【技術實現(xiàn)步驟摘要】
本專利技術涉及一種基于貝葉斯優(yōu)化cnn-lstm的壓電執(zhí)行器溫升預測方法，具體屬于電子電器。
技術介紹
1、隨著工業(yè)與制造業(yè)、光學儀器、醫(yī)療行業(yè)、航空航天、軍事領域、消費電子等領域的快速發(fā)展，壓電執(zhí)行器這種能將電能轉換為機械能的裝置應運而生。由于具有精度高、行程靈活、不受外部電磁干擾及結構可擴展等優(yōu)勢，采用壓電驅動技術的執(zhí)行器可以通過機電耦合將輸入電能精確地轉換為位移、力或運動輸出；
2、現(xiàn)有的壓電執(zhí)行器在同一溫度下工作時具有良好的線性度，在溫度變化的環(huán)境中工作，由于材料特性的變化，會伴有靈敏度溫升現(xiàn)象，其性能參數(shù)(如位移、力、電壓等)會發(fā)生變化，進而影響檢測精度問題。為了改善壓電執(zhí)行器的輸出性能，提高壓電執(zhí)行器的機電轉換能力，為此提出了一種基于卷積神經(jīng)網(wǎng)絡(cnn)和長短期記憶網(wǎng)絡(lstm)結合的的壓電執(zhí)行器溫升預測方法用于壓電機電轉換系統(tǒng)，并通過貝葉斯優(yōu)化預測結果，以期望采用此預測方法提高系統(tǒng)穩(wěn)定性。
技術實現(xiàn)思路
1、本專利技術的目的是提供一種基于貝葉斯優(yōu)化cnn-lstm的壓電執(zhí)行器溫升預測方法，以解決壓電執(zhí)行器系統(tǒng)中溫升對系統(tǒng)精度和穩(wěn)定性的不良影響，設計了一個基于cnn-lstm壓電執(zhí)行器溫升預測模型，在線預測壓電執(zhí)行器溫升大小，并對預測結果進行優(yōu)化，從而通過預測溫升使得壓電執(zhí)行器獲得更高的穩(wěn)定性。
2、為解決上述技術問題，本專利技術采用的技術方案步驟具體包括：
3、步驟1、采集溫升數(shù)據(jù)；
4、步驟2、構建訓練數(shù)據(jù)；>
5、步驟3、cnn輸入數(shù)據(jù)；
6、步驟4、lstm輸入數(shù)據(jù)；
7、步驟5、貝葉斯優(yōu)化；
8、步驟6、得出最終預測結果；
9、進一步的，通過貝葉斯優(yōu)化對cnn-lstm模型的參數(shù)自動調優(yōu)，貝葉斯優(yōu)化通過構建代理模型來逼近目標函數(shù)，并利用采集函數(shù)指導搜索過程，減少了對目標函數(shù)的評估次數(shù)，從而提高計算效率，進一步提高對壓電執(zhí)行器溫升現(xiàn)象的預測效果。
10、步驟1中采集溫升數(shù)據(jù)的具體操作包括根據(jù)壓電執(zhí)行器的工作溫度范圍和精度要求；選擇熱電偶作為溫度傳感器；通過變送器對電信號進行放大和濾波處理；通過無線方式將數(shù)據(jù)傳輸?shù)絧lc或監(jiān)控系統(tǒng)，進行進一步的處理、記錄和顯示。
11、進一步的，熱電偶能夠檢測溫度變化并將其轉換為電信號，由于熱電偶信號較弱，因此需要通過變送器進行放大和濾波處理，以消除噪聲并確保信號的準確性，再通過變送器將熱電偶產(chǎn)生的熱電勢電流信號轉換成標準電壓信號。
12、步驟1處理后的溫升漂移數(shù)據(jù)以時間順序合并為數(shù)據(jù)矩陣，前67％數(shù)據(jù)作為訓練集，后33％數(shù)據(jù)作為測試集。
13、進一步的，步驟2的訓練集作為cnn輸入數(shù)據(jù)，使用cnn方法提取并融合溫升數(shù)據(jù)的數(shù)據(jù)特征，cnn過程如下式：
14、y(i,j)＝δ([w]*[xi,j]+b)??(1)，
15、公式(1)中，y(i，j)為cnn輸出的特征數(shù)據(jù)，δ為tanh激活函數(shù)，*為卷積符號，[w]為二維卷積核，[xi，j]為卷積區(qū)域內(nèi)的滑坡深部位移和地下水位，m為數(shù)據(jù)所在行數(shù)行數(shù)，n為數(shù)據(jù)所在列數(shù)，l為卷積核移動步長，b為偏置參數(shù)。
