删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

一种LSTM神经网络和卡尔曼滤波相结合的复合材料承载预测方法

本站小编 Free考研考试/2021-12-25

闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾惧綊鏌熼梻瀵割槮缁炬儳缍婇弻鐔兼⒒鐎靛壊妲紒鐐劤缂嶅﹪寮婚悢鍏尖拻閻庨潧澹婂Σ顔剧磼閹冣挃闁硅櫕鎹囬垾鏃堝礃椤忎礁浜鹃柨婵嗙凹缁ㄥジ鏌熼惂鍝ョМ闁哄矉缍侀、姗€鎮欓幖顓燁棧闂傚倸娲らˇ鐢稿蓟閵娿儮鏀介柛鈩冪懃椤も偓婵$偑鍊曠换鎺撴叏妞嬪孩顫曢柟鐑橆殔閻掑灚銇勯幒宥堝厡缂佲檧鍋撻梻浣呵归張顒勩€冮崱娑樻闁逞屽墴濮婄粯鎷呴搹鐟扮闁藉啳浜幉鎼佸级閸喗娈婚梺绯曟杹閸嬫挸顪冮妶鍡楀潑闁稿鎸婚妵鍕即閵娿儱绠诲┑鈥冲级閸旀瑩鐛鈧獮鍥ㄦ媴閻熸澘鍘為梻浣告惈椤︻垶鎮ч崟顖氱鐎光偓閸曨偄鍤戦梺纭呮彧闂勫嫰鍩涢幋锔界厱婵犻潧妫楅鈺呮煛閸℃ḿ鎳囬柡宀嬬到铻栭柍褜鍓涢埀顒佺煯閸楀啿鐣峰ú顏勭劦妞ゆ帊闄嶆禍婊堟煙鏉堝墽绋荤痪顓炲缁辨帡骞囬鐔叉嫽闂侀€炲苯澧い鏃€鐗犲畷浼村即閻樻彃鐏婂┑鐐叉閹稿爼鍩€椤戣法顦︽い顐g矒閸┾偓妞ゆ帒瀚粻鏍ㄧ箾閸℃ɑ灏伴柛銈嗗灴閺屾盯濡搁敂閿婵炲瓨绮撶粻鏍蓟濞戔懇鈧箓骞嬪┑鍥╀簮闂備浇銆€閸嬫挸霉閻樺樊鍎愰柣鎾卞劜缁绘盯骞嬮悘娲讳邯椤㈡棃鍩℃导鍗炵秺閹晛鈻庤箛鏂挎缂佺偓鍎抽崥瀣Φ閸曨垰鍗抽柣鎰綑濞咃綁姊虹拠鏌ョ崪濠碘€虫喘閸┾偓妞ゆ帊绶¢崯蹇涙煕閿濆骸娅嶇€规洘鍨剁换婵嬪炊瑜忛悾娲⒑閸愬弶鎯堥柛鐔稿婢规洟宕楅梻瀵哥畾濡炪倖鐗滈崑鐐哄极闁秵鍊垫慨姗嗗厵閸嬨垺鎱ㄦ繝鍌ょ吋鐎规洘甯掗埢搴ㄥ箣閿濆洨宕堕梻鍌欒兌鏋い鎴濇噹铻炴繝闈涙閺嗭箓鏌熺€涙ḿ濡囨俊鎻掔墦閺屾洝绠涙繛鎯т壕闁惧浚鍋掗崥鍛攽閿涘嫬浜奸柛濠冪墵閹兾旈崘顏嗙厯闂佸湱鍎ら崹鐔煎几瀹ュ鐓熸俊顖濆亹鐢盯鏌i幘瀵告噮缂佽鲸鎸婚幏鍛存濞戞矮鎮i梻浣告惈椤戝洭宕伴弽顓炶摕闁挎繂顦粻濠氭偣閾忕懓鍔嬮柣蹇撶墦濮婃椽宕崟顓犱紘闂佸摜濮甸悧鏇㈡偩閻ゎ垬浜归柟鐑樼箖閺呪晠姊虹粙璺ㄧ闁告艾顑夐、娆撳礋椤愮喐鏂€闂佺粯鍔樼亸娆撳箺閻樼數纾兼い鏃囧亹鏍$紓浣规⒒閸犳牕鐣烽崡鐐╂婵☆垳鍘ф慨锔戒繆閻愵亜鈧牜鏁幒妤€绐楁慨姗嗗厳缂傛岸鏌熼柇锕€骞樼紒鐘荤畺閺屾稑鈻庤箛锝喰ㄦ繝鈷€灞藉⒋闁哄矉绻濆畷銊╁级鐠恒劌甯块梻浣筋嚃閸ㄥ崬螞閸愨晙绻嗛柟闂寸鍞悷婊勭矒瀹曨剝銇愰幒鎾嫽婵炶揪绲介幉锟犲疮閻愬绠鹃悹鍥囧懐鏆ら悗瑙勬礃缁矂锝炲┑瀣垫晣闁绘柨鍢叉导搴㈢節閻㈤潧孝闁挎洏鍊濋幃褎绻濋崶銊ヤ簵濠电偞鍨堕敃鈺呮偄閸℃稒鍋i弶鐐村椤掔喖鏌涙惔锛勭闁靛洤瀚板鎾偄閾忓湱鍘滈梻浣告惈閻寰婃ィ鍐ㄧ畾闁哄啫鐗嗛~鍛存煟濮楀棗浜濋柣蹇撴缁绘繂鈻撻崹顔界亪闂佹寧娲忛崐婵嬪灳閿曗偓閻o繝骞嶉鑺ヮ啎闂備礁婀遍崕銈夊垂閻旂厧鍑犻幖娣妽閻撴瑩鎮楅悽鐧荤懓鏆╅柣搴ゎ潐濞叉﹢鎮¢垾鎰佹綎缂備焦岣块悷褰掓煃瑜滈崜鐔煎春閳ь剚銇勯幒鎴濃偓鍛婄濠婂牊鐓犳繛鑼额嚙閻忥繝鏌¢崨鏉跨厫閻庝絻鍋愰埀顒佺⊕宀e潡宕㈤柆宥嗙厽閹兼惌鍨崇粔鐢告煕鐎n亝顥滈悡銈夋煙缂併垹鏋熼柣鎾寸懅閳ь剝顫夊ú鏍洪妶澶婂嚑婵炴垶鐟f禍婊堟煏韫囥儳纾块柍钘夘樀閺屽秹鎸婃径妯恍﹂梺瀹狀嚙闁帮綁鐛崶顒夋晩闁绘挸绨堕弸蹇旂節閻㈤潧啸闁轰焦鎮傚畷鎴濃槈閵忊晜鏅銈嗘尪閸ㄥ綊宕掗妸褎鍠愰柡鍐ㄧ墕缁犳牗绻涘顔荤盎閹喖姊洪崘鍙夋儓闁稿﹤鎲$粋宥呂旈崨顔规嫼闂佸憡绻傜€氼參宕掗妸鈺傜厱闁靛⿵闄勯妵婵嬫煙椤曞棛绡€闁诡喓鍨藉褰掑箛椤斿墽鏆板┑锛勫亼閸婃牠鎮уΔ鍐╁床闁稿瞼鍋涚憴锔炬喐閻楀牆绗氶柣鎾存礃缁绘盯宕卞Δ鍕伃婵炲瓨绮撶粻鏍ь潖婵犳艾纾兼繛鍡樺焾濡差噣姊虹涵鍜佸殝缂佺粯绻堥獮鍐倻閽樺)銊ф喐婢舵劕纾婚柟鐐墯濞尖晠鏌i幘鍐差劉闁绘繃绻堝铏瑰寲閺囩喐婢掗梺绋款儐閹告悂鈥旈崘顔嘉ч柛鈩冾殘閻熴劑姊洪崫銉バi柤瑙勫劤閻滃宕稿Δ鈧粻娑欍亜閹捐泛啸妞ゆ梹娲熷娲捶椤撶姴绗¢柣銏╁灣閸嬬喓鍒掓繝姘殥闁靛牆鍊告禍楣冩偡濞嗗繐顏紒鈧埀顒傜磽閸屾氨孝闁挎洦浜悰顔界節閸ャ劌鈧兘鏌涘┑鍡楃弸闁靛ň鏅滈悡蹇涙煕椤愶絿绠栫€瑰憡绻堥弻锝夋晲婢跺瞼鏆┑顔硷功缁垶骞忛崨顖滅煓婵炲棛鍋撻ˉ鎴︽⒒娴e懙褰掝敄閸涙潙绠犻幖杈剧到瀵煡姊绘担鍛婃儓缂佸绶氬畷銏$鐎n亞锛欓悗鐟板婢瑰寮ㄦ禒瀣厽婵☆垰鎼痪褍顭跨捄鍝勵伃闁哄矉缍侀獮妯虹暦閸モ晩鍞堕梻浣哥枃椤宕归崸妤€绠栨繛鍡樻尰閸ゆ垶銇勯幋锝呭姷婵$偓鎮傚缁樻媴閸涘﹤鏆堝┑顔硷功閹虫挸鐜婚崹顔规瀻闁规儳顕悾鎶芥⒒閸屾瑨鍏岄弸顏嗙磼缂佹ê濮嶇€规洏鍎抽埀顒婄秵閸撴盯鎯岄崱娑欏€甸柨婵嗛娴滄繈鏌涘▎蹇曠闁宠鍨块幃鈺呭箵閹烘挻顔夐梻渚€娼уú锔炬崲閸儱钃熼柣鏃囨妞规娊鏌涢敂璇插箻闁伙箑鐗婄换婵堝枈濡嘲浜剧€规洖娲ら悡鐔兼倵鐟欏嫭纾搁柛鏃€鍨块妴浣糕枎閹惧鍙嗗銈嗙墬閻喗绔熼弴鐔剁箚闁靛牆绻掗崚浼存煕閻曚礁鐏﹂柛鈺傜洴楠炲鏁傞悾灞藉箻濠电姵顔栭崰妤呭礉閺囥垹鐒垫い鎺嶇劍缁€瀣偓娈垮枟閹倸鐣烽幒妤佸€烽悗鐢登归獮鍫ユ⒑閻熸澘鎮戦柣锝庝邯瀹曠銇愰幒鎴犲幒闂佸搫娲㈤崹娲偂閺囥垺鐓冮悷娆忓閸斻倕霉濠婂懎浜惧ǎ鍥э躬閹瑩顢旈崟銊ヤ壕闁哄稁鍋呴弳婊冣攽閻樻彃顏柣顓炴閵嗘帒顫濋敐鍛闁诲氦顫夊ú婊堝极婵犳哎鈧礁螖閸涱厾顦板銈嗗笒閸婃悂鐛崼鐔虹瘈闁汇垽娼ф禒婊勪繆椤愶綆娈橀柟骞垮灲楠炲洭寮堕幐搴ょ发婵犵數鍋涘Λ娆撳礉閹寸偟顩叉繝濠傜墛閻撴盯鏌涢妷锔芥瀯缂併劎鏅槐鎺撳緞濡儤鐏嶅銈冨妸閸庣敻骞冨▎鎾宠摕闁靛鍎遍崣濠囨⒒娴e憡璐¢弸顏堟煥閺囨ê鍔氭い鏇樺劦瀹曠喖顢涘杈╂澑婵$偑鍊栫敮濠囨倿閿曗偓琚欓柛鈩冪⊕閳锋帡鏌涚仦鎹愬闁逞屽墴椤ユ挸鈻庨姀鐙€娼╂い鎴e亹缁变即鎮峰⿰鍕拻闁伙富鍓熷娲焻閻愯尪瀚板褜鍣i弻宥囨喆閸曨偆浼岄梺鎼炲姂缁犳牠骞栬ぐ鎺濇晝闁靛骏绱曟禍鐑芥⒑鐠囧弶鍞夋い顐㈩槸鐓ら煫鍥ㄧ☉閸ㄥ倸霉閻樺樊鍎忛柦鍐枛閺屾盯鍩勯崘鐐吂闂佸憡鑹鹃澶愬蓟濞戙垹鐏崇€规洖娲ㄩ澶愭煟鎼淬垼澹橀柕鍫熸倐瀵鏁愭径瀣簻闂佸憡绺块崕鎶芥偂閸屾稓绡€闁冲皝鍋撻柛鏇炵仛閻eジ姊烘潪鎵窗闁革綇缍侀悰顕€骞掑Δ鈧粻璇参涢悧鍫㈢畺闂佽¥鍊曢埞鎴︽倷瀹割喖娈堕梺鍛婎焼閸ャ劌浠遍梺闈浥堥弲婊堝磻閸岀偞鐓涢柛銉e劚閻忣亪鏌i幘瀵告噰闁哄瞼鍠栭、娑㈠幢濡ゅ嫬顏┑鐐茬墕閻栫厧顫忓ú顏呭仭闁哄瀵уВ鎰攽閻愬弶鈻曢柛娆忓暙椤曪絾绻濆顒€宓嗛梺闈涚箳婵挳鎳撻崹顔规斀閹烘娊宕愰幇鏉跨;闁瑰墽绮悡娑㈡煕閳╁啞缂氶柟鍐叉喘閺岋紕浠﹂悾灞濄倝鏌熸搴♀枅鐎殿喖顭锋俊鐑藉Ψ閵夈儱鎸ゆ繝寰锋澘鈧鎱ㄩ悜钘夌;婵炴垯鍩勯弫鍕熆閼搁潧濮囩紒鐘崇墵閺屽秹宕崟顐f闂佸搫顑呴悧鍡涒€︾捄銊﹀磯濡わ箑鐏濋顓犵磽娴i潧濡搁柛搴ㄦ涧椤繑绻濆顒傦紲濠殿喗锕╅崗姗€宕戦幘鎼Ч閹艰揪绲块悞鍏肩箾閹炬