[发明专利]一种基于机器学习的应力应变预测方法

摘要

本发明一种基于机器学习的应力应变预测方法属于检测预测技术领域，涉及一种基于机器学习的应力应变预测方法。预测方法是由机器学习作为媒介，通过处理应力应变实验数据，作为学习模型的输入及输出，选择合适的算法和相应训练参数，进行训练，从而得到预测网络。在预测过程中，通过操作计算机控制加载装置每次加载的力、并用解调仪采集测量数据，利用数据分析软件处理实验数据，建立适当的学习模型，训练该模型，从而实现被测系统应变场的准确预测。该方法适用于任意应用光纤应变传感器检测系统的应力应变场预测，避免考虑加载力和预紧力的确定，试件弹性模量范围和复杂模型简化等问题产生的误差，大幅提高标定精度，且操作方便，快速，易推广。

主权项

1.一种基于机器学习的应力应变预测方法，其特征是，预测方法是由机器学习作为媒介，通过处理应力应变实验数据，作为学习模型的输入及输出，选择合适的算法和相应训练参数，进行训练，从而得到预测网络；在预测过程中，通过操作计算机控制加载装置每次加载的力、并用解调仪采集测量数据，利用数据分析软件处理实验数据，建立适当的学习模型，训练该模型，从而实现被测系统应变场的准确预测；方法的具体步骤如下：第一步、安装连接应变传感器预测硬件系统先将固定装置(6)安装在精密光学平台(1)上，应力应变传感器(5)安装在被测铝板(2)上，并固定在固定装置(6)上，保证静止状态的稳定性，再将施力装置(4)与力传感器(3)连接，固定在施力装置(4)上，力传感器(3)接入数据采集系统(7)中采集信号，数据采集系统(7)与计算机(8)连接，用于在相应软件上读取传感器信号变化，相互通讯实现对加载力信号的采集，应力应变传感器(5)接入解调仪(9)的通道中，解调仪(9)与计算机(8)连接，用于在相应软件上读取传感器波长，相互通讯实现对应变信号的采集；第二步、应变传感器信号采集实验开始时，启动数据采集系统(7)，开启计算机(8)、解调仪(9)；操作施力装置(4)使力传感器(3)与被测试件(2)接触并产生加载，设定每组加载的次数A和每次加载力的数值，通过读取计算机(8)上相应软件上的加载力数值，控制每次施加的力；同时，由计算机(8)通过解调仪(9)的系统软件，读取每次施力装置(4)加载后的应变传感器(5)的波长测量值信号，实现对应变传感器(5)波长读数的实时采集读取及存储过程；重复以上加载步骤M次，得到一共MA组测量数据，完成整个应变传感器信号采集过程；第三步、建立被测系统的机器学习预测模型计算机(8)内存储有整个实验过程的测量数据，利用计算机(8)对实验数据进行数据分析，通过数据分析软件，编程建立机器学习预测模型，以一部分数据ε_a作为输入，一部分数据ε_b作为输出，利用数据驱动建立两部分之间的非线性映射关系；即：f:ε_a→ε_b      (1)将应变输出值ε_b进行调节，建立加权支持向量机调整模型，即转换为最优化问题：其中，ω、b分别是最优超平面斜率与截距，c是惩罚系数，ξ_i是松弛变量，μ_i为权重系数；经简化计算后，可看作是解决式(3)中的对偶问题：其中，α为拉格朗日乘子，e＝[1,2,…,n]^T，Q为n×n的半正定矩阵；Q_ij＝ε_biε_biK(ε_ai,ε_ai)  (4)其中，K(ε_ai,ε_ai)为核函数方程，式(3)求解后，根据对偶关系，则ω的最佳优化结果满足：其中，φ(ε_ai)代表ε_ai向高维空间的映射；最终的调整模型表示为：得到输入输出数据间的预测学习模型；第四步、训练该系统预测模型并进行预测应用调用训练好的预测模型，将相应的应力应变数据键入输入端，应用该保存好的预测模型进行预测，即可得到输出端位置的应力应变数据的准确预测值，从而达到复杂模型应力应变场的检测需求；采用回归系数R²作为预测精度的评定：式中，为应变ε_b预测值与真值之差的平方和，为应变ε_b真值均值的平方和，i为样本序号，i＝1,2,…,n，n为样本数。