技术特征：
1.一种智能求解车桥系统随机信号的方法，其特征在于，包括以下步骤：步骤1：通过商业有限元软件ansys建立车辆模型和桥梁模型，根据解析解验证车辆模型的自振频率和桥梁模型自振频率，并根据计算得到的桥梁模型自振频率及模态验证桥梁模型的正确性；步骤2：确定车辆模型和桥梁模型参数的变异系数cov，依据变异系数cov和均值通过monte carlo抽样获得随机参数；步骤3：明确车辆和桥梁不确定模型样本数量，将随机参数结合模型带入ansys中获得车辆和桥梁不确定模型模态和自振频率；步骤4：依据随机虚拟激励法原理，将车辆和桥梁不确定模型的模态数据与轨道不平顺激励样本代入车桥耦合随机振动系统中，求出车桥耦合随机振动系统响应数据；步骤5：根据构造的随机虚拟激励，把随机虚拟激励样本分为正弦和余弦激励样本，分别带入车桥耦合随机振动系统，并计算车桥耦合随机振动系统的正弦和余弦响应样本；步骤6：根据求解得到的正弦和余弦响应样本，结合空间频率进行梯形积分，得到系统响应统计量，得到大量响应样本；步骤7：随机选取若干条预定长度的轨道不平顺激励样本作为输入数据，将车桥耦合随机振动系统响应作为输出数据；步骤8：验证cnn-lstm深度学习组合网络的预测正确性，结合实际数据在训练之前对cnn-lstm深度学习组合网络进行超参数设置；步骤9：通过选定输入数据和输出数据将其代入cnn-lstm深度学习组合网络中，通过卷积层对所述若干条预定长度的轨道不平顺激励进行卷积运算，采用spem-cnn-lstm混合算法得到激励样本数据特征，最后输入lstm层进行时间序列训练；步骤10：完成训练后，依据需要对不确定车桥系统响应进行智能预测；步骤11：通过cnn-lstm深度学习组合网络得到更多的车桥耦合随机振动系统响应样本；根据响应样本求得其标准差或是方差。2.根据权利要求1所述的一种智能求解车桥系统随机信号的方法，其特征在于，所述spem-cnn-lstm混合算法包括两个模块，第一个模块为spem模块，用于求解出大量的随机系统响应，第二个模块为cnn-lstm模块，用于完成输入数据的特征提取以及随机响应的预测工作；其中cnn-lstm模块包括5个卷积层和5个池化层、一个特征学习lstm层和一个lstm输出层，一个dropout layer用于防止过拟合，以及平滑和全连层；卷积核为20
×
20，通道数量为1，池化层的池化区域为1
×
2，通道为1，与卷积相对应。3.根据权利要求1所述的一种智能求解车桥系统随机信号的方法，其特征在于，步骤9中得到轨道不平顺激励样本数据特征具体为：所述spem-cnn-lstm混合算法中cnn-lstm神经网络由两个神经网络组合而成，其中一个为特征提取网络，另一为长短时记忆网络，首先对构造的随机虚拟激励进行卷积运算，其提取的特征数据为：
（1）式中，代表卷积网络输出层对应值，代表第l层第j个特征提取数据，代表第l-1层第i个数据虚拟激励数据，代表l层第i到j阶卷积核大小，*代表卷积核k在第l-1层所有关联的feature maps上做卷积运算，代表网络参数，m
j
代表所属总的求和数量。4.根据权利要求3所述的一种智能求解车桥系统随机信号的方法，其特征在于，所述步骤10中对不确定车桥系统响应的智能预测具体为：通过卷积提取特征数据输入到lstm层进行预测，将公式（1）中获得的特征数据值输入到长短时记忆网络中，进行标记和预测，具体计算公式如下所示：（2）上式中，代表长短时记忆网络模型中的激励函数；w
i
代表输入数据的信号和单个神经元相连接的权重值；b
f
代表偏置值反映了神经元内部的状态；y
l
表示神经元的输出第l层的预测值。
技术总结
本发明公开了一种智能求解车桥系统随机信号的方法，采用SPEM-CNN-LSTM混合算法，将人工智能算法和随机虚拟激励法进行结合，即随机虚拟激励法-卷积-长短时记忆深度学习法；SPEM模块求解出大量的随机系统响应，CNN-LSTM模块为卷积神经网络-长短时记忆网络模块完成输入数据的特征提取以及随机响应的预测工作；需要通过SPEM计算得到不确定性车桥系统响应样本，把获得的不确定车桥系统响应样本作为输出数据，通过构造的随机虚拟激励样本作为输出数据，把输出数据和输入数据一同输入到卷积长短时组合神经网络中进行训练与预测。本发明车辆和桥梁结构之间的动态相互作用被集成到具有不确定性的车桥系统模型中，降低了计算成本，对系统响应进行了更精确的预测。对系统响应进行了更精确的预测。对系统响应进行了更精确的预测。
技术研发人员：朱思宇 易瑞
受保护的技术使用者：成都理工大学
技术研发日：2022.07.13
技术公布日：2022/9/2