[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

权利要求书

1.一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，其特征在于，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，具体为：构建混合神经网络模型f(x₁,x₂)，所述混合神经网络模型包括知识基模型f₁(x₁)f₂(x₂)和反向传播神经网络模型f₃(x₁,x₂)，混合神经网络模型的期望输出为大变形柔性体纵向应力，函数关系式表示为：

f(x₁,x₂)＝f₁(x₁)f₂(x₂)+f₃(x₁,x₂)

其中符号的具体含义及计算公式如下：

f₁(x₁)描述大变形柔性体力学模型的力学特征，函数关系式表示为：其中，w₁、w₂、w₃、w₄均为待确定权值参数；

f₂(x₂)描述大变形柔性体力学模型的环境温度特征，函数关系式表示为：其中，E为大变形柔性体弹性模量，其计算公式为E＝σ/ε，E_init、E_final分别为静态试验温度取值范围内大变形柔性体弹性模量的初始值、最终值，dx为时间步长，w₅、w₆为待确定权值参数；W₁＝(w₁,w₂,...w₆)^T为知识基模型的权值向量；

f₃(x₁,x₂)为描述大变形柔性体力学模型的纵向应力与知识基模型的误差，形式为反向传播神经网络，网络结构为2×3×1，即一个输入层、一个隐层和一个输出层，输入层神经元个数为2，输出层神经元个数为1，均采用线性恒等函数作为神经元激励函数；隐层神经元个数为n，以一组逐次增高的幂函数x^i-1作为神经元激励函数，i表示隐层的第i个神经元；W₂＝(w₇,w₈,...,w_n+6)^T为反向传播神经网络模型隐层神经元与输出层神经元之间的权值向量；反向传播神经网络的函数关系式表示为：

式中，X₁＝(x₁,x₂)，为激励函数；

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。

2.根据权利要求1所述的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，其特征在于：步骤1中大变形柔性体静态试验数据具体为X＝(x₁,x₂,ε,σ)^T，其中，x₁为应力传感器输出电压，x₂为环境温度，ε为大变形柔性体纵向应变，其计算公式为ε＝ΔL/L，该式中，ΔL大变形柔性体纵向伸长量，L为大变形柔性体长度，σ为大变形柔性体纵向应力，其计算公式为σ＝F/(w*t)，该式中，F为大变形柔性体纵向载荷，w为大变形柔性体宽度、t为大变形柔性体厚度；样本数据均作归一化处理。