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

说明书

本发明公开了一种基于EEMD‑MultiCNN‑LSTM的加速度响应数据补全方法及装置，包括采集LNG储罐的加速度数据，得到加速度数据序列矩阵；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得到EEMD分解数据样本；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，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；本发明基于EEMD算法与MultiCNN‑LSTM模型实现，使得加速度预测数据的预测精度高，能够准确评估LNG储罐的加速度结构响应。

技术领域

本发明涉及LNG储罐加速度响应数据补全技术领域，具体公开了一种基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置。

背景技术

加速度传感器对于评估LNG储罐结构动力响应具有重要意义，在振动台实验过程中，某些加速度传感器因长时间工作会发生失效或者异常从而导致数据丢失，并且这些数据丢失后很难恢复。

目前，基于人工智能方法对LNG储罐结构缺失传感数据预测方法主要分为两种。一种是“浅层”机器学习方法，加速度传感数据具有高度非线性和非高斯性，“浅层”的模型对加速度响应的长期预测具有一定的局限性，无法处理海量的监测数据且准确率较低。另一种方法是传统的深度神经网络模型，具有普遍性、效率高等特点，但准确性有待进一步的提高。因此，有必要进一步提高传统深度神经网络模型的精度，开展既准确又实时的LNG储罐结构加速度响应预测及补全工作。

发明内容

有鉴于此，本发明的目的在于提供一种基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置，以解决现有技术中由于加速度传感器失效或异常导致加速度数据丢失后难以恢复、补全的问题。

为达到上述目的，本发明一方面提供一种基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法，具体包括以下步骤：

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。

进一步的，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。

进一步的，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；