本發(fā)明屬于材料，涉及復(fù)合材料性能退化預(yù)測(cè)技術(shù)，具體涉及一種基于區(qū)間過(guò)程與神經(jīng)網(wǎng)絡(luò)融合的復(fù)合材料性能退化預(yù)測(cè)方法。

背景技術(shù)：

1、復(fù)合材料的性能退化預(yù)測(cè)方法可分為兩類(lèi)，即基于物理機(jī)理的方法和數(shù)據(jù)驅(qū)動(dòng)的方法。對(duì)于前者，已經(jīng)開(kāi)發(fā)了許多基于物理機(jī)理分析的模型來(lái)描述退化過(guò)程并研究其應(yīng)用。另一大類(lèi)用于退化預(yù)測(cè)數(shù)據(jù)驅(qū)動(dòng)的模型大多基于機(jī)器學(xué)習(xí)(ml，machine?learning)方法，包括支持向量回歸(svr，supportvector?regression，svr)、隨機(jī)森林和人工神經(jīng)網(wǎng)絡(luò)等。此外，對(duì)于使用時(shí)間序列數(shù)據(jù)集的退化預(yù)測(cè)，lstm網(wǎng)絡(luò)屬于遞歸神經(jīng)網(wǎng)絡(luò)(rnn，recurrentneural?networks)，是目前最流行的數(shù)據(jù)驅(qū)動(dòng)模型之一。

2、對(duì)于實(shí)際工程中復(fù)合材料的性能退化模型，基于物理的方法和數(shù)據(jù)驅(qū)動(dòng)的方法都有不同的局限性。如果模型定義得當(dāng)，基于物理的方法可能具有良好的模型可解釋性和高預(yù)測(cè)精度，但同時(shí)復(fù)雜模型的參數(shù)難以調(diào)整，這些模型也可能是不完整的。另一方面，數(shù)據(jù)驅(qū)動(dòng)的方法可以映射復(fù)雜的系統(tǒng)模式或系統(tǒng)機(jī)制，但這在很大程度上取決于數(shù)據(jù)的可用性。換句話說(shuō)，神經(jīng)網(wǎng)絡(luò)模型捕捉到的退化趨勢(shì)主要基于訓(xùn)練數(shù)據(jù)集的質(zhì)量，而不是退化過(guò)程的物理機(jī)制。因此，當(dāng)訓(xùn)練數(shù)據(jù)集有偏差時(shí)，預(yù)測(cè)性能可能會(huì)受到影響。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，提供一種基于區(qū)間過(guò)程與神經(jīng)網(wǎng)絡(luò)融合的復(fù)合材料性能退化預(yù)測(cè)方法，其結(jié)合區(qū)間退化模型與雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)以實(shí)現(xiàn)復(fù)合材料性能退化預(yù)測(cè)。

2、技術(shù)方案：為實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于區(qū)間過(guò)程與神經(jīng)網(wǎng)絡(luò)融合的復(fù)合材料性能退化預(yù)測(cè)方法，包括如下步驟：

3、s1：利用灰色系統(tǒng)理論建立區(qū)間過(guò)程模型作為復(fù)合材料退化模型；

4、s2：獲得區(qū)間過(guò)程模型的中值函數(shù)和半徑函數(shù)；

5、s3：利用先驗(yàn)信息對(duì)獲得的退化試驗(yàn)數(shù)據(jù)集進(jìn)行平滑插值處理；

6、s4：基于中值函數(shù)和半徑函數(shù)，將平滑插值處理后的試驗(yàn)數(shù)據(jù)集與區(qū)間過(guò)程模型相結(jié)合，進(jìn)行區(qū)間過(guò)程坐標(biāo)轉(zhuǎn)換，獲得坐標(biāo)轉(zhuǎn)換后的映射坐標(biāo)集；

7、s5：確定映射坐標(biāo)集的序列，并進(jìn)行歸一化預(yù)處理；

8、s6：利用步驟s4中預(yù)處理后的映射數(shù)據(jù)對(duì)構(gòu)建好的雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與預(yù)測(cè)，獲取到預(yù)測(cè)數(shù)據(jù)集；

9、s7：基于區(qū)間過(guò)程坐標(biāo)對(duì)預(yù)測(cè)數(shù)據(jù)集進(jìn)行反映射，獲得性能退化數(shù)據(jù)的預(yù)測(cè)數(shù)據(jù)集。

10、進(jìn)一步地，所述步驟s1中區(qū)間過(guò)程模型的建立方法包括：

11、a1：對(duì)于在某個(gè)退化時(shí)刻一組沒(méi)有大誤差的退化數(shù)據(jù)x＝{x1,x2,...,xm}，將試驗(yàn)數(shù)據(jù)由小到大排序，得到數(shù)據(jù)序列x(0)；

