[发明专利]基于混合神经网络模型的大变形柔性体动态应力补偿方法

说明书

技术领域

本发明属于降落伞测量技术和计算机机器学习领域，具体涉及一种基于混合神经网络模型(Hybrid Neural Network Model,HNNM)的大变形柔性体动态应力补偿方法。

背景技术

目前，在降落伞测量技术、气动力学和结构力学基础上建立起来的CFD(Computational Fluid Dynamics)-MSD(Mass Spring Damper)耦合模型，利用计算流体力学和结构动力学的基础知识，进行数值求解，模拟大变形柔性体工作过程的结构和流场变化情况。这种模型可以较好地反映大变形柔性体所受的气动弹性力本质。但大变形柔性体透气量、弹性系数及阻尼系数的不确定性是其缺陷所在，特别是耦合模型是建立在半理论半经验的基础上，大变形柔性体应力、应变初始参数的设定主要是基于某些假设，模型最终的计算结果缺乏真实实验数据来进行量化验证。

针对大变形柔性体工作过程中存在的非线性问题，必须对其应力、应变测量精度进行非线性补偿或校正，一般采用硬件补偿联合软件补偿的方式：一方面从硬件上对应力传感器输出信号予以补偿，以保证数据可靠、准确；另一方面要采用软件手段对影响应力传感器输出的其他可变因素进行相应的补偿。常用的软件补偿方法有最小二乘法、分段线性化法和基于神经网络的自适应方法。在各种神经网络方法中，反向传播(Back Propagation，BP)神经网络是近年来受到模式识别、信号理论与控制、故障诊断等领域研究人员广泛关注的一种前馈神经网络，具有逼近任意非线性函数的能力，在非线性系统建模中被广泛应用。但BP神经网络存在收敛速度慢，容易收敛于局部极小值，鲁棒性差，学习率、动量项系数和初始权值等参数难以调整等缺陷。

混合神经网络模型主要用于建立机理模型的数学描述，是先验知识建模与神经网络建模的综合应用，使用混合神经网络模型描述大变形柔性体受力模型，能够较好地反映大变形柔性体的非线性动力学特性，逼近非线性应力、应变之间的非线性映射关系。但是，现有技术中混合神经网络模型主要在小变形、大位移及大转动应用场景中对非线性应力、应变进行补偿，尚无应用于大变形柔性体动态应力补偿的相关描述。

发明内容

本发明的目的是在于提供一种基于混合神经网络模型的大变形柔性体动态应力补偿方法，可以有效应用于大变形柔性体的动态应力补偿，尤其是降落伞、气垫船等设备工作过程中动态应力补偿。

实现本发明目的的技术解决方案为：一种基于混合神经网络模型的大变形柔性体动态应力补偿方法，包括如下步骤：

步骤1、采集大变形柔性体静态试验数据，采集的内容包括：采集应力传感器输出电压、环境温度、大变形柔性体纵向应变、大变形柔性体纵向应力；

步骤2、构建混合神经网络模型；

步骤3、采用步骤1中的静态试验数据，对混合神经网络模型进行训练；

步骤4、使用步骤3完成训练的混合神经网络模型，对动态试验或实际应用场景中的大变形柔性体的动态应力进行补偿。

本发明与现有技术相比，其显著优点为：1)本发明的动态应力补偿方法，是一种基于混合神经网络模型的大变形柔性体动态应力补偿方法，可有效应用于大变形柔性体的动态应力补偿，尤其是降落伞、气垫船等设备工作过程中的动态应力补偿，同时为大变形柔性体流固耦合计算提供真实的实验数据验证支持。2)本发明利用知识基模型的引导特性，将先验知识引入大变形柔性体的动力学建模中，可有效减小混合神经网络规模，缩短建模周期；3)本发明利用BP神经网络良好的非线性函数逼近能力，可以有效补偿复杂工作环境下传感器输入输出非线性特性及外部因素导致的非线性误差，显著提高应力传感器的测量精度；4)本发明使用LM(Levenberg-Marquardt)算法来优化BP神经网络，可以较好地解决BP神经网络收敛速度慢，且可能收敛至局部最小值等问题。

附图说明

图1本发明的具体操作流程图。

图2混合神经网络模型。

图3实施例中反向传播神经网络模型交叉验证示意图。

图4实施例中4种不同风速条件下混合神经网络模型动态应力补偿曲线，其中，图(a)为风速为20m/s，图(b)为风速为30m/s，图(c)为风速为40m/s，图(d)为风速为50m/s。

具体实施方式

结合图1，本发明的一种基于混合神经网络模型的大变形柔性体动态应力补偿方法，包括如下步骤：