16、進一步的，步驟3中cnn輸出的特征數(shù)據(jù)作為lstm輸入數(shù)據(jù)，得到輸出數(shù)據(jù)即為訓練集預測結果，并根據(jù)預測結果計算損失函數(shù)，對cnn和lstm進行參數(shù)優(yōu)化，通過迭代循環(huán)的方式確定cnn-lstm方法的最佳參數(shù)，lstm過程如下式：
17、ft＝σ(wih·ht-1+wfx·xt+bf)??(2)，
18、it＝σ(wih·ht-1+wix·xt+bi)??(3)，
19、ot＝σ(wih·ht-1+wox·xt+bo)??(4)，
20、ht＝ot·tanh(ct)?(5)，
21、公式(2)至(5)中，f為遺忘門，i為輸入門，o為輸出門，σ為sigmoid函數(shù)，h(t-1)為t-1時刻的輸出，xt為t時刻輸入的滑坡深部位移特征數(shù)據(jù)，w為各數(shù)據(jù)的權值，b為各偏置項，ct為t時刻的細胞狀態(tài)，c(t-1)為t-1時刻細胞狀態(tài)，ht為t時刻的輸出。
22、進一步的，步驟5中通過貝葉斯定理來指導搜索以找到目標函數(shù)的最小值或最大值，即利用之前的搜索點來確定下一步搜索點，并用高斯過程來建立目標函數(shù)的前驗和后驗模型；貝葉斯優(yōu)化過程如下：
23、步驟501、定義目標函數(shù)，目標函數(shù)f(x)是要最大化或者最小化的函數(shù)，其中x是參數(shù)向量；
24、步驟502、選擇代理模型，使用高斯過程(gaussian?process，gp)作為代理模型來模擬目標函數(shù)，高斯過程定義：
25、f(x)～gp(m(x),k(x,x'))(6)，
26、公式(6)中，m(x)是均值函數(shù)(通常假設為0)，k(x，x’)是核函數(shù)；
27、步驟503、選擇采集函數(shù)；
28、步驟504、初始化，選擇初始點xinit進行評估，并使用這些點來訓練高斯過程模型；
29、步驟505、迭代優(yōu)化，在每次迭代中，使用采集函數(shù)選擇下一個評估點xnext
30、xnext＝argmaxxα(x)?(7)，
31、步驟506、評估目標函數(shù)f(xnext)在該點的值，更新高斯過程模型，包括均值和方差：
32、μ(xnew)＝k(xnew,x)k-1yσ2(xnew)＝k(xnew,xnew)-k(xnew,x)k-1k(x,xnew)??(8)，
33、
34、公式(8)中，k是核矩陣，k(xnew,x)是新點與所有訓練點之間的核函數(shù)值向量；
35、步驟507、終止條件，重復迭代步驟，直到滿足終止條件，如達到最大迭代次數(shù)或改進小于某個閾值；
36、步驟508、返回最佳參數(shù)，根據(jù)代理模型返回最優(yōu)化的參數(shù)x*，
37、x*＝arg?maxx∈xμ(x)?(9)，
38、公式(7)和(9)中，argmaxx是對函數(shù)求參數(shù)的函數(shù)。
39、本專利技術的有益效果是：
40、1.通過結合卷積神經(jīng)網(wǎng)絡(cnn)和長短期記憶網(wǎng)絡(lstm)，再通過貝葉斯優(yōu)化模型的預測結果，提高預測精度；使得卷積神經(jīng)網(wǎng)絡(cnn)部分能夠有效提取壓電執(zhí)行器數(shù)據(jù)的局部特征，而長短期記憶網(wǎng)絡(lstm)部分擅長捕捉時間序列數(shù)據(jù)的長期依賴關系，lstm網(wǎng)絡結構的設計加強了模型的抗噪聲能力，通過貝葉斯優(yōu)化對cnn-lstm模型的參數(shù)自動調優(yōu)，貝葉斯優(yōu)化通過構建代理模型來逼近目標函數(shù)，并利用采集函數(shù)指導搜索過程，減少了對目標函數(shù)的評估次數(shù)，從而提高計算效率，進一步提高對壓電執(zhí)行器溫升現(xiàn)象的預測效果。
