[发明专利]基于深度学习的地震模拟振动台闭环控制方法

权利要求书

1.一种基于深度学习的地震模拟振动台闭环控制方法，其特征在于，步骤包括：

S1，基于循环神经网络(RNN)搭建深度网络模型作为深度学习控制器；

S2，基于三参量控制算法搭建地震模拟振动台的闭环控制仿真模型，采集地震波加速度信号、振动台反馈加速度信号和三参量控制器的输出信号作为深度网络模型的训练数据；

S3，将训练数据划分为训练集、验证集和测试集，通过监督学习训练深度网络模型直到其输入-输出关系能够逼近三参量控制器的性能；

2.根据权利要求1所述方法，其特征在于：由于振动台系统输出的加速度反馈信号是实时产生的，针对RNN依赖于完整且连续轨迹才能保存记忆的特性，提供一种非连续轨迹的输入信号处理方法，使RNN能够处理实时产生的反馈信号。

3.根据权利要求2所述一种非连续轨迹的输入信号处理方法，其特征在于：在RNN接收非连续反馈信号时，每处理一组输入和反馈信号(a_t,a’_t)后，将RNN内部的长期记忆单元c和隐藏状态h保存下来，在处理下一组输入和反馈信号(a_t+1,a’_t+1)时将c和h也作为输入，从而避免RNN因多次循环迭代而观测不到过往记忆。引入反馈信号后，深度学习控制器的输入输出关系为：

O_t，C1，h1＝LSTM((a_t,a’_t))

O_t+1，C2，h2＝LSTM((a_t+1,a’_t+1)，C1，h1)

O_t+2，C3，h3＝LSTM((a_t+2,a’_t+2)，C2，h2)

...........

4.根据权利要求1所述基于深度学习的振动台闭环控制器训练方法，其特征在于：步骤S1所述深度网络模型采用循环神经网络的变体—长短时记忆网络(LSTM)，基于长短时记忆网络(LSTM)搭建的深度网络模型为单输入单输出模型，网络设置多个隐藏层，每层采用40-80节点，参数优化算法采用Adam，损失函数采用MSE。

5.根据权利要求1所述基于深度学习的振动台闭环控制器训练方法，其特征在于:在步骤S2中所述振动台仿真模型利用传统三参量算法进行闭环控制，经参数整定后输入多条地震波进行实时仿真，采集由三参量控制器生成的输入-输出数据，并将其作为深度学习控制器的训练样本。

6.根据权利要求1所述基于深度学习的振动台闭环控制器训练方法，其特征在于:在步骤S3中所述训练数据按照6:1:3的比例划分为训练集、验证集和测试集，其中训练集用于模型的监督式训练，验证集用于网络训练完成后的初步验证，并以此作为依据进行超参数的调整，测试集用于网络的最终测试以确定模型的泛化性。

7.根据权利要求1所述基于深度学习的振动台闭环控制器训练方法，其特征在于：所述监督式训练具体实施步骤为：深度学习控制器以地震波加速度信号、振动台反馈加速度信号作为输入，以三参量控制器的输出信号作为标签，以标签和深度学习控制器输出的差值作为损失函数，通过梯度下降法更新网络参数，从而使深度学习控制器拥有逼近三参量控制器的控制性能。

8.根据权利要求1所述的基于深度网络的振动台闭环控制器训练方法，其特征在于:通过监督学习训练完成后的深度学习控制器在测试集多条地震波的测试下，若其输出与对应标签的相关度均能达到99％以上，则视该深度网络控制器能够替代三参量控制器对振动台进行闭环控制。