基于SSA-LSTM算法的风车桥系统振动响应预测方法

本发明涉及风车桥耦合系统，具体为基于ssa-lstm算法的风车桥系统振动响应预测方法。

背景技术：

1、近年来，铁路工程中强横风等意外灾害的外力作用下，桥梁和列车的结构稳定性和运行安全性受到多数学者的关注。由于我国西部地区投资的增加，大部分铁路会经过山区路段，这些地方一年四季的风速变化很大，会对列车行驶产生影响。因此，评估风-车-桥系统在横风作用下的稳定性和安全性非常重要。由于风和轨道不规则的双重激励，车桥系统的情况更加复杂。由于风的空间相关性很强，且风向随机，研究风荷载下的车桥系统变得极为复杂。许多学者在研究风-车-桥系统的方法上不断创新。基于车辆动力学系统的理论，一些人应用了离散阵风模型。主要通过人工阵风考虑风的非稳态特性，风的波动成分由随机过程产生，取决于功率谱密度函数的随机模型。可以看出，解决方法的创新从未停止过，与传统方法的创新相比，人工智能大放异彩，受到学术界的欢迎。

2、人工智能现在被用于各行各业，对于车桥也不例外。它的显著优势是可以只用样本来训练模型，避免了繁琐的建模过程，提高了计算效率。随着人工智能在其他研究领域中的迅速提高，深度学习方法在随机振动分析中变得越来越流行。利用人工神经网络的优势，其强大的特征提取能力和卓越的鲁棒性被应用于研究随机载荷引起的结构响应，但其中大部分没有考虑不确定因素对振动的影响。然而，深度学习方法在车桥系统动态分析中的应用却相当有限。就比如传统的神经网络，它的网络结构，组合搭配还有超参数的设置都是根据训练数据模型人为的进行调整的，会根据不同的模型组合参数都不同。其中超参数是一个神经网络模型的重要参数指标，影响着建模的准确性与预测的结果。人为设置无疑加大了建模模型的困难程度，增加了建模的时间成本，人为设置神经网络模型的超参数或多或少都有一定的误差，达不到最佳适应状态，因此寻找最佳超参数来避免人为设置误差是值得研究的。

技术实现思路

1、针对上述问题，本发明的目的在于提供一种基于ssa-lstm算法的风车桥系统振动响应预测方法。将麻雀搜索算法ssa (sparrow search algorithm)与人工智能算法中的深度学习网络引用到风车桥耦合系统响应的求解预测当中。将ssa用于神经网络的超参数寻优，利用ssa迭代寻优，通过适应度函数值的降低最后达到一个最佳寻优匹配度，输出最佳超参数。本文采用长短时记忆单元lstm（long short term memory）作为神经网络模型，利用ssa寻找的最佳超参数进行建模，获得匹配度最高的人工神经网络模型，即ssa-lstm。需要通过纽马克法计算得到风车桥响应样本，把获得的风车桥系统响应样本作为输出数据，随机风速样本作为输出数据，把输出数据和输入数据一同输入到神经网络中进行训练与预测。利用生物算法与神经网络结合的形式建立最佳模型，可以为建立准确的神经网络模型提供一种高效的手段。技术方案如下：

2、基于ssa-lstm算法的风车桥系统振动响应预测方法，包括以下步骤：

3、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的自振频率及模态验证桥梁模型的正确性；

4、步骤2：通过风谱获得风速样本，利用三分力系数根据风速样本计算出风荷载；

5、步骤3：通过轨道谱采用三角级数法计算出轨道不平顺激励样本；

6、步骤4：将计算出来的风荷载与轨道不平顺激励样本，结合车辆模型和桥梁模型，通过纽马克法进行求解，得到风车桥响应随机样本；

7、步骤5：构建ssa-lstm模型，ssa-lstm模型包括两个模块ssa模块和lstm模块，ssa模块用于寻找最佳超参数，lstm模块用于完成风车桥随机响应的预测工作；根据实际建模需要确定lstm模型中的建模参数，并确定建模参数合理的数值范围；

8、步骤6：将计算得到的风速样本和轨道不平顺激励样本作为输入数据，将计算得到风车桥响应随机样本作为输出数据，带入ssa-lstm模型中寻找最佳超参数；

9、步骤7：基于ssa寻找的最佳超参数建立精确的神经网络模型，通过输入数据和输出数据对lstm模型进行训练；

10、步骤8：完成训练后，实现对风车桥系统随机响应的预测。

11、进一步的，所述步骤2中通过风谱获得风速样本，利用三分力系数根据风速样本计算出风荷载：

12、（1）；

13、（2）；

14、（3）；

15、公式中， d bu（ x， t）、 l bu（ x， t）和 m bu（ x， t）分别代表结构在风中所受x位置t时刻的阻力荷载、升力荷载和扭力荷载； α为桥面与来流风的夹角， c d、 c l和 c m分别为结构截面的阻力系数、升力系数和扭力系数，和表示助力系数、升力系数和扭力系数的斜率； u（ x， t）和 w（ x， t）分别为表示x位置处横向和纵向的脉动风时程风速； γ1~ γ6为时域空气动力导函数， b、 u和分别是结构迎风面面积、平均风速和空气质量密度。