潙鐒归柛瀣尰椤ㄣ儵鎮欏顔解枅闂佽桨鐒﹂幑鍥箖閳哄懎绀冮棅顐幘閺侀箖姊婚崒娆戝妽閻庣瑳鍏犳椽寮介鐐碉紮閻熸粎澧楃敮鎺楁偪閻愵兙浜滈煫鍥ㄦ尵婢ф盯鏌i幘璺烘灈妤犵偞鐗曡彁妞ゆ巻鍋撻柍褜鍏欓崐鏇炵幓閸ф绠涢柣妤€鐗忛崢鐢告⒑閸涘﹦缂氶柛搴㈠灩濞戠敻宕ㄩ娆戠秿婵犵數濮烽弫鎼佸磻閻愬搫鍨傛い鏍仜閸ㄥ倻鎲搁悧鍫濈瑲闁稿﹤娼¢弻娑⑩€﹂幋婵呯按婵炲瓨绮嶇划鎾诲蓟閻斿吋鍊绘俊顖濇娴犳挳姊洪崫鍕靛剭闁稿﹥鐗滈幑銏犫槈閵忕姷顦ч梺缁樻尭妤犳悂锝炲鍥╃=濞达綀娅g敮娑㈡煟閳哄﹤鐏﹂柣娑卞櫍楠炴ḿ鎷犻懠顒夊敽闂備礁鎼崯顐﹀磻閸℃稑鐤悗锝庡枟閻撶喖骞栧ǎ顒€鈧倕岣块幇顓犵闁告瑥顦紓姘舵煙楠炲灝鐏茬€规洖銈告俊鐤槻缂佷緤绠撻弻锝嗘償椤栨粎校闂佸摜濮甸〃濠傤嚕閹绘巻鏀介悗锝庡亞閸樻捇鎮峰⿰鍕煉鐎规洘绮撻幃銏$附婢跺﹥顓块梻浣告啞缁嬫垿鏁冮敃鍌涘仭鐟滅増甯楅悡鍐喐濠婂牆绀堥柣鏂款殠閸ゆ洖鈹戦悩宕囶暡闁稿瀚伴弻锝夊箻閾忣偅宕冲銈忓瘜閸欏啴骞冨畡鎵冲牚闁告劦浜為濠囨⒑鏉炴壆璐伴柛鐘崇墵閸┿儲寰勯幇顒夋綂闂佹寧绋戠€氼剟鐛幇鐗堚拻濞达絽鎲¢崯鐐层€掑顓ф疁鐎规洘婢樿灃闁告侗鍘鹃敍娆撴⒑鐟欏嫬顥嬪褎顨婇幃鈥斥槈閵忊€斥偓鍫曟煟閹伴偊鏉洪柛銈嗙懃閳规垿顢欓悡搴樺亾閸ф钃熼柣鏃傗拡閺佸﹪鏌涘┑鍡楊仱闁稿鎸搁埞鎴﹀幢濞嗘劖顔曢梻浣告贡閸庛倝宕归悢鑲猴綁宕奸悢绋垮伎濠德板€愰崑鎾翠繆椤愶絾鈷掓俊鍙夊姍閺佹捇鏁撻敓锟�闂傚倸鍊搁崐鎼佸磹閹间礁纾归柟闂寸绾惧綊鏌熼梻瀵割槮缁炬儳缍婇弻鐔兼⒒鐎靛壊妲紒鐐劤缂嶅﹪寮婚悢鍏尖拻閻庨潧澹婂Σ顔剧磼閻愵剙鍔ょ紓宥咃躬瀵鏁愭径濠勵吅闂佹寧绻傞幉娑㈠箻缂佹ḿ鍘辨繝鐢靛Т閸婂綊宕戦妷鈺傜厸閻忕偠顕ф慨鍌溾偓娈垮櫘閸o絽鐣锋總鍛婂亜闁告稑饪撮崬鍫曟⒒閸屾瑨鍏岄弸顏呫亜閹存繃顥㈡鐐村姍瀹曟粏顦查柛銊︾箖閵囧嫰骞樼捄杞版睏濠碘剝褰冮悧濠冪┍婵犲浂鏁嶆繝鍨姇濞堫厼鈹戦悙鍙夊暁闁搞儯鍔夐幏鍝勨攽閻愯泛钄兼い鏇嗗洨宓佹俊銈呮噺閻撶喖鏌i弬鍨骇婵炲懎锕﹂埀顒侇問閸犳牠鈥﹂悜钘夌畺闁靛繈鍊曞婵嗏攽閻樻彃顏懖鏍ㄧ節瀵伴攱婢橀埀顑懎绶ゅù鐘差儏閻ゎ喗銇勯弽顐㈠壉闁轰椒鑳堕埀顒€绠嶉崕閬嵥囨导鏉戠厱闁瑰濮风壕濂告倵閿濆簼绨藉ù鐘灪閵囧嫰骞掔€n亞浼堥梺鍝勭焿缁辨洘绂掗敂鐐珰闁圭粯甯╁ḿ搴ㄦ⒒娴h櫣銆婇柡鍛箞瀹曟垿濡舵径灞界ウ闁诲函缍嗛崰妤呭疾濠靛鐓冪憸婊堝礈濞戞瑧鐝堕柡鍥ュ灩缁€鍌炴煕韫囨洖甯剁€殿喖鐏濋埞鎴︻敊缁涘鐣跺┑鈽嗗亝椤ㄥ﹪鎮伴鈧浠嬵敇閻斿搫骞愰梻浣虹《閸撴繈銆冮崼鐔告珷闁挎棁濮ら崣蹇撯攽閻樺弶鍣烘い蹇曞Х缁辨帡顢欓悾灞惧櫑闂佸疇顕ч柊锝夌嵁閸℃凹妲绘繝銏㈡嚀椤戝顫忕紒妯诲闁告稑锕ラ崰鎰節濞堝灝鏋ら柡浣筋嚙閻e嘲鈹戦崰顔芥瀹曘劑顢橀悪鈧崬褰掓⒒娓氣偓濞佳呮崲閹烘挻鍙忔い鎾跺€i敐澶婇唶闁靛濡囬崢顏堟椤愩垺澶勬繛鍙夌墪閺嗏晜淇婇悙顏勨偓鏍箰閹间礁绠规い鎰剁畱閻撴﹢鏌熸潏楣冩闁稿﹦鍏橀弻娑樷枎韫囷絾鈻撳┑鈽嗗亞閸嬬喓妲愰幘瀛樺闁惧繒鎳撶粭锟犳煟閵忊晛鐏℃い銊ョ墢閸掓帞鈧綆鍠栫粻铏繆閵堝嫮顦︽繛鍫熷姍濮婃椽宕橀崣澶嬪創闂佸摜鍠嶉崡鎶藉极瀹ュ應鍫柛娑卞灣閿涙繈姊虹粙鎸庢拱闁荤啿鏅涢‖濠囨倻閼恒儳鍘遍梺闈浨归崕宕囩矓濞差亝鐓熸繛鎴濆船濞呭秵顨ラ悙鍙夊枠闁诡啫鍥ч唶闁靛繒濮寸粻鐐烘⒒娴g瓔鍤欓柛鎴犳櫕缁辩偤宕卞☉妯硷紱闂佸憡渚楅崢楣冨汲閿曞倹鍊堕柣鎰版涧娴滈箖鏌涘▎蹇曠闁宠鍨块幃鈺呭矗婢跺﹥顏℃俊鐐€曠换鎺撶箾閳ь剟鏌″畝鈧崰鎰八囬悧鍫熷劅闁抽敮鍋撻柡瀣嚇閹鈻撻崹顔界亪濡炪値鍙冮弨杈ㄧ┍婵犲洦鍊荤紒娑橆儐閺呪晠姊洪懡銈呮灈妞わ綇闄勭粩鐔煎即閻愨晜鏂€闁圭儤濞婂畷鎰板箻缂佹ê娈戦梺鍛婃尫缁€浣规叏椤掑嫭鐓冪憸婊堝礈閻斿娼栨繛宸簼閻掑鏌i幇顖氳敿閻庢碍婢橀…鑳檨闁搞劏浜幑銏犫槈閵忊€充簵闁硅壈鎻徊鍧楊敊閹烘挾绡€缁剧増锚婢ф煡鏌熼鐓庘偓鍨嚕椤愶箑绀冩い鏃囧亹閸旓箑顪冮妶鍡楀潑闁稿鎸婚妵鍕即椤忓棛袦閻庤娲滄灙閾绘牕霉閿濆懏鎯堟鐐搭殜濮婃椽鎮烽弶鎸庡€梺浼欑秵娴滎亜鐣峰┑鍡╁悑闁告侗浜濋~宥夋偡濠婂嫭顥堢€殿喖顭烽幃銏ゅ礂閻撳孩鐤呴梻渚€娼ч敍蹇涘川椤栨艾绗掔紓鍌氬€搁崐椋庣矆娓氣偓椤㈡牠宕ㄥ銈呮喘椤㈡盯鎮滈崱妯绘珝濠电娀娼ч崐缁樼仚濡ょ姷鍋戦崹浠嬪蓟閻斿吋鐒介柨鏃囨硶閺佹牠姊洪悜鈺傛珔闂佸府绲介~蹇曠磼濡顎撻梺鍛婄☉閿曘儵宕曢幘鍓佺=濞达絽澹婇崕搴g磼閼镐絻澹橀柣锝囧厴楠炲鏁冮埀顒傜矆鐎n偁浜滈柟鐑樺灥娴滅偞绻涢弶鎴濐伃婵﹥妞介獮鎰償閵忋埄妲梻浣呵归敃銈囩礊婵犲洤绠栭柨鐔哄У閸嬪嫰鏌涜箛姘汗闁告ḿ鏁诲铏规嫚閳ュ磭鈧鏌涘☉鍗炴灍闁哥姵鐗滅槐鎾诲磼濞嗘帩鍞归梺绋款儐閹瑰洭寮诲☉銏犵疀闁稿繐鎽滈弫鏍磼閻愵剙绀冮柛瀣姉濡叉劙骞樼€涙ê顎撻柣鐘冲姦閸ㄥ磭妲愰弶搴撴斀闁绘劖娼欑徊缁樸亜閺囥劌寮柛鈹惧亾濡炪倖甯掗崰姘缚閹邦厾绠鹃柛娆忣槺婢ь亪鏌i敐鍥у幋妞ゃ垺顨婂畷姗€顢旈崘顓炵劵闂傚倸鍊搁崐椋庣矆娓氣偓楠炲鏁嶉崟顒€搴婇梺绋挎湰婢规洟宕戦幘鎰佹僵妞ゆ巻鍋撴俊鑼额嚙閻f繈鏁愰崨顔间淮閻庢鍠楅幐鎶藉箖濞嗘挸鐓涢柛灞剧⊕濠㈡垿姊婚崒娆掑厡缂侇噮鍨堕弫鍐煛閸涱厾锛涢梺鍛婁緱閸犳牠宕归弬妫靛綊鎮℃惔锝嗘喖闂佺ǹ锕ら悥濂稿蓟閿濆绠涙い鏍ㄦ皑閸橆偄顪冮妶鍐ㄥ姎妞わ缚鍗虫俊鐢稿礋椤栵絾鏅濆銈嗗姧缁辨洟寮弽顐ょ=濞达絼绮欓崫娲煙缁嬫鐓兼鐐茬箻瀹曘劎鈧稒蓱閸庮亪姊洪懡銈呮瀾濠㈢懓妫濋、鏇㈡嚃閳哄啰锛濋梺绋挎湰閻燂妇绮婇悧鍫涗簻闁哄洤妫楀ú锕傚磻鐎n喗鐓欓柟顖嗗拑绱為梺鍝勬4闂勫嫮鎹㈠☉姗嗗晠妞ゆ棁宕甸惄搴ㄦ⒑缂佹ê绗掗柣蹇斿哺婵$敻宕熼姘鳖唺閻庡箍鍎遍ˇ浼搭敁閺嶃劎绠鹃悗娑欋缚閻绱掗鑺ュ磳鐎殿喖顭烽幃銏ゅ礂閻撳簶鍋撶紒妯圭箚妞ゆ牗绻冮鐘裁归悩铏稇妞ゎ亜鍟存俊鍫曞川椤栨粎鏆伴梻浣告惈閹冲繒鎹㈤崟顐嬶綁骞囬弶璺唺濠德板€撶粈浣圭閻熼偊娓婚柕鍫濇閳锋帡鏌涘Ο鐘插閸欏繘鏌¢崶銉ョ仾闁抽攱鍨垮濠氬醇閻旇 