[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

摘要

本发明公开了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，属于降落伞测量技术和计算机机器学习领域。该方法可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。混合神经网络模型包括知识基模型和反向传播神经网络模型，其中，知识基模型表示大变形柔性体力学模型的主要特征，反向传播神经网络表示大变形柔性体力学模型与知识基模型之间的差异特征。本发明使用高精度万能试验机获得样本数据，采用混合神经网络模型构建动态应力补偿模型，补偿结果精度高，计算复杂度低，可以有效应用于大变形柔性体的动态应力补偿，为解决复杂工作环境下动态应力补偿问题提供一种新的思路。

主权项

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，Einit、Efinal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xi‑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,...,wn+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。