[发明专利]一种基于深度学习的结构频响动力学模型修正方法

说明书

本发明公开了一种基于深度学习的结构频响动力学模型修正方法。包括将实验测量结构频率响应值和动力学模型仿真频响值转化为图像方式进行储存和特征提取，将训练样本图像对应的待修正参数值作为训练集的标签，建立多频点、多观测点、多观察方向的频响值多通道图像训练样本集，在此基础上搭建深度神经网络等过程。本发明结合深度学习在图像识别领域的优势，建立动力学输出与待修正参数之间的快速映射关系，将实验测量图像输入训练好的神经网络中，即可输出模型修正结果，有效解决了人工提取特征方法模型表征能力差等问题。此外，考虑训练样本较少可能带来的过拟合，采用在网络前传中加快速连接结构、增加噪声扩充样本等方法，降低了参数修正误差。

技术领域

本发明属于结构动频响力学模型修正领域，涉及结构频率响应动力学模型修正与深度学习理论，具体涉及一种基于深度学习的结构频响动力学模型修正方法。

背景技术

技术背景：

结构动力学模型常常被用于复杂结构的仿真实验和计算分析，由于存在着各种不确定性因素以及建模过程中的一些简化，模型和实际结构之间往往会存在差距。为了提 高结构动力学模型的精确度，研究者针对结构动力学模型修正进行了大量的研究^[1-4]。 在动力学模型修正的方法中，常见的有基于模态数据和基于频响函数的两种修正方法。 与基于模态数据的模型修正方法相比，模态参数的识别过程会引入一些误差^[5]，并且振 型数据也通常不完整^[3]。并且，频响实验数据获取更为容易，因此可以用于修正的实验 数据样本更多^[6]。因此，基于频响函数的模型修正方法近年来被广泛用于动力学模型修 正中^[7-9]。本发明以加速度频响函数作为模型修正的依据，对结构动力学模型进行修正。

目前，基于频响函数的模型修正方法可分为以下两种：矩阵型修正方法和参数性修 正方法。矩阵法主要对动力学模型的刚度矩阵、质量矩阵、阻尼矩阵等进行直接修改。这种矩阵修正法直接修改了动力学模型的刚度、质量或阻尼矩阵。矩阵型修正法方法主 要利用模型缩聚方法、摄动法^[10]、残差矩阵^[11]等方法，但这种方法在对矩阵新型操作的 过程中会使得其失去本身的物理意义，对于大型复杂结构可行性较低。而参数修正法直 接修改参数本身，如材料的弹性模量、密度或结构几何尺寸等，然后分析模型计算结果 和实验测量数据的差距。这种方法可以保留参数本身的物理意义，易于与大型有限元软件和各类优化算法结合。参数型修正方法主要有基于灵敏度^[12]、响应残差^[13]和摄动理 论的修正方法。以上方法对大量的频响测量数据都进行了提取、降维或缩聚处理，在处 理多测点、多频点、多观测方向(或维度)的频响数据时，通常需经过人工提取特征的， 才能建立求解模型，或建立多个求解方程或求解模型并将其进行线性组合。这种方法在 数据处理过程中损失了大量细节信息，还容易造成精度损失，对真实结构的表征能力较 低。并且，这种人工提取特征的方法的准确度依赖于数据处理技术的准确性，很容易在 简化计算过程中产生计算错误，将影响模型修正结果的准确性。

发明内容

本发明要解决的技术问题为：克服传统方法中同时对多参数、多测点、多频点、 多方向频率响应数据处理和人工提取特征方法的不足，将实验测量的频率响应数据转 化为多通道图像。利用深度学习网络对图像进行特征提取，建立频响数据与待修正参 数的快速映射，实现对逆问题的求解。

本发明解决上述技术问题采用的技术方案为：一种基于深度学习的结构频响动力学模型修正方法。包括以下步骤，见图1：

步骤1：生成深度学习所需要的训练样本和测试样本，该数据来源一般为现有实验数据库或通过仿真方法得到。如果实验数据来源于仿真试验，则进行步骤2，如果频响 数据来源于现有数据库则直接进行步骤4，。

步骤2：确定样本生成数目N，选定待修正参数并给定参数样本分布范围。将生成的参数样本进行归一化处理，作为深度神经网络的训练集标签。