技术领域
[0001] 本
发明涉及载荷谱处理技术领域，具体为一种基于长短期记忆网络的载荷谱外推方法。
背景技术
[0002] 在
汽车或零部件的开发过程中，可靠性均需要进行道路试验进行检验。根据损伤等效原理，在已知用户使用环境下汽车载荷输入，理论上可通过在试验场里按照一定比例混合各种强化路面，复现出用户工况下的载荷输入。通过试验场的强化路面，可以在较短的时间内完成可靠性验证试验，达到减少试验时间、缩短研发周期的目的。出于研发成本和时间的考虑，一般用户使用环境的汽车载荷输入，不会以目标里程为基准进行载荷谱采集，而是根据用户道路比例分布情况，按类型进行采集，在样本量足够的前提下，进行载荷谱外推，实现目标里程下的载荷谱获取。
[0003] 目前较为典型的外推方法包含：参数外推法、按里程分位点外推法、峰值(Peak Over Threshold，POT)外推法、雨流矩阵外推法[1-3]等。其中参数外推法的原理是获取载荷谱均、幅值的二维概率分布函数，基于概率
密度分布函数以及外推目标里程，将相应的累积频次进行外推。POT外推法认为载荷谱时间序列中超过
阈值的峰值服从峰值分布，通过对超过阈值的峰值的概率密度函数的拟合，基于概率密度函数对峰值进行外推。雨流矩阵外推法先将载荷谱通过雨流计数得到雨流矩阵，从雨流矩阵中选择外推的阈值计算穿越等级密度，然后通过累积雨流矩阵获取极限进行雨流矩阵估计外推。上述方法可根据载荷谱的特点或应用目的来进行选择，但往往在用分布函数进行拟合或设置阈值时引入了人为因素，且简单的分布函数不能表达高度复杂的载荷谱信息，外推载荷谱较原始载荷谱会产生较多信息丢失，外推结果需要再转化为时域程序谱作为下一步的输入。
发明内容
[0004] 本发明意在提供一种基于长短期记忆网络的载荷谱外推方法，能够使得外推载荷谱更好的表达原载荷谱的信息，可以解决
现有技术中人为因素影响大、载荷谱数据表达不完整的问题。
[0005] 为了解决上述技术问题，本
申请提供如下技术方案：
[0006] 一种基于长短期记忆网络的载荷谱外推方法，包括以下步骤：
[0007] S100：获取载荷谱数据；
[0008] S200：将载荷谱数据进行
数据处理，划分训练集和测试集；
[0009] S300：基于LSTM
算法，使用训练集进行训练，得到输入样本数据模型；
[0010] S400：通过得到的输入样本数据模型使用测试集对载荷谱数据进行外推计算。
[0011] 本发明技术方案中，采用LSTM长短期记忆网络算法模型，利用计算机学习技术进行样本数据模型的构建和载荷谱数据进行外推计算，不需要人为设置参数，外推后的载荷谱在频域图和雨流图上均能更好的保留原载荷谱的信息，可以解决现有技术中人为因素影响大、载荷谱数据保留不完整的问题。
[0012] 进一步，所述LSTM算法的单元包括
输入层、
输出层、遗忘层和状态更新层。
[0013] 通过遗忘层来对上一单元传输的内容进行选择性的处理，通过状态更新层来更新上一单元传输的记忆状态，通过输入层对输入的数据进行处理，输出层根据输入层的输入、状态更新层更新的记忆状态来生成当前单元的输出。
[0014] 进一步，所述输入层通过sigmoid函数来控制输出，所述输入层的关系式为：it＝σ(Wi·[ht-1，Xt]+bi)，it为输入层的输出，σ为sigmoid函数，Wi为输入层的权重，ht-1为上一个LSTM单元的输出结果，Xt为当前LSTM单元的输入，bi为输入层的偏置。
[0015] 通过sigmoid函数控制输出在[0，1]的范围内，控制新信息被加入的多少。
[0016] 进一步，所述状态更新层由tanh函数控制输出，状态更新层的关系式为：为状态更新层的输出，tanh为tanh函数，Wc为状态更新层
的权重，bc为状态更新层的偏置。
[0017] 在新的记忆状态Ct产生之前，会先产生临时的记忆状态 其由上一单元ht-1的影响，由非线性激活函数tanh控制输出。
[0018] 进一步，所述遗忘层由sigmoid函数控制输出，遗忘层的关系式为：ft＝σ(Wf·[ht-1，Xt]+bf)，ft为遗忘层的输出，Wf为遗忘层的权重，bf为遗忘层的偏置。
[0019] 同输入层相似，通过sigmoid函数控制输出在[0，1]的范围内，控制上一单元的记忆状态对当前的记忆单元的影响程度。
[0020] 进一步，所述输出层的关系式为：
[0021]
[0022] 其中，ht为当前LSTM单元的输出，Ct-1为上一个LSTM单元的记忆状态，Ct为当前LSTM单元的记忆状态，Wo为输出层的权重，bo为输出层的偏置。
[0023] 筛选出单元中存在的冗余信息，输出时如果已达到阈值，就将该
阀门的输出与当前层的计算结果相乘，并把得到的结果作为下一层的输入；如果未达到阈值，则“遗忘”输出结果。
[0024] 进一步，所述S300具体包括：
