基于深度学习的结构响应虚拟传感器技术研究

作     者：孙善斌 

作者单位：北京理工大学 

学位级别：硕士

导师姓名：贺媛媛

授予年度：2018年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080202[工学-机械电子工程] 08[工学] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：虚拟传感器 结构响应预示 部分位置响应 卷积神经网络 卷积长短时记忆网络 

摘      要：随着工程结构的不断发展,基于响应的结构健康监测、损伤识别和振动主动控制等方法在很多领域得到了广泛的应用。然而,在机械和航空航天等领域中,由于工作环境恶劣、布线的限制等,经常会出现物理传感器无法安装在目标位置的情况。因此,发展一种通过部分位置响应对目标位置动力学响应进行预示的方法便具有很重要的意义。本文对结构响应虚拟传感器方法展开研究,主要研究工作如下:（1）总结和分析虚拟传感器和深度学习方法的研究进展和发展现状,为进一步发展结构响应虚拟传感器方法提供基础和参考。（2）介绍了结构响应传递率方程,为时不变系统响应虚拟传感器提供理论基础和启发;对深度前馈神经网络、卷积神经网络和循环神经网络中的长短时记忆网络和卷积长短时记忆网络进行总结,为响应虚拟传感器模型的提出奠定理论基础。（3）以结构响应传递率为启发,引入卷积神经网络,提出了一种由两层卷积层、一层隐藏层和一层输出层组成的四层神经网络模型,作为时不变结构响应虚拟传感器模型,并成功实现了结构响应的预示。（4）以时不变结构响应虚拟传感器模型为基础,以时变的带有外部输入的自回归模型为启发,引入卷积长短时记忆网络,提出了一种由两层卷积长短时记忆层、一层隐藏层和一层输出层组成的四层神经网络模型,作为周期时变结构响应虚拟传感器模型,并成功预示了周期时变结构的响应。（5）利用时不变简支梁实验系统和周期时变移动质量梁实验系统,分别验证了本文提出的时不变系统响应虚拟传感器和周期时变结构响应虚拟传感器的效果。并将所提出时不变虚拟传感器方法与已有虚拟传感器方法进行对比。实验结果表明,本文所提出的两种虚拟传感器方法分别能够准确地完成时不变结构和周期时变结构的响应预示。对比结果表明本文提出的基于卷积神经网络的时不变结构响应虚拟传感器具有更高的精度,同时能够应对测量位置较少的情况。