柔性变形测量元件拉扭状态类型识别方法

专利主权项内容

1.柔性变形测量元件拉扭状态类型识别方法，其特征在于，包括以下步骤：S1、变形信号采集，搭建复合变形试验系统，复合变形试验系统包含拉-扭试验台、电阻测量回路、计算机、第一数采设备、第二数采设备，拉-扭试验台通过第一数采设备将采集的信息传输至计算机存储，电阻测量回路通过第二数采设备将采集的信息传输至计算机存储，在拉-扭试验台上，对在电阻测量回路中的柔性变形测量元件进行加载平行实验，记录各元件在加载全过程中的实测电阻值，根据实测电阻值绘制电阻变化率的时程散点图，为对生产批次、形状大小、密度均相同的两组元件，分别进行单向拉伸或扭转，拉伸功率和扭转功率相同且在加载时间内恒定，拉伸时长和扭转时长相同均为T，而t时刻电阻变化率rt按式计算，Rt为t时刻实测电阻值，R0为初始电阻值；S2、生成目标信号，将单个元件受拉伸、受扭转荷载时的电阻变化率的时程散点图中的散点按时刻顺序以直线段顺次连接得到单个元件拉伸变形、扭转变形电阻变化率时程变化折线图，将所有单个元件拉伸变形、扭转变形电阻变化率时程变化折线图在[0，T]时域内逐一计算同一时刻的拉伸变形、扭转变形电阻变化率算术平均值，得到各时刻拉伸变形、扭转变形电阻变化率算术平均值随时间变化的拉伸变形、扭转变形电阻变化率时程变化曲线，将相同时域范围内的拉伸变形电阻变化率时程变化曲线、扭转变形电阻变化率时程变化曲线分别作为目标信号；S3、目标信号最优分解，以多分辨率分析实现针对目标信号的离散小波变换，母小波函数依次取Haar小波、Daubechies小波、Biorthogonal小波、Symlets小波、Mexican Hat小波、Coiflets小波、Gaussian小波、Morlet小波、Meyer小波，在同种母小波函数条件下对目标信号y(t)进行N级分解后经重构得到近似信号y’(t)，按式计算同种母小波函数条件下y’(t)逼近y(t)的精度SDj.kj.h.N，N为不小于3的正整数，j取值0、1分别对应受拉伸荷载、受扭转荷载，整数kj为j类荷载下元件序号且取值范围为[1, Kj]，Kj为j类荷载下元件最大序号，整数h取值1、2、3、4、5、6、7、8、9分别对应以Haar小波、Daubechies小波、Biorthogonal小波、Symlets小波、Mexican Hat小波、Coiflets小波、Gaussian小波、Morlet小波、Meyer小波作为母小波函数，小波分解层级i，1≤i≤N，N为小波分解总级数，取总体精度最大值所对应的母小波函数为最优母小波函数；S4、电阻变化率时程差异检测定位，受拉伸荷载的元件电阻变化率时程特征提取以最优母小波函数对拉伸变形电阻变化率时程变化曲线中的电阻变化率时程信号进行离散小波变换，得到第i级小波分解中的拉伸高频部分Hi，以式对Hi中的信号振幅yHi(t)进行处理得到的量为y’Hi(t)，yHi(t)中信号的振幅绝对值的最大值、最小值分别为MHi、mHi，第一调节系数为v1，受扭转荷载的元件电阻变化率时程特征提取以最优母小波函数对扭转变形电阻变化率时程变化曲线中的电阻变化率时程信号进行离散小波变换，得到第i级小波分解中的扭转高频部分Bi，以式/>对Bi中的信号振幅yBi(t)进行处理得到的量为y’Bi(t)，yBi(t)中信号的振幅绝对值的最大值、最小值分别为MBi、mBi，第二调节系数为v2，定位差异级位根据式/>，取当/>在1≤i≤N范围内达到最小值时的i作为最大差异级位I；S5、生成线性变换时序样本，对于i=I的情况，第a段时序样本为(x1(a), x2(a), x3(a), x4(a), x5(a))；S6、训练荷载状态识别模型，首先构造模型结构，荷载状态识别模型采用反向传播神经网络结构，包括一个输入层、Q个隐藏层和一个输出层，相邻两层中的神经元完全连接，每个连接都被赋予一个乘以输入值的可训练权重，所有隐藏层都使用ReLU激活函数，然后进行批量归一化，使用Xavier初始化来初始化权重和偏差值，Q为不小于3的正整数，然后训练神经网络利用时序样本，训练集使用(x1(a), x2(a), x3(a), x4(a))作为输入，对应的标注为x5(a)，a∈{1, 2, 3, …, 2A}，训练荷载状态识别模型，能够根据输入的第一变量、第二变量、第三变量、第四变量得到输出值HZGJ，当HZGJ>0.5时则预测得到的荷载状态类型为扭转，当HZGJ≤0.5时则预测得到的荷载状态类型为拉伸。 来自：www.macrodatas.cn