[0025] S310：构建样本数据模型结构；
[0026] S320：将训练后输出的数据与测试集的数据进行对比，计算两组数据的代价函数；
[0027] S330：根据S320的计算结果对各层权重和偏置进行调整，直至代价函数收敛为至。
[0028] 进一步，所述S320中采用平方损失作为代价函数。
[0029] 进一步，所述S200中的数据处理包括归一化、标准化和正则化中的一种或多种。
[0030] 进一步，所述LSTM算法定义神经元数量为100个，时间步长为20ms，批处理大小为60，学习步长为0.0001。
附图说明
[0031] 图1为本发明一种基于长短期记忆网络的载荷谱外推方法
实施例中的
流程图；
[0032] 图2为本发明一种基于长短期记忆网络的载荷谱外推方法实施例中一个单元的结构原理图；
[0033] 图3为本发明一种基于长短期记忆网络的载荷谱外推方法实施例中的偏置的变化图；
[0034] 图4为本发明一种基于长短期记忆网络的载荷谱外推方法实施例中的权重的变化图；
[0035] 图5为本发明一种基于长短期记忆网络的载荷谱外推方法实施例中卵石路原始载荷谱；
[0036] 图6为本发明一种基于长短期记忆网络的载荷谱外推方法实施例中比利时路原始载荷谱；
[0037] 图7为本发明一种基于长短期记忆网络的载荷谱外推方法实施例中卵石路外推载荷谱；
[0038] 图8为本发明一种基于长短期记忆网络的载荷谱外推方法实施例中比利时路外推载荷谱；
[0039] 图9为本发明一种基于长短期记忆网络的载荷谱外推方法实施例中卵石路载荷谱外推对比图；
[0040] 图10为本发明一种基于长短期记忆网络的载荷谱外推方法实施例中比利时路路载荷谱外推对比图；
[0041] 图11为本发明一种基于长短期记忆网络的载荷谱外推方法实施例中原始载荷谱雨流图；
[0042] 图12为本发明一种基于长短期记忆网络的载荷谱外推方法实施例中LSTM方法外推载荷谱雨流图；
[0043] 图13为本发明一种基于长短期记忆网络的载荷谱外推方法实施例中expanechekov核函数外推雨流图；
[0044] 图14为本发明一种基于长短期记忆网络的载荷谱外推方法实施例中Circle核函数外推雨流图；
[0045] 图15为本发明一种基于长短期记忆网络的载荷谱外推方法实施例中均值核函数外推雨流图；
[0046] 图16为本发明一种基于长短期记忆网络的载荷谱外推方法实施例中幅值核函数外推雨流图。
具体实施方式
[0047] 下面通过具体实施方式进一步详细说明：
[0048] 实施例一
[0049] 如图1所示，本实施例一种基于长短期记忆网络的载荷谱外推方法，包括：
[0050] S100：获取载荷谱数据；
[0051] S200：将载荷谱数据进行数据处理，划分训练集和测试集；S200中的数据处理包括归一化、标准化和正则化中的一种或多种。本实施例中采用正则化。
[0052] S300：基于LSTM算法，使用训练集进行训练，得到输入样本数据模型；S300具体包括：
[0053] S310：构建样本数据模型结构；
[0054] S320：将训练后输出的数据与测试集的数据进行对比，计算两组数据的代价函数；
[0055] S330：根据S320的计算结果对各层权重和偏置进行调整，直至代价函数收敛为止。
[0056] S320中采用平方损失作为代价函数。
[0057] S400：通过得到的输入样本数据模型使用测试集对载荷谱数据进行外推计算。
[0058] 本实施例中，LSTM算法定义神经单元数量为100个，时间步长为20ms，批处理大小为60，学习步长为0.0001。如图2所示，LSTM算法的每个神经单元包括输入层、输出层、遗忘层和状态更新层。输入层通过sigmoid函数来控制输出在[0，1]的范围内，从而控制新信息被加入的多少。输入层的关系式为：it＝σ(Wi·[ht-1，Xt]+bi)，it为输入层的输出，σ为sigmoid函数，Wi为输入层的权重，ht-1为上一个LSTM单元的输出结果，Xt为当前LSTM单元的输入，bi为输入层的偏置。
[0059] 状态 更新层由 ta nh 函数控 制输出 ，状态 更新 层的关 系式为 ：为状态更新层的输出，tanh为tanh函数，Wc为状态更新层
的权重，bc为状态更新层的偏置。
[0060] 遗忘层由sigmoid函数控制输出，遗忘层的关系式为：ft＝σ(Wf·[ht-1，Xt]+bf)，ft为遗忘层的输出，wf为遗忘层的权重，bf为遗忘层的偏置。同输入层相似，遗忘层通过sigmoid函数控制输出在[0，1]的范围内，控制上一单元的记忆状态对当前的记忆单元的影响程度。
[0061] 输出层筛选出单元中存在的冗余信息，输出时如果已达到阈值，就将该阀门的输出与当前层的计算结果相乘，并把得到的结果作为下一层的输入；如果未达到阈值，则“遗忘”输出结果的关系式为：
