【装备振动冲击与噪声】专刊文章推荐：基于LSTM-CNN的结构固有频率激励下正弦载荷识别方法研究

文摘科技 2024-11-12 09:40 陕西

坚持学术

贴近工程

依靠专家

服务读者

基于LSTM-CNN的结构固有频率激励下正弦载荷识别方法研究

文章亮点：当外载荷频率达到或接近结构固有频率时，传统载荷识别方法（比如截断奇异值分解法）的识别精度会降低。为此，通过卷积网络的特征提取和长短期记忆网络的长时记忆功能建立LSTM-CNN载荷识别模型，提出一种基于LSTM-CNN模型的载荷识别方法，对GARTEUR飞机模型开展载荷时域波形识别研究。通过采集结构的响应数据和激励数据进行模型训练和载荷识别，并与截断奇异值分解（TSVD）方法、长短期记忆网络（LSTM）方法和深度卷积神经网络（DCNN）方法的识别结果进行对比分析。结果表明：基于LSTM-CNN模型的载荷识别方法可以有效应用于结构固有频率激励下正弦载荷识别问题，具有较高的识别精度和抗噪能力。

研究背景：在实际工程问题中，动载荷引起的振动响应会对结构的安全性产生影响。当动载荷的频率接近或达到结构固有频率时，会发生共振现象，对结构造成更大的危害。因此，为了减少振动可能会给结构带来的不良影响，必须在设计阶段了解其所受的动载荷状态。因此，准确识别结构所受振动载荷已成为结构动力学领域的一个热门问题，具有重要意义。

传统的载荷识别方法包括直接求逆法、截断奇异值分解（TSVD）方法和Tikhonov方法等。传统载荷识别方法的求解思路是根据已知结构模型的传递函数和响应来反演出载荷。然而，这些方法往往会面临计算过程复杂和矩阵条件数过大导致求逆时出现的矩阵病态问题。随着计算机技术的发展，神经网络算法作为一种可以通过大量数据实现自适应学习的算法逐渐被广泛应用于各个领域。神经网络通过建立结构输入和输出数据之间的映射关系、进行大量数据的网络训练以及根据外部信息对网络参数的调整，实现对数据的预测和处理。

Cao X等以悬臂梁模型作为载荷识别对象，构建基于人工神经网络的载荷识别模型，并将该方法推广到机翼的载荷识别问题上；陈奇等构建了基于BP（Back Propagation）神经网络模型的载荷识别方法，并利用飞行参数来识别机翼上的载荷，同时对识别方法的识别精度和泛化能力进行了探讨；窦春红等将神经网络算法用于海洋平台的振动载荷识别，并与时域正演方法进行对比，通过仿真和实验证明基于神经网络的载荷识别方法相对于传统载荷识别方法具有更高的精度；黄秉钧等基于卷积神经网络模型，建立立柱—甲板模型的砰击载荷识别方法，根据结构测点应变响应数据对砰击载荷进行识别，同时考虑数据噪声的影响，结果表明，相比传统的反向传播神经网络模型，卷积神经网络（CNN）模型的识别精度更高并具有良好的抗噪性；杨特等针对线性时不变结构的平稳随机载荷识别问题，从结构的动力学响应求解原理出发，利用小波变换的特征提取能力和长短期记忆神经网络（LSTM）对时序问题的建模与映射能力，提出了一种基于样本特征提取的动载荷识别方法，降低了神经网络模型拟合的复杂程度，保证了神经网络的泛化能力；Shao B L等在LSTM的基础上加入了卷积神经网络，构成多通道的LSTM-CNN方法用于化学过程的故障诊断，即将LSTM提取的时间特征输入到CNN中来进行空间特征的提取，同时在卷积层引入使用不同尺寸的卷积核进行卷积的inception模块来构建多通道卷积，最后将不同的特征进行聚合，从而完成故障诊断，并通过实验证明该方法优于LSTM、CNN模型；Wan A P等利用结合注意力机制的CNN-LSTM模型对短期电力负荷进行预测，解决了由于输入时间序列数据过长而导致的信息丢失问题，提高了短期电力负荷预测的准确性。

神经网络方法通过自适应学习建立动载荷与响应之间的关系来替代数学机理建模。针对结构固有频率激励下传统载荷识别方法精度低的问题，本文结合LSTM-CNN神经网络开展对结构固有频率激励下正弦载荷识别方法研究，并进行相应的试验验证。

研究结论：1）当外载荷频率达到或接近结构固有频率时，基于求解结构传递函数，以传递函数矩阵求逆为基础的TSVD载荷识别方法识别精度很低，已经不再适用于此工况的载荷识别，而三种基于神经网络的载荷识别方法可以对结构固有频率激励下正弦载荷进行有效识别，具有良好的识别效果和精度。

2）相比于DCNN方法和LSTM方法，基于LSTM-CNN的载荷识别方法具有特征提取、特征扩充和对时序数据长时记忆的融合结构优势，可以在噪声情况下保证稳定的识别效果，具有良好的抗噪性和识别精度。

引用格式：何文博, 孙含宇, 解江, 等. 基于LSTM-CNN的结构固有频率激励下正弦载荷识别方法研究[J]. 航空工程进展, 2024, 15(5): 48-57. HE Wenbo, SUN Hanyu, XIE Jiang, et al. Research on sinusoidal load identification method under structural natural frequency exbased on LSTM-CNN[J]. Advances in Aeronautical Science and Engineering, 2024, 15(5): 48-57. (in Chinese)

扫码阅读全文

收录情况

中国科技核心期刊

中国科学引文数据库（CSCD）来源期刊

世界期刊影响力指数（WJCI）报告收录期刊

瑞典开放存取期刊目录（DOAJ）收录期刊

日本科学技术振兴机构数据库（JST）来源期刊

联系我们

官网地址：http://hkgcjz.ijournals.cn

电子邮箱：hangkong2010@nwpu.edu.cn

联系电话：（029）88492422

办公地点：西北工业大学友谊校区航空楼