一种基于膨胀残差宽度网络的模态分析方法、系统及装置

本发明涉及模态分析领域，尤其涉及一种基于膨胀残差宽度网络的模态分析方法、系统及装置。

背景技术：

1、振动模态是弹性结构固有的、整体的特性。通过模态分析方法搞清楚结构物在某一易受影响的频率范围内的各阶主要模态的特性，就可以预言结构在此频段内在外部或内部各种振源作用下产生的实际振动响应。因此，模态分析是结构动态设计及设备故障诊断的重要方法。

2、模态分析作为一种研究结构振动特性和动力响应的分析方法，具有广泛的应用领域和重要意义，包括工程设计、优化、故障诊断和结构健康监测等方面。它为工程师和科研人员提供了深入理解和控制结构振动问题的工具和方法。然而，目前的模态分析方法大多需要较长的计算时间，进而导致无法在实际应用中推广使用。

技术实现思路

1、有鉴于此，为了解决模态分析方法中计算时间花费高的技术问题，本发明提出一种基于膨胀残差宽度网络的模态分析方法，所述方法包括以下步骤：

2、收集多类别的模态分析案例，构建数据集；

3、基于drn网络框架，结合膨胀残差卷积模块和宽度学习模块，构建分析模型；

4、设定损失函数，基于所述数据集对所述分析模型进行训练，得到训练完成的分析模型；

5、将待测数据输入至所述训练完成的分析模型，得到各模态对应的频率。

6、其中，由于收集大量模态分析案例的数据是计算和劳动密集型的，没有公开可用的包含大量cae的数据集，所述模态分析案例需要大量不同类别的数据。

7、在本实施例中，模态分析结果具体为一阶至十阶各模态对应的频率。

8、在一些实施例中，还包括：

9、基于评价指标对所述训练完成的分析模型进行验证。

10、通过该优选步骤，对训练完成的分析模型进行误差校验，所述评价指标由用户决定，包括但不限定于mae、决定系数r2。

11、在一些实施例中，所述收集多类别的模态分析案例，构建数据集这一步骤，其具体包括：

12、根据cae仿真案例，获取对应的参数数据；

13、所述参数数据包括仿真模块的点、线、结点、网格单元、载荷、约束和仿真结果；

14、对所述参数数据进行清洗，构建张量形式的数据集。

15、通过该优选步骤，使得数据集的输入是以参数化的形式存在，比如一个具体的均匀直杆的模态分析任务中，单个均匀直杆的输入是点的坐标位置，线由具体序号的点构成的信息，结点和单元的坐标位置以及材料和载荷和边界约束等相关信息；另外，所述源参数数据包含大量非必需信息，例如仿真软件的版本信息、仿真完成时间等多余内容，利用python对数据集中的多余内容进行批量删除，保留所需结果。