濮囬梺鐟板悑閸旀瑩骞冨Δ鈧~婵嬵敇閻斿搫鍤掓俊鐐€栧ú鈺冪礊娓氣偓閵嗕礁顫濈捄铏瑰姦濡炪倖甯掔€氼剟寮伴妷鈺傜厓鐟滄粓宕滃璺何﹂柛鏇ㄥ灠缁犳娊鏌熺€涙ḿ绠ュù鐘哄亹缁辨帡鎮欓鈧崝銈嗙箾绾绡€鐎殿喛顕ч埥澶愬閻樼數鏉告俊鐐€栭悧妤€顫濋妸銉愭帡濮€閵堝棌鎷洪梺鍛婄箓鐎氼參鏁嶉弮鍌滅<闁绘ǹ娅曞畷宀€鈧鍠栭…宄邦嚕閹绢喗鍋勫瀣捣閻涱噣姊绘担绋款棌闁稿鎳愰幑銏ゅ磼濞戞瑥寮挎繝銏e煐閸旀牠鍩涢幋锔藉仩婵炴垶宸婚崑鎾诲礂閸涱収妫滃┑鐘垫暩閸嬫盯顢氶鐔稿弿闁圭虎鍣弫鍕煕閳╁啰鈯曢柛瀣€块弻锝夊棘閸喗鍊梺缁樻尰閻熲晛顫忓ú顏嶆晣闁靛ě鍛濠电姭鎷冪仦鑺ョ亾缂備浇椴哥敮锟犲箖椤忓嫧鏋庨煫鍥ㄦ惄娴犲瓨绻涚€涙ḿ鐭嬬紒顔芥崌瀵寮撮悢铏瑰骄濡炪倖鐗楅懝楣冨汲閺囩喍绻嗛柛娆忣槸婵秵鎱ㄦ繝鍛仩闁归濞€閸ㄩ箖鎼归銈勭敖缂傚倸鍊风欢锟犲窗濡ゅ懏鍋¢柍鍝勬噹杩濇繛杈剧悼绾泛危閸喍绻嗘い鏍ㄨ壘濡插鏌eΔ浣稿摵婵﹥妞藉畷銊︾節閸屾凹妫冮梻浣告啞濞叉牠鎮樺杈╃婵°倐鍋撻柍瑙勫灴閹晠宕归锝嗙槑濠电姵顔栭崰姘跺礂濮椻偓婵℃挳宕掑☉姘兼祫闁诲函缍嗘禍鐐哄礉閿曗偓椤啴濡堕崱妤€娼戦梺绋款儐閹搁箖鎯€椤忓棛纾奸柕蹇曞Т缁秹鎮楃憴鍕婵$偘绮欏顐﹀箛閺夊灝鑰块梺褰掑亰娴滅偤鎯勬惔銊︹拻濞撴埃鍋撴繛浣冲懏宕查柛鈩冪☉缁€鍫熺節闂堟稓澧㈤柣顓炴閹鏁愭惔鈩冪亶闂佺粯鎸荤粙鎴︽箒闂佹寧绻傚В銉ㄣ亹閹烘垹鍔﹀銈嗗坊閸嬫挻绻涚涵椋庣瘈闁绘侗鍣e畷姗€顢欓懖鈺婃Ф闁荤喐绮岄懟顖炲煝娴犲鏁傞柛顐ゅ枔閸欏啫鈹戦埥鍡楃仧閻犫偓閿曗偓鍗遍柣鎴炃滄禍婊堟煛閸屾稑顕滈柛鐘成戦幈銊︾節閸屻倗鍚嬮悗瑙勬礃鐢帡锝炲┑瀣垫晞闁芥ê顦竟鏇㈡⒑缂佹ê鐏卞┑顔哄€濆畷鐢稿礋椤栨稓鍘鹃梺鍛婄缚閸庢煡寮抽埡浼卞綊鎮╅崘鎻掓懙濠殿喖锕︾划顖炲箯閸涙潙宸濆┑鐘插暙閸撶敻姊绘担铏瑰笡妞ゃ劌妫涢崚鎺楀箻瀹曞洦娈惧┑鐘诧工閸熺姴危閸喐鍙忔慨妤€妫楁晶顕€鏌h箛鎿勫伐闁宠鍨块幃娆撳矗婢舵ɑ锛侀梻浣告贡鏋柟鑺ョ矌閸掓帞绱掑Ο鑲╃槇濠殿喗锕╅崢鍏肩椤栫偞鈷戦柟鑲╁仜閸旀潙霉濠婂嫮鐭掗柟顖氬暙鐓ゆい蹇撴噽閸樹粙姊洪棃娑氬闁瑰啿绻樺畷鏉课熺紒妯哄伎婵犵數濮撮幊蹇涱敂閻樼粯鐓曢柡宥冨妿婢х數鈧鍠楅幐鎶藉箖濞嗗緷鍦偓锝庡亜閻濆爼姊婚崒姘偓宄懊归崶褏鏆﹂柣銏⑶归梻顖炴煥閺傚灝鈷斿☉鎾崇Ч閺岀喖骞嗚閿涘秹鏌¢崱顓犵暤闁哄瞼鍠愬ḿ蹇涘礈瑜忛弳鐘绘⒑閸涘﹤濮€闁稿鎹囧缁樼瑹閳ь剙岣胯閸e綊姊洪崨濠勭焼缂佲偓娓氣偓瀵煡顢橀姀鈾€鎷婚梺绋挎湰閻熴劑宕楀畝鈧惀顏堫敇閻愰潧鐓熼悗瑙勬礃缁矂鍩為幋鐐电瘈闁告劏鏅涘▍锟犳⒒閸屾瑦绁版い鏇嗗懏宕查柟閭﹀枟瀹曟煡鎮楅敐搴℃灈缁绢厸鍋撻梻浣筋潐閸庣厧螞閸曨垱瀚呴柣鏂垮悑閻撱儲绻濋棃娑欙紞婵℃彃鎽滅槐鎺楁偐瀹割喚鍚嬮梺璇″枟椤ㄥ懘鍩ユ径濞炬瀻閻庯綆鍓涚粣妤佷繆閻愵亜鈧呮嫻閻旂厧绀夌€广儱娲﹀畷鍙夌箾閹存瑥鐏柡鍛叀閺屾稑鈽夐崡鐐寸亶闂佽鍠楅悷鈺侇潖濞差亜绠伴幖娣灩椤︹晜绻涚€涙ḿ鐭ゅù婊庝簼娣囧﹦鈧稒蓱婵绱掗娑欑妞ゎ偄绉撮埞鎴﹀煡閸℃浠搁梺琛″亾闂侇剙绉甸崐闈涒攽閻樺磭顣查柍閿嬪灴閺屾盯鏁傜拠鎻掔闂佸憡鏌ㄩ鍥╂閹烘梹瀚氶柟缁樺坊閸嬫挾鎲撮崟顓涙敵婵犵數濮村ú銈囩不椤曗偓閺屻倝骞侀幒鎴濆闂佸綊顥撶划顖滄崲濞戞瑦缍囬柛鎾楀啫鐓傞梻浣侯攰濞呮洟鎮烽埡浣烘殾闁绘垹鐡旈弫鍥ㄧ箾閹寸伝鍏肩珶閺囩偐鏀介柣鎰綑閻忥箓鎮介娑辨當闁宠绉电换婵嬪礋閵娿儰澹曢柣鐔哥懃鐎氼厾绮堥埀顒傜磽閸屾氨孝闁挎洏鍊濋幃楣冩倻閼恒儱鈧崵绱掑☉姗嗗剱闁哄拑缍佸铏圭磼濡崵锛涢梺缁樺釜婵″洨妲愰悙鍙傛棃宕ㄩ瑙勫濠电偠鎻徊鍧楁偤閺傞叿缂氶柟閭﹀枓閸嬫挾鎲撮崟顒傤槰闂佹寧娲忛崹浠嬪Υ娴e壊娼╅柟棰佺劍闉嬫繝鐢靛О閸ㄥジ锝炴径濞掓椽鎮㈡搴㈡濠德板€曢幊搴g矆閸岀偞鐓熼柟鐐▕椤庢霉閻撳骸顒㈢紒缁樼箘閸犲﹤螣濞茬粯缍夐梻浣规偠閸斿宕¢幎鐣屽祦闁哄稁鍙庨弫鍐煥閺囨浜剧紓浣哄У閻楃娀寮婚悢琛″亾濞戞鎴﹀磿閺囥垺鐓涢柛鎰╁妿婢ф洜绱掗銏⑿ч柡灞剧洴椤㈡洟濡堕崨顔界槪闂備礁缍婇ˉ鎾跺垝椤栨粍宕叉繛鎴欏灩缁犲鏌℃径瀣仼闁告柧鍗冲铏圭矙濞嗘儳鍓遍梺鍦嚀濞差厼顕g拠宸悑闁割偒鍋呴鍥⒒娴e憡鍟為柟绋款煼閹嫰顢涘杈ㄦ闂佺懓鐡ㄧ缓鎯i崼銉︾厪闊洤艌閸嬫捇鎼归顐㈡倛婵犵绱曢崑鎴﹀磹閺嶎厽鍋嬫俊銈呭暟閻瑩鏌熼悜妯虹亶闁哄绉归弻锝呂熼懖鈺佺闂佺ǹ锕ら悘姘辨崲濞戙垹绠i柣鎰仛閸犳绱撻崒姘偓鐟邦潩閵娧勵潟闁圭儤顨嗛崑鎰版煕閹邦厼绲诲┑顔哄灲濮婂宕惰濡偓闂佸搫琚崝宀勫煘閹达箑骞㈡俊顖滃劋椤忕娀姊绘担鍛婃儓婵☆偅绻冪粋宥夊醇閺囩偠鎽曞┑鐐村灦閿曗晛岣块埡鍌樹簻闁圭儤鏌¢幏鈥趁瑰⿰搴濋偗鐎规洘妞芥俊鐑芥晝閳ь剛娆㈤悙娴嬫斀闁绘劦浜滈悘顕€鏌涢悩宕囧⒌鐎殿喖顭锋俊姝岊槷闁稿鎹囬弫鎰板川椤栨瑧椹崇紓鍌氬€哥粔鎾儗閸屾凹娼栧┑鐘宠壘绾惧吋绻涢崱妯虹仼闁绘稏鍨归埞鎴︽倷閺夊灝鐨熼梺鍛婁緱閸犳牗鎯旀繝鍥ㄢ拺缂侇垱娲栨晶鑼磼鐎n偄鐏撮柟顔惧仱瀹曞綊顢曢悩杈╃泿闂備胶鎳撻幖顐⑽涘Δ浣侯洸濡わ絽鍟埛鎴︽煕濞戞﹩鐒甸柟杈鹃檮閸嬪鏌eΟ鍨毢闁哄棴闄勭换娑㈠幢濡闉嶉梺鎼炲€曠粔褰掑蓟閺囩喓鐝舵い鏍ㄧ閸h姤淇婇幓鎺撳枠婵﹦绮幏鍛村捶椤撶喕寮撮梻浣规偠閸斿繐螞閸曨偆骞撻柤鎰佸灱濡插姊洪悜鈺傤潑闁告瑥鍟~蹇曠磼濡顎撻梺鑽ゅ枛閸嬪﹪宕电€n亖鏀介柣鎰綑缁茶崵绱掔紒妯忣亪鎮鹃悜钘夌疀妞ゆ垼濮ら弬鈧梺璇插嚱缂嶅棙绂嶉悙鐑樺仼婵炲樊浜濋崑鈩冪節婵犲倸鏆為柟鐧哥秮閺岀喖鐛崹顔句患闂佸疇顫夐崹褰掑焵椤掑﹦绉靛ù婊呭仱瀹曟劙鎮欓悜妯轰画濠电姴锕ら崯鎵不閼姐倐鍋撳▓鍨灍婵″弶甯¤棟闁告瑥顦禍婊勩亜韫囨挸顏╅柡鍡到閳规垿鍨惧畷鍥х厽閻庤娲栧畷顒冪亙闂佸憡鍔︽禍婵嬪闯椤栫偞鈷掑ù锝囩摂閸ゆ瑩鎮楀☉鎺撴珚鐎规洘鐟ㄩ妵鎰板箳閹寸姷鍘梻浣告啞閸旓箓宕伴弽顐や笉闁哄稁鍘介悡銉╂煟閺傛寧鎯堢€涙繈鏌涢悜鍡楃仸婵﹥妞藉畷姗€宕f径瀣壍闂備胶枪閿曘倝鈥﹀畡鎵殾闁靛骏绱曢々鐑芥倵閿濆骸浜愰柟閿嬫そ濮婃椽宕ㄦ繝鍕暤闁诲孩鍑归崢濂割敊韫囨挴鏀介悗锝庡亞閸橀亶鏌f惔顖滅У闁稿妫楃叅闁圭虎鍠楅悡鏇㈡煃鐟欏嫬鍔ゅù婊呭亾娣囧﹪鎮欓鍕ㄥ亾閺嵮屽晠濠电姵鑹剧壕濠氭煙閹屽殶缂佲檧鍋撻梻渚€鈧偛鑻晶鎾煛鐏炶姤顥滄い鎾炽偢瀹曘劑顢涘顑洖鈹戦敍鍕杭闁稿﹥鐗滈弫顔界節閸ャ劌娈戦梺鍓插亝濞叉牠鎮块鈧弻锛勪沪鐠囨彃濮曢梺缁樻尰閻熲晠寮诲☉銏犵婵炲棗绻嗛崑鎾诲冀椤愮喎浜炬慨妯煎亾鐎氾拷
<script type="text/javascript" src="https://cdn.bootcss.com/mathjax/2.7.2-beta.0/MathJax.js?config=TeX-AMS-MML_HTMLorMML"></script> <script type="text/x-mathjax-config"> MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$'], ['\\(', '\\)']]}, "HTML-CSS": { linebreaks: { automatic: true }, scale: 110 } }); </script>肖亚楠1,2, 周伟3, 崔杰1, 刘亭亭1, 肖灵1
1. 中国科学院声学研究所, 北京 100190;
2. 中国科学院大学电子电气与通信工程学院, 北京 100049;
3. 河北大学质量技术监督学院, 河北 保定 071002
2020年1月10日 收稿; 2020年5月12日 收修改稿
基金项目: 国家重点研发计划项目(2016YFB0201100)资助
通信作者: 肖亚楠, E-mail: xiaoyanan@mail.ioa.ac.cn