12、a2：通過(guò)依次累加序列x(0)的元素，獲得新的累加序列x(1)；

13、a3：以樣本序列i為水平坐標(biāo)軸，累積觀測(cè)數(shù)據(jù)為垂直坐標(biāo)軸，計(jì)算差值δ(i)，并獲得最大差值δmax；

14、a4：利用最大差值δmax和灰色識(shí)別系數(shù)c計(jì)算區(qū)間變量的上下邊界；

15、a5：獲得在每個(gè)時(shí)刻的區(qū)間變量，根據(jù)復(fù)合材料性能退化的先驗(yàn)信息對(duì)區(qū)間變量的邊界進(jìn)行最小二乘法擬合，建立區(qū)間過(guò)程模型。

16、進(jìn)一步地，所述步驟a4中區(qū)間變量的上下邊界的計(jì)算方法為：

17、將試驗(yàn)數(shù)據(jù)的標(biāo)準(zhǔn)偏差s定義為：

18、

19、利用標(biāo)準(zhǔn)偏差s建立區(qū)間上下邊界，表示為：

20、

21、其中，xm是ns個(gè)退化數(shù)據(jù)的均值，k是區(qū)間邊界的擴(kuò)展參數(shù)。

22、進(jìn)一步地，所述步驟s2中區(qū)間過(guò)程模型的中值函數(shù)xm(t)和半徑函數(shù)xr(t)分別代表了性能退化趨勢(shì)的中心線和不確定性的邊界，表示為：

23、

24、其中，x(t)和分別表示性能退化模型的下邊界和上邊界。

25、進(jìn)一步地，所述步驟s4具體為：

26、平滑插值處理后的試驗(yàn)數(shù)據(jù)集為將實(shí)際試驗(yàn)數(shù)據(jù)與區(qū)間過(guò)程模型相結(jié)合，進(jìn)行區(qū)間過(guò)程坐標(biāo)轉(zhuǎn)換獲得轉(zhuǎn)換后的映射坐標(biāo)集δi；

27、對(duì)于任意的單個(gè)數(shù)據(jù)點(diǎn)xi(tj)，其在區(qū)間過(guò)程坐標(biāo)中的值為：

28、

29、根據(jù)公式的定義可知，-1≤δi(tj)≤1；

30、將單個(gè)樣本的退化數(shù)據(jù)集xi進(jìn)行區(qū)間過(guò)程坐標(biāo)轉(zhuǎn)換處理，可得映射后的坐標(biāo)值集δi＝{δi(t1),δi(t2),...,δi(tn)}。

31、進(jìn)一步地，所述步驟s6中雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層和輸出層。

32、進(jìn)一步地，所述步驟s6中雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方式為：根據(jù)訓(xùn)練數(shù)據(jù)獲得下一個(gè)時(shí)間步的預(yù)測(cè)結(jié)果，通過(guò)將預(yù)測(cè)信息反饋?zhàn)鳛橛?xùn)練數(shù)據(jù)，并迭代獲得預(yù)測(cè)數(shù)據(jù)集。

33、本發(fā)明中區(qū)間過(guò)程模型根據(jù)先驗(yàn)知識(shí)提供預(yù)測(cè)的基準(zhǔn)，來(lái)自試驗(yàn)的退化數(shù)據(jù)在區(qū)間過(guò)程中存在映射。雙向長(zhǎng)短期記憶(bi-lstm)神經(jīng)網(wǎng)絡(luò)將基于這種高度非線性的映射，對(duì)復(fù)合材料的性能退化路徑進(jìn)行預(yù)測(cè)。

34、有益效果：本發(fā)明與現(xiàn)有技術(shù)相比，具備如下優(yōu)點(diǎn)：

35、1、本發(fā)明利用灰色系統(tǒng)理論建立區(qū)間過(guò)程模型，提高了小樣本情況下區(qū)間估計(jì)的保守性，減少了對(duì)試驗(yàn)樣本數(shù)量的需求。

36、2、本發(fā)明使用神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)區(qū)間過(guò)程坐標(biāo)中的相對(duì)位置，可以顯著降低神經(jīng)網(wǎng)絡(luò)的輸入和輸出中的數(shù)字規(guī)模。

37、3、本發(fā)明相比于現(xiàn)有基于偏差的方法，可以有效考慮不同退化時(shí)刻的不確定性差異，提供更為準(zhǔn)確的預(yù)測(cè)結(jié)果。

38、4、本發(fā)明使用神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)區(qū)間過(guò)程坐標(biāo)中的相對(duì)位置，充分考慮了區(qū)間過(guò)程模型所提供物理機(jī)制的退化趨勢(shì)信息，神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果被嚴(yán)格限制在區(qū)間過(guò)程的上下邊界內(nèi)，提高整體預(yù)測(cè)精度及可行性。

