[发明专利]基于EMD-DNN的振动台结构位移响应预测方法及装置

权利要求书

1.一种基于EMD-DNN的振动台结构位移响应预测方法，其特征在于，包括以下步骤：

S1：采集振动台加速度时程记录，并将该加速度时程记录分为训练集和测试集；

S2：对训练集中的加速度时程记录依次进行二次数值积分和经验模态分解，获得训练样本集；

S3：将训练样本集输入深度神经网络模型中，进行迭代训练，优化模型参数，得到优化后的深度神经网络模型；

S4：将测试集作为实时采集的加速度时程记录输入优化后的深度神经网络模型中，预测所述振动台的位移时程曲线，得到该振动台实际的结构位移响应；

S201：对训练集中的所有加速度时程记录进行数值积分得到速度时程曲线；

S202：对所述速度时程曲线进行数值积分得到漂移位移时程曲线；

S203：采用经验模态分解将所述漂移位移时程曲线分解为多个imf分量以及剩余分量，并以分解得到所有的imf分量和步骤S202中得到的漂移位移时程曲线作为训练样本集输入所述深度神经网络模型。

2.根据权利要求1所述的基于EMD-DNN的振动台结构位移响应预测方法，其特征在于，所述步骤S203中对漂移位移时程曲线进行经验模态分解得到多个imf分量和剩余分量的具体步骤为：

S2031：筛选出漂移位移时程曲线中所有的极大值点和极小值点，对所述极大值点和极小值点分别进行拟合得到所述漂移位移时程曲线的上包络线和下包络线；

S2032：根据所述上包络线和下包络线计算所述漂移位移时程曲线的均值包络，并计算所述漂移位移时程曲线与均值包络之间的差值得到新的漂移位移时程曲线；

S2033：判断所述新的漂移位移时程曲线是否满足imf分量成立的条件，若满足，则执行步骤S2034，若不满足，则对新的漂移位移时程曲线重复执行步骤S2031-S2032直至得到的另一新的漂移位移时程曲线满足imf分量成立的条件为止；

S2034：将得到的新的漂移位移时程曲线作为第一个imf分量，并将该第一个imf分量从原始的漂移位移时程曲线中分离得到剩余分量；

S2035：判断该剩余分量是否为单调函数，若是，则完成分解，否则对该剩余分量重复执行步骤S2031-S2034，直至得到的剩余分量为单调函数为止，以分解得到多个imf分量和剩余分量。

3.根据权利要求1所述的基于EMD-DNN的振动台结构位移响应预测方法，其特征在于，所述步骤S2033中，imf分量成立的条件为：

在整个时程内，所述新的漂移位移时程曲线上极大值点和极小值点的个数与过零点的个数相等或最多相差一个；

在整个时程内，所述新的漂移位移时程曲线上任意一点处的上包络线和下包络线的均值为零。

4.根据权利要求1所述的基于EMD-DNN的振动台结构位移响应预测方法，其特征在于，所述步骤S3对深度神经网络模型进行迭代训练的具体步骤为：

S301：将训练样本集输入深度神经网络模型中，得到预测的位移时程曲线；

S302：将采集到的振动台实际的位移时程记录与预测的位移时程曲线进行比较得到预测误差值，利用所述预测误差值对深度神经网络模型进行迭代训练，优化所述深度神经网络模型。

5.根据权利要求4所述的基于EMD-DNN的振动台结构位移响应预测方法，其特征在于，所述步骤S302对深度神经网络模型进行迭代训练得到优化后的深度神经网络模型的具体步骤为：

S3021：采集振动台位移时程记录；

S3022：将采集到的振动台实际的位移时程记录与步骤S301中得到的预测的位移时程曲线进行比较得到预测误差值；

S3023：将所述预测误差值反向传播至深度神经网络模型中再次进行预测，对所述深度神经网络进行迭代训练，优化模型参数，得到优化后的深度神经网络模型。