摘要: 复合材料是基于多种材料组分的不同组合方式经由相应工艺加工而成的新型材料,近年来凭借其优良的综合性能被广泛应用于交通、建筑等领域,其试验分析结果有时候与经验分析存在较大误差,从而建立可信的分析方法对复合材料承载性能进行验证具有十分重要的理论意义。基于长短期记忆(long short term memory,LSTM)深度学习网络模型的预测精度受数据序列长度影响,提出一种LSTM神经网络和Kalman滤波相结合的复合材料承载预测方法,既可以克服训练数据序列长度对传统LSTM神经网络的影响,又使得Kalman滤波可以从输入数据中学习。仿真结果表明,该方法可以获得优良的预测性能:LSTM-KF模型的承载预测误差将LSTM模型的预测误差从0.033 0 kN减小到0.016 0 kN,降幅为51.52%。
关键词: 复合材料承载预测长短期记忆神经网络卡尔曼滤波
A load forecast method of composite materials based on LSTM network and Kalman filtering
XIAO Ya1,2, ZHOU Wei3, CUI Jie1, LIU Tingting1, XIAO Ling1
1. Institute of Acoustics, Chinese Academy of Sciences, Beijing 100190, China;
2. University of Chinese Academy of Sciences, School of Electronic, Electrical and Communication Engineering, Beijing 100049, China;
3. School of Quality and Technical Supervision, Hebei University, Baoding 071002, Hebei, China


