【技术实现步骤摘要】
本申请涉及计算机，具体而言，本申请涉及一种结构变形速度预报方法、装置、电子设备及存储介质。
技术介绍
1、结构变形速度是评估复杂系统结构安全的重要指标。当复杂系统受到工作条件影响，承受具有很强的动态性、随机性及不确定性的载荷时，其自身结构将发生变形，导致性能逐渐劣化，最终可能使结构发生严重故障，对经济、安全造成极大的危害。因此，需要构建结构变形速度预报模型对复杂系统结构的结构变形过程进行检测，对结构变形速度进行预报。
2、系统复杂度高的复杂系统结构变形，系统内部各结构之间具有相互作用、相互制约的非线性关系，失效机理具有多样性，变形趋势具有非平稳性。现有技术中对系统结构进行监测的结构变形速度预报模型为机理模型，对于复杂系统结构与动态的载荷环境不适应，对复杂结构的结构变形速度预报能力不足。
3、基于卷积神经网络(cnn)的变形速度预报模型，主要针对空间数据的图像处理，通过在空间维度上对图像进行特征捕捉以进行变形速度预测，例如边缘、纹理等特征的提取和学习，然而对于在时间维度上的变形速度预报数据处理能力不足，无法准确表示结构变形速度预报过程中所包含的测量不确定度、模型不确定度、随机预报不确定度等一系列不确定性问题，容易出现过拟合，严重影响模型预报的准确率。
4、由上可知，如何提高结构变形速度预报的准确率的问题仍有待解决。
技术实现思路
1、本申请各提供了一种结构变形速度预报方法、装置、电子设备及存储介质，可以解决相关技术中存在的结构变形速度预报的准确率不
2、根据本申请的一个方面，一种结构变形速度预报方法，其特征在于，包括：获取监测数据，所述监测数据通过对结构变形过程进行数据采集获得；以所述监测数据作为训练数据集，根据所述训练数据集对基于贝叶斯的时间卷积神经网络模型进行训练，获得变形速度预报模型；获取待检测数据，并利用所述变形速度预报模型对待检测数据进行局部的时间卷积操作，基于所述待检测数据对不同长度的时间依赖性，得到待检测数据的时间特征；基于待检测数据的时间特征对结构变形过程进行变形速度预报，得到变形速度预报结果。
3、根据本申请的一个方面，一种结构变形速度预报装置，其特征在于，包括：数据获取模块，用于获取监测数据，所述监测数据通过对结构变形过程进行数据采集获得；训练模块，用于以所述监测数据作为训练数据集，根据所述训练数据集对基于贝叶斯的时间卷积神经网络模型进行训练，获得变形速度预报模型；特征提取模块，用于获取待检测数据，并利用所述变形速度预报模型对待检测数据进行局部的时间卷积操作，基于所述待检测数据对不同长度的时间依赖性，得到待检测数据的时间特征；结果生成模块，用于基于待检测数据的时间特征对结构变形过程进行变形速度预报，得到变形速度预报结果。
4、在一示例性实施例中，所述数据获取模块，包括：实验构建单元，用于构建结构变形模拟实验，所述结构变形模拟实验用于模拟结构变形过程；监测单元，用于通过对所述结构变形模拟试验中的结构进行监测，采集结构变形过程中产生的结构变形信息，生成监测数据。
5、在一示例性实施例中，所述装置还包括：归一化模块，用于对所述监测数据进行归一化处理，得到参数值限定在预设范围的归一化数据；标准化模块，用于对所述归一化数据进行标准化处理，得到数据参数量纲统一的标准化数据；数据分割模块，用于将所述标准化数据分割为时间步长相同的至少一组训练数据，并将各组训练数据存储至所述训练数据集。
6、在一示例性实施例中，所述基于贝叶斯的时间卷积神经网络模型包括一维卷积模块、因果卷积模块、膨胀卷积模块、贝叶斯网络模块。其中，所述一维卷积模块用于对输入基于贝叶斯的时间卷积神经网络模型的数据进行一维卷积，生成一维卷积数据；所述因果卷积模块用于对输入基于贝叶斯的时间卷积神经网络模型的数据进行因果卷积，生成因果卷积数据；所述膨胀卷积模块用于对输入基于贝叶斯的时间卷积神经网络模型的数据进行膨胀卷积，生成膨胀卷积数据；贝叶斯网络模块用于建立不确定量分布函数，并基于所述一维卷积数据、因果卷积数据、膨胀卷积数据更新所述不确定量分布函数，并生成变形速度预报结果，所述不确定量分布函数用于更新所述基于贝叶斯的时间卷积神经网络模型的模型参数。
7、在一示例性实施例中，所述训练模块，包括：样本输入单元，用于将所述训练数据集中的训练数据输入所述基于贝叶斯的时间卷积神经网络模型进行变形速度预报，得到训练结果；参数更新单元，用于将所述训练结果输入所述贝叶斯网络模块，通过训练过程中进行的贝叶斯更新对所述基于贝叶斯的时间卷积神经网络模型的参数进行更新，完成所述基于贝叶斯的时间卷积神经网络模型的训练，获得训练完成的变形速度预报模型。