16、在一些实施例中，所述基于drn网络框架，结合膨胀残差卷积模块和宽度学习模块，构建分析模型这一步骤，其具体包括：

17、以drn网络框架为基础，包括多组卷积层；

18、将最后两组卷积层的卷积算子替换为膨胀卷积；

19、在最后一组卷积层的输出接入宽度学习模块；

20、整合得到分析模型。

21、通过该优选步骤，利用膨胀残差卷积感受野的扩张以及宽度网络的高度可扩展性，能够更加优秀地学习特征矩阵的有关信息，不断地去降低损失。

22、在一些实施例中，所述损失函数表示如下：

23、

24、上式中，y为真实值，f(x)为预测值，δ为损失函数的预设参数。

25、该优选步骤中，通过调整δ的值，可以灵活地权衡对异常值的容忍程度；当δ较小时，该损失函数接近于mse；当δ较大时，该损失函数接近于mae。

26、在一些实施例中，所述将待测数据输入至所述训练完成的分析模型，得到模态分析结果这一步骤，其具体包括：

27、将待测数据输入至所述训练完成的分析模型；

28、待测数据输入多层conv-bn-relu组，每一层conv-bn-relu组对待测数据进行特征提取；

29、抽取待测数据十阶模态频率对应的特征，得到预设维度的输出特征；

30、将预设维度的输出特征输入k组节点数为q的特征组及m组节点数为r的增强组进行回归，得到预设数据类型的模态分析结果。

31、在一些实施例中，所述宽度学习模块的表示如下：

32、zi＝σ(xwzi+βzi)∈rn×q,i＝1,2,…,k

33、上式中，x表示映射向量，σ(·)为线性激活函数，wzi和βzi分别表示特征层的权重矩阵和偏置矩阵，n表示样本数量。

34、本发明还提出了一种基于膨胀残差宽度网络的模态分析系统，包括：

35、数据集构建模块，用于收集多类别的模态分析案例，构建数据集；

36、模型构建模块，基于drn网络框架，结合膨胀残差卷积模块和宽度学习模块，构建分析模型；

37、模型训练模块，用于设定损失函数，基于所述数据集对所述分析模型进行训练，得到训练完成的分析模型；

38、模态分析模块，用于将待测数据输入至所述训练完成的分析模型，得到模态分析结果。

39、本发明还提出了一种基于膨胀残差宽度网络的模态分析装置，包括：

40、至少一个处理器；

41、至少一个存储器，用于存储至少一个程序；

42、当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种基于膨胀残差宽度网络的模态分析方法。

43、基于上述方案，本发明提供了一种基于膨胀残差宽度网络的模态分析方法、系统及装置，首先构建一种参数化的形式的数据集，将案例参数化的信息作为输入数据，以此实现减少运算开销；构建了一种分析模型，模型利用膨胀残差卷积感受野的扩张以及宽度网络的高度可扩展性，能够更加优秀地学习特征矩阵的有关信息，不断地去降低损失，以此实现提高分析预测精度。

技术特征：

1.一种基于膨胀残差宽度网络的模态分析方法，其特征在于，包括以下步骤：

2.根据权利要求1所述一种基于膨胀残差宽度网络的模态分析方法，其特征在于，还包括：

3.根据权利要求2所述一种基于膨胀残差宽度网络的模态分析方法，其特征在于，所述收集多类别的模态分析案例，构建数据集这一步骤，其具体包括：

4.根据权利要求2所述一种基于膨胀残差宽度网络的模态分析方法，其特征在于，所述基于drn网络框架，结合膨胀残差卷积模块和宽度学习模块，构建分析模型这一步骤，其具体包括：

5.根据权利要求2所述一种基于膨胀残差宽度网络的模态分析方法，其特征在于，所述损失函数表示如下：

6.根据权利要求4所述一种基于膨胀残差宽度网络的模态分析方法，其特征在于，所述将待测数据输入至所述训练完成的分析模型，得到各模态对应的频率这一步骤，其具体包括：

7.根据权利要求6所述一种基于膨胀残差宽度网络的模态分析方法，其特征在于，所述宽度学习模块的表示如下：

8.一种基于膨胀残差宽度网络的模态分析系统，其特征在于，包括：

9.一种基于膨胀残差宽度网络的模态分析装置，其特征在于，包括：

技术总结
本发明公开了一种基于膨胀残差宽度网络的模态分析方法、系统及装置，该方法包括：收集多类别的模态分析案例，构建数据集；基于DRN网络框架，结合膨胀残差卷积模块和宽度学习模块，构建分析模型；设定损失函数，基于所述数据集对所述分析模型进行训练，得到训练完成的分析模型；将待测数据输入至所述训练完成的分析模型，得到模态分析结果。该系统包括：数据集构建模块、模型构建模块、模型训练模块和模态分析模块。该装置包括存储器以及用于执行上述基于膨胀残差宽度网络的模态分析方法的处理器。通过使用本发明，达到降低模态分析方法中模型计算时间开销的目的。本发明可广泛应用于模态分析领域。

技术研发人员：阳爱民,曾培健,陆茂华,侯利恒,林楠铠,林江豪
受保护的技术使用者：广东工业大学
技术研发日：
技术公布日：2024/1/15