Abstract: Composite material is a new type of material based on different combinations of various material components. It has been widely used in transportation, construction and other fields because of its excellent comprehensive properties during recent years. Despite of the large errors between experimental analysis and empirical analysis result sometimes, it is of great theoretical significance to establish a credible theoretical analysis to verify the bearing properties of composite materials.Considering that the forecast accuracy is affected by the length of the data sequence when using the memory characteristics of LSTM to predict the load, a load forecast method of composite materials combined with LSTM network and Kalman filtering is proposed. The model can learn from the data avoiding the dependence of traditional Kalman filtering on the dynamic model, at the same time the influence of training data sequence length on traditional LSTM can be overcome to some extent.The results show that the method proposed in this paper can obtain more excellent predictive performance: (1)The performance of LSTM-KF is better than the independent LSTM, and the prediction curve of LSTM-KF is closer to the actual load value; (2)The prediction error of LSTM-KF reduces that of LSTM from 0.033 0 kN to 0.016 0 kN, a decrease of 51.52%.
Keywords: composite materialsload forecastlong-short term memory networkKalman filter
近年来,复合材料凭借其优良特性被广泛应用于航空航天、铁道铁路、交通运输、船舶等领域[1-4]。已有相关研究人员对复合材料的力学性能分析方法进行了研究:孙佳伟等[5]在探究超高韧性水泥基复合材料断裂性能时,选取3点弯曲梁作为研究对象,应用ABAQUS中扩展有限元方法分析模块,模拟分析加载条件下3点弯曲梁的裂纹扩展过程和规律; 徐世烺等[6]基于HJC本构模型,采用分离式霍普金森杆压杆系统,对掺有聚乙烯醇纤维的超高韧性水泥基复合材料的动态压缩力学性能进行数值模拟研究,通过分析不同应变速率下材料的动态压缩应力-应变曲线讨论峰值应力动态增强因子的应变率效应,并通过LS-DYNA软件探讨破坏过程、破坏形态与应变率的关系; 林臬和张鹏冲[7]针对复合材料层合板结构提出的以比例边界有限元为基础的正交各向异性板的数值计算模型,可适用于各种薄板与厚板的分析; 贾利勇等[8]针对复合材料层合板三维失效分析问题建立一种基于Puck失效准则的分析模型,分别采用遍历法和分区黄金分割法的一维搜索算法预测不同应力状态下基体失效的断裂面角度; 杨万友等[9]基于等效夹杂方法提出一种求解分布热载荷作用下复合材料温升分布场的数值分析方法,并结合共轭梯度和快速傅里叶变换提升数值分析方法效率; 惠新育等[10]基于平纹编织SiC/SiC复合材料的制备过程和组分材料分布的多尺度特征,考虑复合材料微观结构的局部近似周期特性建立纤维丝尺度和纤维束尺度单胞模型,使用有限元分析软件对纤维丝尺度模型的弹性性能和强度性能进行预测。目前对于复合材料实际服役过程中的承载预测研究比较少,而结构件的实际服役状态对于工程安全具有重要意义,因此本文针对复合材料结构件在实际工程应用中的承载预测方法展开研究。结构件实际的服役状态是多种因素共同决定的,在力学意义上没有相关的经验公式可以对此进行预测。但长短期记忆深度学习网络模型(long short term memory,简称LSTM)具有杰出的时序信息处理能力,其独特的记忆特性使得该模型能够将前序列数据中蕴含的信息存储下来,并在后续处理中加以利用[11-12]。因此可以用LSTM模型对已知时刻的材料服役载荷进行训练,得到未来时刻的载荷值,从而为结构件的安全评定提供依据。已有相关研究验证了LSTM模型处理时序信息的优良特性:Gers和Schtmidhuber等[13]针对样本训练序列进行规则语言学习的研究,结果表明LSTM模型优于传统的递归神经网络; Greff等[14]基于语音识别、手写识别和复调音乐3个任务系统分析8个LSTM模型的变体,验证了遗忘门和输出激活函数在LSTM模型中的关键作用; Alahi等[15]构建LSTM模型来预测人体未来运动轨迹,并且在公开数据集上演示了模型性能; Turkoglu等[16]基于LSTM网络和预先训练的CNN模型,提出一种基于LSTM的多模型预训练卷积神经网络MLP-CNNs作为植物病虫害检测的集合多数投票分类器; Qi等[17]针对日入库流量数据的非线性和日入库流量的特点提出一种基于长短时记忆神经网络的日入库流量分解-集成学习模型,采用基于对数变换的预处理方法处理流入数据的非平稳,然后将流入数据分解,对每个分解项建立基于LSTM神经网络的回归模型得到相应的预测结果。关于LSTM模型与实际工程的结合,国内也有****进行了研究:杨甲甲等[18]在对电力系统的工业负荷进行短期预测时引入LSTM模型,通过数据仿真将基于LSTM模型的预测算法和已有的短期负荷预测算法结果进行对比,结果表明LSTM模型的引入能够很好地控制预测误差; 杨国田等[19]在研究NOX排放量时将LSTM模型与主成分分析法相结合,将主成分分析法获取到的特征作为LSTM模型的输入进行排放量预测,该研究对比LSTM模型与RNN模型的预测结果验证了LSTM模型的优良性能。因此本文也通过LSTM模型进行复合材料结构件实际服役时的受载预测,但考虑LSTM神经网络的训练效果受到数据序列长度影响[20],而Kalman滤波可以根据系统的观测值对系统的内部状态进行最优估计[21-22],因此本文将其与Kalman滤波相结合来提高预测精度。利用LSTM架构准确捕捉输入输出之间的状态转移关系,结合Kalman滤波的状态空间模型对载荷值进行预测,既可以在一定程度上克服训练数据序列长度对传统LSTM神经网络的影响,又能摆脱传统Kalman滤波对动力学模型的依赖使得模型可以从数据中学习。
1 LSTM神经网络LSTM网络具有杰出的时序信息处理能力,该模型能够将前序列数据中蕴含的信息存储下来,并在后续处理中加以利用。LSTM模型的结构如图 1所示,主要有遗忘门、输入门和输出门3个部分。
Fig. 1
Download: JPG
larger image
图 1 LSTM结构图 Fig. 1 Structure of LSTM
图 1 LSTM结构图