8、在一示例性实施例中，所述参数更新单元，包括：损失值计算子单元，用于将所述训练结果和所述训练样本对应的数据标签输入损失函数，计算获得损失值；参数更新子单元，用于基于所述损失值指示所述贝叶斯网络模块进行贝叶斯更新，获得贝叶斯更新结果，并基于所述贝叶斯更新结果更新所述基于贝叶斯的时间卷积神经网络模型的网络参数，直至所述损失函数收敛时，停止训练，得到所述变形速度预报模型。
9、在一示例性实施例中，所述装置还包括：测试结果生成模块，用于将测试数据输入所述变形速度预报模型进行变形速度预报，获得测试结果；误差计算模块，用于基于所述测试数据的数据标签与测试结果进行误差验证计算，生成所述变形速度预报模型的评价结果，所述评价结果用于指示所述变形速度预报模型的变形速度预报误差；误差判断模块，用于若所述评价结果为变形速度预报模型的变形速度预报误差大于预设误差阈值，则重新训练所述变形速度预报模型，直至所述变形速度预报模型的变形速度预报误差小于预设误差阈值。
10、根据本申请的一个方面，一种电子设备，包括至少一个处理器以及至少一个存储器，其中，所述存储器上存储有计算机可读指令；所述计算机可读指令被一个或多个所述处理器执行，使得电子设备实现如上所述的结构变形速度预报方法。
11、根据本申请的一个方面，一种存储介质，其上存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行，以实现如上所述的结构变形速度预报方法。
12、根据本申请的一个方面，一种计算机程序产品，计算机程序产品包括计算机可读指令，计算机可读指令存储在存储介质中，电子设备的一个或多个处理器从存储介质读取计算机可读指令，加载并执行该计算机可读指令，使得电子设备实现如上所述的结构变形速度预报方法。
13、本申请提供的技术方案带来的有益效果是：
14、在上述技术方案中，通过对结构变形过程进行数据采集获得监测数据，根据监测数据对基于贝叶斯的时间卷积神经网络模型进行训练，获得变形速度预报模型。使得训练完成的变形速度预报模型能根据待检测数据不同长度的时间依赖性，得到待检测数据的时间特征；基于待检测数据的时间特征对结构变形过程进行变形速度预报，得到变形速度预报结果。使得变形速度预报本文档来自技高网...
【技术保护点】
1.一种结构变形速度预报方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述获取监测数据，包括：
3.如权利要求1所述的方法，其特征在于，所述以所述监测数据作为训练数据集之前，所述方法还包括：
4.如权利要求1所述的方法，其特征在于，所述基于贝叶斯的时间卷积神经网络模型包括一维卷积模块、因果卷积模块、膨胀卷积模块、贝叶斯网络模块；其中，
5.如权利要求4所述的方法，其特征在于，所述以所述监测数据作为训练数据集，根据所述训练数据集对基于贝叶斯的时间卷积神经网络模型进行训练，获得变形速度预报模型，包括：
6.如权利要求5所述的方法，其特征在于，所述将所述训练结果输入所述贝叶斯网络模块，通过训练过程中进行的贝叶斯更新对所述基于贝叶斯的时间卷积神经网络模型的参数进行更新，完成所述基于贝叶斯的时间卷积神经网络模型的训练，获得训练完成的变形速度预报模型，包括：
7.如权利要求1至6任一项所述的方法，其特征在于，所述以所述监测数据作为训练数据集，根据所述训练数据集对基于贝叶斯的时间卷积神经网络模型进行训练
8.一种结构变形速度预报装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：至少一个处理器以及至少一个存储器，其中，
10.一种存储介质，其上存储有计算机可读指令，其特征在于，所述计算机可读指令被一个或多个处理器执行，以实现如权利要求1至7中任一项所述的结构变形速度预报方法。
...【技术特征摘要】
1.一种结构变形速度预报方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述获取监测数据，包括：
3.如权利要求1所述的方法，其特征在于，所述以所述监测数据作为训练数据集之前，所述方法还包括：
4.如权利要求1所述的方法，其特征在于，所述基于贝叶斯的时间卷积神经网络模型包括一维卷积模块、因果卷积模块、膨胀卷积模块、贝叶斯网络模块；其中，
5.如权利要求4所述的方法，其特征在于，所述以所述监测数据作为训练数据集，根据所述训练数据集对基于贝叶斯的时间卷积神经网络模型进行训练，获得变形速度预报模型，包括：
6.如权利要求5所述的方法，其特征在于，所述将所述训练结果输入所述贝叶斯网络模块，通过训练过程中进...
【专利技术属性】
技术研发人员：刘鹏鹏，王岩磊，黄金娥，邓建辉，王新鹏，
申请(专利权)人：中国人民解放军九二九四二部队，
类型：发明
国别省市：
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。