技術(shù)特征：

1.一種基于區(qū)間過(guò)程與神經(jīng)網(wǎng)絡(luò)融合的復(fù)合材料性能退化預(yù)測(cè)方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于區(qū)間過(guò)程與神經(jīng)網(wǎng)絡(luò)融合的復(fù)合材料性能退化預(yù)測(cè)方法，其特征在于，所述步驟s1中區(qū)間過(guò)程模型的建立方法包括：

3.根據(jù)權(quán)利要求2所述的一種基于區(qū)間過(guò)程與神經(jīng)網(wǎng)絡(luò)融合的復(fù)合材料性能退化預(yù)測(cè)方法，其特征在于，所述步驟a1中數(shù)據(jù)序列x(0)的表達(dá)為：

4.根據(jù)權(quán)利要求2所述的一種基于區(qū)間過(guò)程與神經(jīng)網(wǎng)絡(luò)融合的復(fù)合材料性能退化預(yù)測(cè)方法，其特征在于，所述步驟a3中差值δ(i)定義為：

5.根據(jù)權(quán)利要求2所述的一種基于區(qū)間過(guò)程與神經(jīng)網(wǎng)絡(luò)融合的復(fù)合材料性能退化預(yù)測(cè)方法，其特征在于，所述步驟a4中區(qū)間變量的上下邊界的計(jì)算方法為：

6.根據(jù)權(quán)利要求1所述的一種基于區(qū)間過(guò)程與神經(jīng)網(wǎng)絡(luò)融合的復(fù)合材料性能退化預(yù)測(cè)方法，其特征在于，所述步驟s2中區(qū)間過(guò)程模型的中值函數(shù)xm(t)和半徑函數(shù)xr(t)分別代表了性能退化趨勢(shì)的中心線和不確定性的邊界，表示為：

7.根據(jù)權(quán)利要求6所述的一種基于區(qū)間過(guò)程與神經(jīng)網(wǎng)絡(luò)融合的復(fù)合材料性能退化預(yù)測(cè)方法，其特征在于，所述步驟s4具體為：

8.根據(jù)權(quán)利要求1所述的一種基于區(qū)間過(guò)程與神經(jīng)網(wǎng)絡(luò)融合的復(fù)合材料性能退化預(yù)測(cè)方法，其特征在于，所述步驟s6中雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層和輸出層。

9.根據(jù)權(quán)利要求1所述的一種基于區(qū)間過(guò)程與神經(jīng)網(wǎng)絡(luò)融合的復(fù)合材料性能退化預(yù)測(cè)方法，其特征在于，所述步驟s6中雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方式為：根據(jù)訓(xùn)練數(shù)據(jù)獲得下一個(gè)時(shí)間步的預(yù)測(cè)結(jié)果，通過(guò)將預(yù)測(cè)信息反饋?zhàn)鳛橛?xùn)練數(shù)據(jù)，并迭代獲得預(yù)測(cè)數(shù)據(jù)集。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種基于區(qū)間過(guò)程與神經(jīng)網(wǎng)絡(luò)融合的復(fù)合材料性能退化預(yù)測(cè)方法，包括：利用灰色系統(tǒng)理論建立基于區(qū)間過(guò)程的復(fù)合材料退化模型作為區(qū)間過(guò)程模型；獲得區(qū)間過(guò)程模型的中值函數(shù)和半徑函數(shù)；利用先驗(yàn)信息對(duì)獲得的退化試驗(yàn)數(shù)據(jù)集進(jìn)行平滑插值處理；將試驗(yàn)數(shù)據(jù)集與區(qū)間過(guò)程模型相結(jié)合，進(jìn)行區(qū)間過(guò)程坐標(biāo)轉(zhuǎn)換，獲得坐標(biāo)轉(zhuǎn)換后的映射坐標(biāo)集；確定映射坐標(biāo)集的序列，并進(jìn)行歸一化預(yù)處理；利用映射數(shù)據(jù)對(duì)構(gòu)建好的雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與預(yù)測(cè)，獲取到預(yù)測(cè)數(shù)據(jù)集；基于區(qū)間過(guò)程坐標(biāo)對(duì)預(yù)測(cè)數(shù)據(jù)集進(jìn)行反映射，獲得性能退化數(shù)據(jù)的預(yù)測(cè)數(shù)據(jù)集。本發(fā)明結(jié)合區(qū)間退化模型與雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)以實(shí)現(xiàn)復(fù)合材料性能退化預(yù)測(cè)。

技術(shù)研發(fā)人員：孫東陽(yáng),梁雪峰
受保護(hù)的技術(shù)使用者：江蘇科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26