Fig. 1 Structure of LSTM -->

遗忘门结构用来筛选上一时刻的细胞状态,决定上一时刻的状态信息ct-1有哪些要保留到当前时刻的状态信息ct中。这一过程通过Sigmoid函数对上一时刻状态ht-1和当前时刻输入xt进行处理得到一个0~1之间的数值ft,将这个权重作用到ct-1,此结构对状态信息执行的计算可表示为
$\boldsymbol{f}_{t}=\sigma\left(\boldsymbol{W}_{f h} \boldsymbol{h}_{t-1}+\boldsymbol{W}_{f x} \boldsymbol{x}_{t-1}+\boldsymbol{b}_{f}\right).$ (1)
输入门结构用来筛选当前时刻的输入信息,决定这些输入信息中有哪些可以存放到当前时刻的状态信息中。这一过程通过Sigmoid函数输出一个0~1之间的数值作用于当前时刻的输入信息来完成,此结构对信息执行的计算为
$\boldsymbol{i}_{t}=\sigma\left(\boldsymbol{W}_{i h} \boldsymbol{h}_{t-1}+\boldsymbol{W}_{i x} \boldsymbol{x}_{t-1}+\boldsymbol{b}_{i}\right) .$ (2)
状态层结构主要包含σ层和tanh层两个部分:σ层用来确定将要更新的信息;tanh层用来产生候选值向量${{\mathit{\boldsymbol{\tilde C}}}_t}$加入到细胞状态中,从而完成状态信息的更新,即将Ct-1更新为Ct。状态层对信息执行的计算为
$\widetilde{\boldsymbol{C}}_{t}=\tanh \left(\boldsymbol{W}_{c h} \boldsymbol{h}_{t-1}+\boldsymbol{W}_{c x} \boldsymbol{x}_{t}+\boldsymbol{b}_{c}\right), $ (3)
$\boldsymbol{C}_{t}=\boldsymbol{f}_{t} \cdot \boldsymbol{C}_{t-1}+\boldsymbol{i}_{t} \cdot \widetilde{\boldsymbol{C}}_{t}.$ (4)
输出门结构用来控制信息输出,读取ht-1xt,经σ函数处理输出0~1之间的数值ot,将ot与tanh(Ct)的乘积作为输出信息ht。此结构能够确定哪些信息可以传递给下一个时刻,对信息执行的计算为
$\boldsymbol{o}_{t}=\sigma\left(\boldsymbol{W}_{o h} \boldsymbol{h}_{t-1}+\boldsymbol{W}_{o x} \boldsymbol{x}_{t-1}+\boldsymbol{b}_{0}\right), $ (5)
$\boldsymbol{h}_{t}=\boldsymbol{o}_{t} \cdot \tanh \left(\boldsymbol{C}_{t}\right).$ (6)
2 卡尔曼滤波卡尔曼滤波的基本模型是状态空间模型,此模型描述系统内部因素的发展变化,同时也对系统内部状态和观测值之间的关联进行了表达。状态空间模型实际上是一个隐藏的马尔可夫模型,系统当前时刻的状态仅依赖于上一时刻的状态,此模型建立在系统线性和高斯白噪声的基础上。
2.1 卡尔曼滤波的状态空间模型假设系统的状态为Xn,观测值为Yn,下标n(n取1, 2, 3, …)表示系统所处时刻,则系统的状态空间模型为:
$\boldsymbol{X}_{n} =\boldsymbol{A} \boldsymbol{X}_{n-1}+\boldsymbol{W}_{n}, \boldsymbol{W}_{n} \sim N(0, \boldsymbol{Q}), $ (7)
$\boldsymbol{Y}_{n} =\boldsymbol{H} \boldsymbol{Y}_{n-1}+\boldsymbol{V}_{n}, \boldsymbol{V}_{n} \sim N(0, \boldsymbol{P}), $ (8)
其中: Wn为状态噪声,Vn为观测噪声,并且有:E(Wn)=E(Vn)=0, E(WnWm)=Qnδmn, E(VnVm)=Pnδmn, (δ的下标m, n表示两个时刻),在矩阵AHQP已知的前提下,卡尔曼滤波器基于最小均方误差得到n时刻系统状态的最优估计${{\mathit{\boldsymbol{\hat X}}}_n}$
卡尔曼滤波器通过一个迭代反馈环实现最优估计,该反馈环包含两个过程:预测过程和校正过程。
2.2 卡尔曼滤波的预测过程根据系统在n-1时刻的状态Xn-1,基于正交性原理预测n时刻系统的状态Xn,对于系统当前状态均值的估计与系统当前时刻的观测值无关:Xn=proj{Y1, Y2, …,Yn-1}Xn,“proj{Y1, Y2, …,Yn-1}Xn”表示Xn在{Y1, Y2, …,Yn-1}空间的投影,根据式(7)可以得到$\mathit{\boldsymbol{\hat X}}_n^\prime = \mathit{\boldsymbol{A}}pro{j_{\left\{ {{Y_1}, {Y_2}, \cdots , {Y_{n - 1}}} \right\}}}{\mathit{\boldsymbol{X}}_{n - 1}} = \mathit{\boldsymbol{A}}{{\mathit{\boldsymbol{\hat X}}}_{n - 1}}$
同时,得到预测误差的协方差阵$\mathit{\boldsymbol{\hat R}}_n^\prime $=E((Xn-$\mathit{\boldsymbol{\hat X}}_n^\prime $)(Xn-$\mathit{\boldsymbol{\hat X}}_n^\prime $)T)=A${{\mathit{\boldsymbol{\hat R}}}_{n - 1}}$AT+Q
因此预测过程得到
$\hat{\boldsymbol{X}}_{n}^{\prime}=\boldsymbol{A} \hat{\boldsymbol{X}}_{n-1}, $ (9)
$\hat{\boldsymbol{R}}_{n}^{\prime}=\boldsymbol{A} \hat{\boldsymbol{R}}_{n-1} \boldsymbol{A}^{\mathrm{T}}+\boldsymbol{Q} .$ (10)
2.3 卡尔曼滤波的校正过程计算滤波过程的卡尔曼增益Kn,利用Knn时刻预测误差的协方差阵$\mathit{\boldsymbol{\hat R}}_n^\prime $得到系统n时刻状态Xn的均值和协方差阵。根据n时刻系统状态均值的预测值得到状态均值$\mathit{\boldsymbol{\hat X}}_n^\prime \to {{\mathit{\boldsymbol{\hat X}}}_n}$:令Yn=Zn+On,其中On=proj{Y1, Y2, …,Yn-1}Yn,“proj{Y1, Y2, …,Yn-1}Yn”表示Yn在{Y1, Y2, …,Yn-1}空间的投影,Zn是与{Y1, Y2, …,Yn-1}正交的部分,称为新息。据此可以得到
$\begin{array}{l}\hat{\boldsymbol{X}}_{n}={proj}_{\left\{Y_{1}, Y_{2}, \cdots, Y_{n}\right\}} \boldsymbol{X}_{n}\\\ \ \ \ \ \ ={proj}_{\left\{Y_{1}, Y_{2}, \cdots, Y_{n-1}\right\}} \boldsymbol{X}_{n}+{proj}_{\left\{Z_{n}\right\}} \boldsymbol{X}_{n} \\\ \ \ \ \ \ =\hat{\boldsymbol{X}}_{n}^{\prime}+\boldsymbol{K}_{n} \cdot \boldsymbol{Z}_{n} \\\ \ \ \ \ \ =\hat{\boldsymbol{X}}_{n}^{\prime}+\boldsymbol{K}_{n}\left(\hat{\boldsymbol{Y}}_{n}-\boldsymbol{O}_{n}\right) \\\ \ \ \ \ \ =\hat{\boldsymbol{X}}_{n}^{\prime}+\boldsymbol{K}_{n}\left(\hat{\boldsymbol{Y}}_{n}-\boldsymbol{H} \hat{\boldsymbol{X}}_{n}^{\prime}\right).\end{array}$
根据n时刻系统状态预测的协方差得到系统状态的协方差
$\begin{aligned}\hat{\boldsymbol{R}}_{n} &=E\left(\left(\boldsymbol{X}_{n}-\hat{\boldsymbol{X}}_{n}\right)\left(\boldsymbol{X}_{n}-\hat{\boldsymbol{X}}_{n}\right)^{\mathrm{T}}\right) \\&=\left(\boldsymbol{I}-\boldsymbol{K}_{n} \boldsymbol{H}\right) \hat{\boldsymbol{R}}_{n}^{\prime}\left(\boldsymbol{I}-\boldsymbol{K}_{n} \boldsymbol{H}\right)^{\mathrm{T}}+\boldsymbol{K}_{n} \boldsymbol{P} \boldsymbol{K}_{n}^{\mathrm{T}}.\end{aligned}$
计算卡尔曼增益Kn=E(XnZn)(E(Zn2))-1=$\mathit{\boldsymbol{\hat R}}_n^\prime $HT(H$\mathit{\boldsymbol{\hat R}}_n^\prime $HT+P)-1,将卡尔曼增益Kn的表达式代入上面${{\mathit{\boldsymbol{\hat R}}}_n}$的表达式并化简得到${{\mathit{\boldsymbol{\hat R}}}_n}$=(I-KnH)$\mathit{\boldsymbol{\hat R}}_n^\prime $
因此校正过程得到3个关系式:
$\boldsymbol{K}_{n}=\hat{\boldsymbol{R}}_{n}^{\prime} \boldsymbol{H}^{\mathrm{T}}\left(\boldsymbol{H} \hat{\boldsymbol{R}}_{n}^{\prime} \boldsymbol{H}^{\mathrm{T}}+\boldsymbol{P}\right)^{-1}, $ (11)
$\hat{\boldsymbol{X}}_{n}=\hat{\boldsymbol{X}}_{n}^{\prime}+\boldsymbol{K}_{n}\left(\hat{\boldsymbol{Y}}_{n}-\boldsymbol{H} \hat{\boldsymbol{X}}_{n}^{\prime}\right) , $ (12)
$\hat{\boldsymbol{R}}_{n}=\left(\boldsymbol{I}-\boldsymbol{K}_{n} \boldsymbol{H}\right) \hat{\boldsymbol{R}}_{n}^{\prime}.$ (13)
3 LSTM-KF模型搭建将LSTM的信息记忆功能与Kalman滤波的预测过程相结合:将前一时刻系统状态的均值${{\mathit{\boldsymbol{\hat X}}}_{n - 1}}\;$作为LSTM的输入,通过LSTM结构的处理得到系统当前时刻状态均值的预测值$\mathit{\boldsymbol{\hat X}}_n^\prime $,之后通过对预测值进行多项式拟合得到预测误差的传递系数矩阵继而进行卡尔曼滤波。
LSTM-KF模型结构如图 2所示,其状态空间模型可表示为
$\boldsymbol{X}_{n}=f\left(\boldsymbol{X}_{n-1}\right)+\boldsymbol{W}_{n}, \boldsymbol{W}_{n} \sim N(0, \boldsymbol{Q}), $ (14)
$\boldsymbol{Y}_{n}=\boldsymbol{X}_{n}+\boldsymbol{V}_{n}, \boldsymbol{V}_{n} \sim N(0, \boldsymbol{P}).$ (15)
Fig. 2
Download: JPG
larger image
图 2 LSTM-KF结构 Fig. 2 Structure of LSTM-KF
图 2 LSTM-KF结构

