[发明专利]一种非线性动态质量系统预测方法

权利要求书

1.一种非线性动态质量系统预测方法，其特征在于，具体步骤如下：

（1）获取非线性动态质量系统的控制系统关键参数和响应关键指标，并将所述的控制系统关键参数和响应关键指标存储于计算机存储器；所述控制系统关键参数包含动态质量系统的质量系数、阻尼系数、刚度系数、非线性系统的频率参数和阻尼参数，由设计预先设定；所述响应关键指标包含控制系统的输出响应和控制成本力，通过试验测试和系统非线性动力分析获取；

（2）对所述的关键控制参数和非线性系统响应指标进行预处理，以满足机器学习模型对训练数据标准化要求；

（3）采用遗传算法对机器学习模型中的初始参数进行迭代优化，并在此基础上利用所述的非线性动态质量系统的控制系统关键参数和响应关键指标进行机器学习模型训练，得到响应参数与控制系统关键参数之间的对应关系；所述的机器学习模型采用人工神经网络模型，所述初始参数包括：人工神经网络权值、偏置及其阶数、人工神经网络隐藏层数；

（4）采用所述的对应关系对具有不同控制参数的非线性动态质量系统进行响应预测。

2.根据权利要求1所述的预测方法，其特征在于，所述关键控制参数和非线性系统响应指标满足数据的鲁棒性要求。

3.根据权利要求2所述的预测方法，其特征在于，步骤（2）中所述对关键控制参数和非线性系统响应指标进行预处理，包含对数据的清洗以消除错误、冗余和数据噪音，格式化以统一数据格式，并实现其标准化；这里所述数据的标准化指通过数据预处理以使其满足机器学习模型内部激活函数的可行域。

4.根据权利要求3所述的预测方法，其特征在于，步骤（3）中所述采用遗传算法对机器学习模型的所述的初始参数进行迭代优化，包括：

根据非线性动态质量系统的控制特性，建立机器学习模型初始参数；

选取非线性动态质量系统响应指标作为适应度函数，采用遗传算法对所述的机器学习模型初始参数进行迭代优化，其中，迭代代数、种群规模、变异概率这些关键指标考虑非线性动态质量系统控制特性和数据特征：当所述动态质量控制系统非线性相关参数较小以致系统响应关键参数离散性增加时，或不同系统响应关键参数指标互相关系数小于0.5时，增加变异概率和迭代代数。

5.根据权利要求4所述的预测方法，其特征在于，步骤（3）中所述利用非线性动态质量系统的控制系统关键参数和响应关键指标进行机器学习模型训练过程中，根据拟训练精度和数据特征针对性地调整机器学习的模型种类；当训练精度要求较低时，选择前馈或基于误差反向传播的前馈神经网络模型；相反，选择记忆神经网络和图神经网络；对于具有复杂力学拓扑形式的动态质量控制系统即控制元件数量大于3，或非线性敏感的受控系统，该受控系统响应参数数据离散性增强，不同类型响应指标之间相关函数波动增加，则采用记忆神经网；

在训练过程中，通过随机挑选训练数据作为检验数据来校核所训练人工神经网络的鲁棒性和适用性。

6.根据权利要求5所述的预测方法，其特征在于，步骤（4）中所述利用对应关系对具有不同控制参数的非线性动态质量系统进行响应预测，其预测过程包括：由用户将预测输入数据存储至所述预测系统中，并更新训练数据库，根据步骤（3）的方法，更新机器学习模型。