[发明专利]基于EEMD-DNN的振动台结构位移响应预测方法及装置

权利要求书

1.一种基于EEMD-DNN的振动台结构位移响应预测方法，其特征在于，包括以下步骤：

S1：采集振动台加速度时程记录，并将该加速度时程记录分为训练集和测试集；

S2：对所述训练集中所有的加速度时程记录进行二次数值积分得到原始漂移位移时程记录，并采用集合经验模态分解算法对原始漂移位移时程记录进行分解，获得训练样本集；

S3：将训练样本集输入深度神经网络模型中，进行迭代训练，优化模型参数，得到优化后的深度神经网络模型；

S4：将测试集作为实时采集的加速度时程记录输入优化后的深度神经网络模型中，测试输出振动台的位移时程曲线，得到该振动台实际的结构位移响应；

所述步骤S2获得训练样本集的具体步骤为：

S201：对训练集中的所有加速度时程记录进行数值积分得到速度时程曲线；

S202：对所述速度时程曲线进行数值积分得到原始漂移位移时程曲线；

S203：采用集合经验模态分解算法将原始漂移位移时程曲线分解为集合经验模态分量以及剩余分量，并以分解得到所有的集合经验模态分量和步骤S202中得到的漂移位移时程曲线作为训练样本集输入所述深度神经网络模型。

2.根据权利要求1所述的基于EEMD-DNN的振动台结构位移响应预测方法，其特征在于，所述步骤S203中对原始漂移位移时程曲线进行集合经验模态分解得到多个集合经验模态分量和剩余分量的具体步骤为：

S2031：在所述原始漂移位移时程曲线中叠加一组高斯白噪声得到第一漂移位移时程曲线；

S2032：筛选出第一漂移位移时程曲线中所有的极大值点和极小值点，对所述极大值点和极小值点分别进行拟合得到所述第一漂移位移时程曲线的上包络线和下包络线；

S2033：根据所述上包络线和下包络线计算所述第一漂移位移时程曲线的均值包络，并计算所述第一漂移位移时程曲线与均值包络之间的差值得到第一残余曲线；

S2034：判断所述第一残余曲线是否满足imf分量成立的条件，若满足，则执行步骤S2035，若不满足，则对所述第一残余曲线重复执行步骤S2031-S2033，直至重复n次后得到的第k个残余曲线满足imf分量成立的条件为止，所述第k个残余曲线即为第一漂移位移时程曲线经过经验模态分解得到的imf分量；

S2035：将第k个残余曲线从第一漂移位移时程曲线中分离，得到第一剩余曲线；

S2036：判断所述第一剩余曲线是否为单调函数，若是，则完成分解，否则对所述第一剩余曲线重复执行步骤S2031-S2035，直至重复m次得到的第i个剩余曲线为单调函数为止，所述第i个剩余曲线即为第一漂移位移时程曲线经过经验模态分解得到的剩余曲线；

S2037：分别计算所述imf分量和剩余曲线的平均值，得到集合经验模态分量和剩余分量。

3.根据权利要求2所述的基于EEMD-DNN的振动台结构位移响应预测方法，其特征在于，所述步骤S2034中，imf分量成立的条件为：

在整个时程内，所述第一残余曲线上极大值点和极小值点的个数与过零点的个数相等或最多相差一个；

在整个时程内，所述第一残余曲线上任意一点处的上包络线和下包络线的均值为零。

4.根据权利要求1所述的基于EEMD-DNN的振动台结构位移响应预测方法，其特征在于，所述步骤S3对深度神经网络模型进行迭代训练的具体步骤为：

S301：将训练样本集输入深度神经网络模型中，得到预测的位移时程曲线；

S302：将采集到的振动台实际的位移时程记录与预测的位移时程曲线进行比较得到预测误差值，利用所述预测误差值对深度神经网络模型进行迭代训练，对深度神经网络模型进行优化。