Fig. 2 Structure of LSTM-KF -->

LSTM-KF模型仍然包括预测和校正两个过程,不同的是根据系统在n-1时刻的状态Xn-1来预测n时刻系统的状态Xn这一过程不再通过预先确定的模型得到,而是将前一时刻系统状态的均值${{\mathit{\boldsymbol{\hat X}}}_{n - 1}}$作为LSTM的输入,通过LSTM结构的处理得到系统当前时刻状态均值的预测值$\mathit{\boldsymbol{\hat X}}_n^\prime $,通过多项式拟合得到LSTM-KF的状态转移关系,再结合Kalman滤波结构得到n时刻系统的状态Xn,结合式(9)、式(10) LSTM-KF的预测过程表示为
$\hat{\boldsymbol{X}}_{n}^{\prime}=f\left(\hat{\boldsymbol{X}}_{n-1}\right), $ (16)
$\hat{\boldsymbol{R}}_{n}^{\prime}=\boldsymbol{F} \hat{\boldsymbol{R}}_{n-1} \boldsymbol{F}^{\mathrm{T}}+\boldsymbol{Q} .$ (17)
结合式(11)~式(13)LSTM-KF的校正过程表示为
$\boldsymbol{K}_{n}=\hat{\boldsymbol{R}}_{n}^{\prime}\left(\hat{\boldsymbol{R}}_{n}^{\prime}+\boldsymbol{P}\right)^{-1}, $ (18)
$\hat{\boldsymbol{X}}_{n}=\hat{\boldsymbol{X}}_{n}^{\prime}+\boldsymbol{K}_{n}\left(\hat{\boldsymbol{Y}}_{n}-\hat{\boldsymbol{X}}_{n}^{\prime}\right), $ (19)
$\hat{\boldsymbol{R}}_{n}=\left(\boldsymbol{I}-\boldsymbol{K}_{n}\right) \hat{\boldsymbol{R}}_{n}^{\prime} .$ (20)
Yn?n分别表示系统n时刻的观测值与状态均值,那么损失函数可以定义为
$L=\frac{1}{N} \sum\limits_{n=1}^{N}\left\|\boldsymbol{Y}_{n}-\hat{\boldsymbol{Y}}_{n}\right\| .$ (21)
4 LSTM-KF模型训练结果分析针对LSTM-KF模型用MATLAB进行仿真,训练数据集选取玻璃纤维增强复合材料试件承载过程的载荷值,存取1 109个时刻的载荷值,将前80%作为训练数据去预测后20%的载荷值。
4.1 训练数据集获取本文制备玻璃纤维增强复合材料试件,对其施加4点弯曲载荷进行训练数据集获取,试件制备原材料及试验用仪器设备如表 1所示。
Table 1
表 1 试件制备原材料试验用仪器设备Table 1 Materials of specimen and equipment for test
材料名称材料明细设备名称设备型号
玻璃纤维单轴布ECW 600-1 270, 600 g/m2微机控制、电子万能试验机CMT 5305
环氧树脂Araldite LY 1 564 SP全波形声发射仪DS2A
环氧树脂固化剂Aradur 3 486声发射传感器RS-2A
其他材料玻璃模板、脱膜布、导流网、密封胶、树脂管真空干燥箱、真空泵DZF-1AS、V-i120SV

表 1 试件制备原材料试验用仪器设备Table 1 Materials of specimen and equipment for test

本研究制备的玻璃纤维增强复合材料试件,其尺寸依据ASTM D6272—2000标准确定。预先剪裁玻璃纤维单轴布尺寸为200 mm×200 mm,每个试件铺设12层玻璃纤维单轴布,环氧树脂和环氧树脂固化剂以100:34质量比混合配置胶黏剂,对玻璃纤维复合材料层板进行真空灌注。最后按照尺寸使用切割机将制备好的玻璃纤维增强复合材料层板切割成160 mm×25 mm的试验试件,如图 3所示。
Fig. 3
Download: JPG
larger image
图 3 复合材料试件示意图 Fig. 3 Diagram of composite specimen
图 3 复合材料试件示意图

Fig. 3 Diagram of composite specimen -->

本研究在万能拉伸试验机上进行玻璃纤维增强复合材料试件的4点弯曲载荷加载试验,万能拉伸试验机选择“材料室温压缩试验”模式,采用位移控制加载,加载速率为5 mm/min。试件加载过程中利用声发射仪对试件承载信号进行采集,加载前需要将声发射传感器(频率范围为100~450 kHz,中心频率为150 kHz)均匀涂抹真空油脂并用胶带固定在试件两端,力学性能测试系统如图 4所示。
Fig. 4
Download: JPG
larger image
图 4 试件载荷加载试验系统 Fig. 4 Load test system for specimen
图 4 试件载荷加载试验系统

