[发明专利]基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置

权利要求书

1.基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法，其特征在于，包括

S1：采集LNG储罐的加速度数据，确定缺失数据测点，基于所述缺失数据测点得到加速度数据序列矩阵；

S2：采用集合经验模态分解算法将所述加速度数据序列矩阵分解为多个IMF分量和RES分量，得到EEMD分解数据样本；

S3：将EEMD分解数据样本和缺失数据测点测得的历史加速度数据输入MultiCNN-LSTM神经网络模型中进行迭代训练，优化模型参数，得到训练好的MultiCNN-LSTM神经网络模型；

S4：采集LNG储罐的实时加速度数据，输入训练好的MultiCNN-LSTM神经网络模型中，通过MultiCNN-LSTM神经网络模型预测得到加速度预测数据，利用所述加速度预测数据对缺失的加速度数据进行补全。

2.根据权利要求1所述的基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法，其特征在于，在步骤S1中，基于缺失数据测点得到加速度数据序列矩阵的具体方法为：

选择缺失数据测点在数据缺失时刻之前的历史加速度数据以及该缺失数据测点对应的周围数据测点测得的对应时刻的周围加速度数据，并将所述历史加速度数据及周围加速度数据分别按时序整合成加速度数据序列矩阵。

3.根据权利要求2所述的基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法，其特征在于，在步骤S2中，所述加速度数据序列矩阵中包括有历史加速度数据序列及其周围加速度数据序列，所述历史加速度数据序列及其周围加速度数据序列记为原始加速度数据序列，分别对各原始加速度数据序列矩阵进行集合经验模态分解，其具体步骤为：

S201：设置原始加速度数据序列的分解次数，每分解一次记为一组原始加速度数据序列，得到多组原始加速度数据序列；

S202：在每组原始加速度数据序列中分别叠加一组不同幅值的高斯白噪声得到多组第一加速度数据序列；

S203：分别对每组第一加速度数据序列进行经验模态分解，得到多组imf分量和res分量；

S204：分别计算所述imf分量的平均值，得到IMF分量和RES分量。

4.根据权利要求3所述的基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法，其特征在于，在步骤S203中，对所述第一加速度数据进行经验模态分解的具体步骤为：

S2031：筛选出第一加速度数据序列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加速度数据序列的上包络线和下包络线；

S2032：根据所述上包络线和下包络线计算所述第一加速度数据序列的均值包络，并计算所述第一加速度数据序列与均值包络之间的差值得到第一残余加速度数据序列；

S2033：判断所述第一残余加速度数据序列是否满足imf分量成立的条件，若满足，则执行步骤S2034，若不满足，则对所述第一残余加速度数据序列重复执行步骤S2031-S2032，直至重复m次后得到的第i个残余曲线满足imf分量成立的条件为止；

S2034：将第i个残余加速度数据序列作为第一加速度数据序列的第一个imf分量，并将第一个imf分量从第一加速度数据序列中分离，得到第一res分量；

S2035：判断所述第一res分量是否为单调函数，若是，则完成分解，否则对所述第一res分量重复执行步骤S2031-S2034，直至重复n次得到的第j个剩余加速度数据序列为单调函数为止，所述第j个剩余加速度数据序列即为第一加速度数据序列经过经验模态分解得到的res分量。

5.根据权利要求4所述的基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法，其特征在于，在步骤S2033中，所述imf分量成立的条件为：

在整个时程内，所述第一残余加速度数据序列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，所述第一残余加速度数据序列上任意一点处的上包络线和下包络线的均值为零。