建的深度卷积神经网络模型按数据流向依次包括：输入层、宽卷积层和激活函数、池化层、卷积层1和激活函数、卷积层2和激活函数、卷积层3和激活函数、全连接层和激活函数、输出层；
4.如权利要求3所述的一种基于深度学习的主动减振参考信号生成方法，其特征在于，输入层、宽卷积层和激活函数、池化层为深度卷积神经网络模型的第一部分，其中：
5.如权利要求4所述的一种基于深度学习的主动减振参考信号生成方法，其特征在于，平均值池化操作的公式表达如...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。