Fig. 4 Load test system for specimen -->

4.2 LSTM-KF模型与LSTM模型性能比较通过仿真分别得到LSTM与LSTM-KF模型的预测载荷值,将这2种模型得到的预测值与实际值作比较做出模型性能分析,如图 5所示。
Fig. 5
Download: JPG
larger image
图 5 仿真过程及结果 Fig. 5 Simulation process and results
图 5 仿真过程及结果

Fig. 5 Simulation process and results -->

图 5(a)可以看出数据训练过程中随着数据规模的不断扩大,均方误差值以及损失函数值都呈下降趋势,最后趋近于零。分析图 5(b)中的训练曲线:LSTM-KF模型的性能优于独立的LSTM模型,LSTM-KF的预测曲线更接近后20%加载期间的实际载荷值;定量分析LSTM-KF与LSTM模型所预测的玻璃纤维增强复合材料试件承载值发现LSTM-KF模型的预测误差将LSTM模型的预测误差从0.033 kN减小到0.016 kN,降幅为51.52%。
4.3 模型稳定性分析改变神经网络的初始参数,规定不同的神经网络隐藏单元数以及学习速率下降因子,模型性能分析如图 6表 2表 3所示。
Fig. 6
Download: JPG
larger image
图 6 基于不同参数的模型性能分析 Fig. 6 Performance analysis of model based on different parameters
图 6 基于不同参数的模型性能分析

Fig. 6 Performance analysis of model based on different parameters -->


Table 2
表 2 基于不同神经网络隐藏层数的模型性能分析Table 2 Performance analysis of model based on different hidden layers of neural networks
神经网络
隐藏单
元数
模型预测值
均值/kN
预测误
差/kN
性能
提升/
%
150LSTM3.247-0.02751.85
LSTM-KF3.251-0.013
180LSTM3.240-0.02552.00
LSTM-KF3.252-0.012
190LSTM3.2710.00757.14
LSTM-KF3.2680.003
200LSTM3.231-0.03351.52
LSTM-KF3.248-0.016
210LSTM3.251-0.01353.85
LSTM-KF3.258-0.006
220LSTM3.222-0.04250.00
LSTM-KF3.244-0.021
250LSTM3.2880.02450.00
LSTM-KF3.2760.012

表 2 基于不同神经网络隐藏层数的模型性能分析Table 2 Performance analysis of model based on different hidden layers of neural networks


Table 3
表 3 基于不同学习速率下降因子的模型性能分析Table 3 Performance analysis of model based on different learning rate degradation factors
学习速率
下降因子
模型预测值
均值/kN
预测误
差/kN
性能
提升/
%
0.05LSTM3.2670.00366.67
LSTM-KF3.2660.001
0.1LSTM3.257-0.00850.00
LSTM-KF3.260-0.004
0.3LSTM3.2880.02450.00
LSTM-KF3.2760.012
0.5LSTM3.2840.02050.00
LSTM-KF3.2740.010
0.7LSTM3.260-0.00450.00
LSTM-KF3.262-0.002
0.9LSTM3.214-0.05052.00
LSTM-KF3.240-0.024
1LSTM3.237-0.02751.85
LSTM-KF3.251-0.013

表 3 基于不同学习速率下降因子的模型性能分析Table 3 Performance analysis of model based on different learning rate degradation factors

图 6中4个图分别描述不同隐藏层数和不同学习速率下降因子对应的数据序列预测结果,从图中可以看出改变神经网络隐藏层数和学习速率下降因子,LSTM-KF模型对应的预测结果相互之间较为接近,其预测稳定性高于LSTM模型。结合表 2表 3数据可以看到对应不同隐藏层数和学习速率下降因子时,LSTM-KF模型的预测性能较LSTM模型稳定提升约50%。由此验证了LSTM神经网络和Kalman滤波相结合的复合材料承载预测方法的可行性。
5 结论本文提出一种LSTM神经网络和Kalman滤波相结合的复合材料承载预测方法,利用LSTM架构准确捕捉输入输出之间的状态转移关系,结合Kalman滤波的状态空间模型对载荷值进行预测。仿真结果表明,本文提出的预测方法表现出优良的性能:LSTM-KF模型的预测性能优于独立的LSTM,LSTM-KF的预测曲线更接近后20%加载期间的实际载荷值;定量分析LSTM-KF与LSTM所预测的玻璃纤维增强复合材料试件受力载荷值发现:LSTM-KF模型的预测误差将LSTM模型的预测误差从0.033 0 kN减小到0.016 0 kN,降幅为51.52%;对应不同隐藏层数和学习速率下降因子时,LSTM-KF模型的预测性能较LSTM模型稳定提升约50%。由此验证了LSTM神经网络和Kalman滤波相结合的复合材料承载预测方法的可行性。

参考文献
[1] 石文静, 高峰, 柴洪友. 复合材料在航天器结构中的应用与展望[J]. 宇航材料工艺, 2019, 49(4): 1-6.
[2] 门永林, 楚永萍, 冯遵委. 纤维增强复合材料在转向架上的应用研究[J]. 铁道机车车辆, 2019, 39(3): 92-94, 100.
[3] 王胜光, 张永利, 毕孝法, 等. 碳纤维复合材料在轨道交通车辆空调机壳体上的应用[J]. 城市轨道交通研究, 2019, 22(5): 188-191.
[4] 牟文珺, 桂洪斌. 复合材料基座在船舶设备振动传递控制中的应用[J]. 舰船科学技术, 2019, 41(2): 50-55.
[5] 孙佳伟, 傅少君, 叶建乔, 等. UHTCC三点弯曲梁裂纹扩展的数值模拟研究[J]. 水利水电技术, 2019, 50(5): 136-142.
[6] 徐世烺, 陈超, 李庆华, 等. 超高韧性水泥基复合材料动态压缩力学性能的数值模拟研究[J]. 工程力学, 2019, 36(9): 50-59.
[7] 林皋, 张鹏冲. 板结构计算模型的新发展[J]. 计算力学学报, 2019, 36(4): 429-440.
[8] 贾利勇, 廖斌斌, 于龙, 等. 基于Puck理论的复合材料层合板横向剪切失效分析[J]. 复合材料学报, 2019, 36(10): 2286-2293.
[9] 杨万友, 王家序, 黄彦彦, 等. 热载荷作用下颗粒增强复合材料温升分布数值模拟[J]. 上海交通大学学报, 2019, 53(11): 1342-1351.
[10] 惠新育, 许英杰, 张卫红, 等. 平纹编织SiC/SiC复合材料多尺度建模及强度预测[J]. 复合材料学报, 2019, 36(10): 2380-2388.
[11] Smagulova K, James A P. A survey on LSTM memristive neural network architectures and applications[J]. The European Physical Journal Special Topics, 2019, 228(10): 2313-2324. Doi:10.1140/epjst/e2019-900046-x
[12] 周永生. 基于LSTM神经网络的PM2.5预测[D]. 长沙: 湖南大学, 2018.
[13] Gers F A, Schtmidhuber E. LSTM recurrent networks learn simple context-free and context-sensitive languages[J]. IEEE Transactions on Neural Networks, 2001, 12(6): 1333-1340. Doi:10.1109/72.963769
[14] Greff K, Srivastava R K, Koutník J, et al. LSTM A search space odyssey[J]. IEEE Transactions on Neural Networks and Learning Systems, 2017, 28(10): 2222-2232. Doi:10.1109/TNNLS.2016.2582924
[15] Alahi A, Goel K, Ramanathan V, et al. Social LSTM: Human trajectory prediction in crowded spaces[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas: IEEE, 2016: 961-971.
[16] Turkoglu M, Hanbay D, Sengur A. Multi-model LSTM-based convolutional neural networks for detection of apple diseases and pests[J]. Journal of Ambient Intelligence and Humanized Computing, 2019, 1-11.
[17] Qi Y T, Zhou Z N, Yang L L, et al. A decomposition-ensemble learning model based on LSTM neural network for daily reservoir inflow forecasting[J]. Water Resource Management, 2019, 33: 4123-4139. Doi:10.1007/s11269-019-02345-1
[18] 杨甲甲, 刘国龙, 赵俊华, 等. 采用长短期记忆深度学习模型的工业负荷短期预测方法[J]. 电力建设, 2018, 39(10): 20-27.
[19] 杨国田, 张涛, 王英男, 等. 基于长短期记忆神经网络的火电厂NOx排放预测模型[J]. 热力发电, 2018, 47(10): 12-17.
[20] 许宁, 徐昌荣. 改进型LSTM变形预测模型研究[J]. 江西理工大学学报, 2018, 39(5): 45-51.
[21] Kalman R E. A new approach to linear filtering and prediction problems[J]. Journal of Basic Engineering, 1960, 82(1): 35-45. Doi:10.1115/1.3662552
[22] Haykin S. Adaptive Filter Theory, Fifth Edition[M]. Andhra Pradesh: Department of Electronics and Communication Engineering GMR Institute of Technology Rajam, 2014: 409-435.


相关话题/系统 过程 数据 信息 结构