本文檔來自技高網(wǎng)...【技術保護點】
1.一種基于貝葉斯優(yōu)化CNN-LSTM的壓電執(zhí)行器溫升預測方法，其特征在于，具體包括：
2.根據(jù)權利要求1所述的一種基于貝葉斯優(yōu)化CNN-LSTM的壓電執(zhí)行器溫升預測方法，其特征在于：步驟1中采集溫升數(shù)據(jù)的具體操作包括；
3.根據(jù)權利要求1所述的一種基于貝葉斯優(yōu)化CNN-LSTM的壓電執(zhí)行器溫升預測方法，其特征在于：步驟1處理后的溫升漂移數(shù)據(jù)以時間順序合并為數(shù)據(jù)矩陣，前67％數(shù)據(jù)作為訓練集，后33％數(shù)據(jù)作為測試集。
4.根據(jù)權利要求1所述的一種基于貝葉斯優(yōu)化CNN-LSTM的壓電執(zhí)行器溫升預測方法，其特征在于：步驟2的訓練集作為CNN輸入數(shù)據(jù)，使用CNN方法提取并融合溫升數(shù)據(jù)的數(shù)據(jù)特征，CNN過程如下式：
5.根據(jù)權利要求1所述的一種基于貝葉斯優(yōu)化CNN-LSTM的壓電執(zhí)行器溫升預測方法，其特征在于：步驟3中CNN輸出的特征數(shù)據(jù)作為LSTM輸入數(shù)據(jù)，得到輸出數(shù)據(jù)即為訓練集預測結果，并根據(jù)預測結果計算損失函數(shù)，對CNN和LSTM進行參數(shù)優(yōu)化，通過迭代循環(huán)的方式確定CNN-LSTM方法的最佳參數(shù)，LSTM過程如下式：
6.根
7.根據(jù)權利要求1所述的一種基于貝葉斯優(yōu)化CNN-LSTM的壓電執(zhí)行器溫升預測方法，其特征在于：步驟5中貝葉斯優(yōu)化過程如下：
8.根據(jù)權利要求1所述的一種基于貝葉斯優(yōu)化CNN-LSTM的壓電執(zhí)行器溫升預測方法，其特征在于：步驟5中的貝葉斯優(yōu)化最佳參數(shù)作為模型的最終參數(shù)，并將測試集輸入到CNN-LSTM方法中，所得的預測結果即為CNN-LSTM的最終預測結果。
...【技術特征摘要】
1.一種基于貝葉斯優(yōu)化cnn-lstm的壓電執(zhí)行器溫升預測方法，其特征在于，具體包括：
2.根據(jù)權利要求1所述的一種基于貝葉斯優(yōu)化cnn-lstm的壓電執(zhí)行器溫升預測方法，其特征在于：步驟1中采集溫升數(shù)據(jù)的具體操作包括；
3.根據(jù)權利要求1所述的一種基于貝葉斯優(yōu)化cnn-lstm的壓電執(zhí)行器溫升預測方法，其特征在于：步驟1處理后的溫升漂移數(shù)據(jù)以時間順序合并為數(shù)據(jù)矩陣，前67％數(shù)據(jù)作為訓練集，后33％數(shù)據(jù)作為測試集。
4.根據(jù)權利要求1所述的一種基于貝葉斯優(yōu)化cnn-lstm的壓電執(zhí)行器溫升預測方法，其特征在于：步驟2的訓練集作為cnn輸入數(shù)據(jù)，使用cnn方法提取并融合溫升數(shù)據(jù)的數(shù)據(jù)特征，cnn過程如下式：
5.根據(jù)權利要求1所述的一種基于貝葉斯優(yōu)化cnn-lstm的壓電執(zhí)行器溫升預測方法，其特征在于：步驟3中cnn輸出的特征數(shù)據(jù)作為lstm輸入數(shù)據(jù)，...
【專利技術屬性】
技術研發(fā)人員：亓雪，趙美婷，譚秋林，樊磊，
申請(專利權)人：中北大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。