16、更进一步的，所述步骤5中，ssa-lstm模型采用两层lstm网络单元，将两层网络进行串联；需要被寻优的超参数有6个，包括：第一层的隐藏单元数量l1、第二层的隐藏单元数量为l2、模型的正则化参数l2regularization、最大训练次数max-epoch、模型的单元尺寸batchsize和模型的初始学习率initiallearnrate；输入数据和输出数据被送入lstm层，并使用ssa搜索模型的超参数，利用ssa的反捕食机制选择最佳超级参数；当适配函数没有达到最优时，寻找超参数的过程继续进行，直到设定的迭代次数用完。

17、更进一步的，所述步骤6中对模型进行寻找最佳超参数为利用ssa寻找lstm模型中的最佳超参数；

18、设置安全值a∈[0.5，1]，对于警示值 y∈[0,1]，即均值为0，标准差为1的一个随机数，有如下情况：

19、当警示值 y小于安全值 a的时候，即 y＜ a，麻雀发现天敌会立即报警，当警示值大于安全值时，发现者会带着加入者去其它安全区域进行觅食，麻雀的位置在不断的更新，具体如下：

20、（4）；

21、当警示值 y大于等于安全值 a的时候，即 y≥ a，麻雀的位置也在不断的更新，具体如下：

22、（5）；

23、公式中，和表示参数在第t次迭代中的第 i只麻雀在 j维中的位置信息和t+1次迭代的位置信息，与一样属于t+1迭代的位置信息，属于意识到危险的位置；为最优探索者的位置，上标表示迭代次数； α∈(0,1]是一个随机数； a＋表示一个1×d的矩阵，d为矩阵的维度，其中每个元素随机赋值为1或-1，并且a+=at(aat)-1；n是服从正态分布的随机数；m表示一个1×d的矩阵，其中该矩阵内每个元素全部为1； nmax是一个常数，表示最大的迭代次数；和表示麻雀跟随参数在t次迭代的过程中第 i只麻雀在 j维中的偏置状态函数和附加函数，其随着取值不同有所变化；表示与麻雀位置信息相关的权重系数，exp为指数函数e；表示当前的全局最优位置；表示当前的全局最差位置； β作为步长控制参数，是服从均值为0，方差为1的正态分布的随机数；k∈[-1,1]是一个随机数； f i是当前麻雀个体的适应度值； f w是当前全局最差的适应度值； ε是最小的常数，以避免分母出现零， x为寻优参数； y为t+1时刻的位置信息数据；

24、偏置状态函数、权重系数和附加函数取值如下：

25、（6）；

26、（7）；

27、（8）。

28、更进一步的，所述步骤8中对风车桥系统响应的智能预测具体为：

29、通过卷积提取特征数据输入到lstm层进行预测，将风速样本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：

30、（9）；

31、上式中，表示长短时记忆网络模型中的激励函数； w mk代表输入数据的信号和单个神经元 k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，为 d bu（ x， t）， l bu（ x， t）， m bu（ x， t）特征输入数据，其中m表示为第m个特征输入数据。

32、与现有技术相比，本发明的有益效果是：

33、本发明充分的将ssa与lstm进行结合，ssa是一种新群智能优化算法，具有良好的全局搜索能力和快速收敛性。可以利用ssa对于寻优收敛快，准确度高、适应度函数值更优的特性，并使用ssa搜索模型的超参数，利用ssa的反捕食机制选择最佳超级参数。为lstm模型寻找最佳建模参数。进而避免了传统神经网络只能通过人为设置超参数且容错率高的弊端。需要注意的是，当适配函数没有达到最优时，寻找超参数的过程继续进行，直到设定的迭代次数用完。利用最佳参数建立最佳训练模型，通过深度学习将简化车辆模型和桥梁模型的建立以达到缩短计算时间的目的，同时能建立不确定模型，准确预测不确定车桥系统响应，提高预测精度。

34、本发明增加偏置状态函数是为了改进在第t次迭代中的第 i只麻雀在第 j维中的位置信息，使得其更加准确，权重系数和附加函数同样的也是为了改进在第t+1次迭代中的位置信息和，当随着迭代的进行位置信息也跟着快速的更替，为了解决这一问题，直接引入偏置状态函数、权重系数和附加函数分别对不同的迭代次数所得到位置信息进行改进。