[0062]
[0063] 其中，ht为当前LSTM单元的输出，Ct-1为上一个LSTM单元的记忆状态，Ct为当前LSTM单元的记忆状态，Wo为输出层的权重，bo为输出层的偏置。
[0064] 具体的，本实施例中，以强化路面的载荷谱的外推为例，在样车各轮轮心处及减震器上安装
加速度
传感器、
弹簧及部分
连杆部位安装应变片，在某汽车试验场的几条主要特征强化路上进行采集，需要多次采集强化路面的载荷谱，最后取有效的载荷谱进行剔除奇异点、消除趋势项、滤波等预处理。各种试验路况信息如下表1所示：
[0065] 表1试验场主要强化路路况：
[0066]
[0067]
[0068] 本实施例中，采用基于谷歌发布的
人工智能开源工具TensorFlow建立LSTM外推模型，TensorFlow的特点是使用图来表示计算任务，图中的一个操作
节点获得0个或多个张量来执行计算，生成0个或多个张量，每个张量即是一个类型化的多维数组。TensorFlow在会话的上下文中执行图，使用张量表示数据，通过变量维护状态。
[0069] 本实施例中首先通过python环境导入TensorFlow，pandas，numpy模
块，将利用csv格式进行保存的时域谱数据通过pandas.read_csv函数读入程序，用data-numpy.mean(data))/numpy.std(data)函数进行标准化处理。在TensorFlow中已将LSTM模型封装为LSTMCell模块，本实施例中将定义神经元数量为100个，时间步长为20ms，批处理大小为60，学习步长为0.0001，在初始化输入与输出
接口后直接调用该模块，利用图1的流程进行训练。本实施例中通过NVIDIA提供的CUDA作为
硬件支撑，训练过程比用普通CPU快大约20倍，在整个
机器学习过程中，通过tensorboard可以看到整个学习过程中参数的变化，如图3和图4所示，当学习准确率达到98％时，继续学习的收益变小，可停止训练。
[0070] 利用训练得到的超参数模型即可进行外推，部分道路垂向加速度10倍外推结果如图5至图8所示。
[0071] 将LSTM方法外推数据与原始数据
频谱曲线进行对比，部分道路频谱曲线如图9和图10所示。
[0072] 在频谱图上，外推前后数据频谱在总的形态上有很好的一致性，利用Pearson相关系数法对一致性进行检验。Pearson相关系数ρX，Y是衡量数组X和Y线性关联性的程度，系数的取值总是在-1.0到1.0之间，接近0的变量被成为无相关性，接近1或者-1被称为具有强相关性。外推前后的频谱曲线，经Pearson相关系数法检验后的结果见表所示，结果见表2。经LSTM方法外推前后数据的频谱曲线有强相关性，说明该方法能对原始数据的频谱特征有很高的学习率。
[0073] 表2外推前后数据频谱曲线的相关性
[0074]路面 Pearson相关系数
卵石路 0.99
比利时路 0.95
变波矩长波路 0.97
搓板路 0.96
共振路 0.97
碎石路 0.99
[0075] 为了对本申请的技术效果进行验证，本申请还与现有的外推方法进行了对比，对载荷谱的外推，普遍采用的几种外推方法的特点如表3所示：
[0076] 表3几种外推方法对比
[0077]
[0078] 基于LSTM外推方法以及非参数核密度外推方法中分别采用expanechekov核函数、Circle核函数、均值核函数、幅值核函数对在卵石路上采集到的载荷谱进行外推，几种方法的雨流图对比，见图11至图16。
[0079] 从图11至图16的雨流图可以看出，非参数核密度外推法的分布趋于“单核”特征，LSTM方法外推分布具有“多核”特征，后者的分布情况及对各向的疏远点的复现效果更好，在实际工程运用中可选择LSTM方法进行外推。
[0080] 实施例二
[0081] 本实施例与实施例一的区别在于，本实施例中，定义神经元数量为200个，时间步长为30ms，批处理大小为80，学习步长为0.0001。
[0082] 以上的仅是本发明的实施例，该发明不限于此实施案例涉及的领域，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者
优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能
力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干
变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和
专利的实用性。本申请要求的保护范围应当以其
权利要求的内容为准，
说明书中的具体实施方式等记载可以用于解释权利要求的内容。
