一种基于冲击响应谱映射与算法硬件协同设计的结构冲击响应边缘预测方法及系统
本发明涉及水下冲击响应分析,具体涉及一种基于冲击响应谱映射与算法硬件协同设计的结构冲击响应边缘预测方法及系统。
背景技术:
1、水下冲击会对各类水下设备仪器造成严重的结构损伤与功能失效,由于水下状态的复杂性,目前传统方法多依赖云端集中计算,存在时延高、功耗大等问题。如采用dytran等显式动力学软件计算全域冲击响应分析往往需要数小时至数十小时,难以支撑实时决策,且在各类小型的低成本边缘设备或结构上难以有效部署与运行。目前可实现边缘终端部署的冲击响应预测多基于离线训练得到的预测模型来实现,传统的预测方案输入为变长高维加速度时程(数千采样点),必须使用lstm等循环神经网络来建模时序依赖,但在边缘部署时,为满足模型运行需求,必须同时安装tensorflow运行或编译链接flex delegate等推理引擎,导致内存占用与功耗显著上升,严重违背了边缘侧轻量化部署的初衷,且模型推理延迟难以满足毫秒级响应要求。
技术实现思路
1、本发明的目的在于,提供一种基于冲击响应谱映射与算法硬件协同设计的方法及系统,本技术通过将时域冲击信号转换为频域响应谱特征,并采用轻量化前馈网络完成谱到谱的映射预测,最终将预测任务的输入由"参考点加速度时程"重构为"参考点冲击响应谱",使任务由sequence-to-sequence降维为vector-to-vector,无需flex delegate等推理引擎支持,可直接在边缘设备上运行,显著降低了边缘设备的算力与存储门槛,同时提升了在资源受限设备上的实时预测效率。
2、为实现上述目的,本发明采用如下技术方案。
3、一种基于冲击响应谱映射与算法硬件协同设计的结构冲击响应边缘预测方法,包括如下步骤:
4、步骤s1:传感器-调理电路-边缘终端设备协同数据采集
5、在待分析的目标结构的预设参考节点位置安装加速度传感器,所述加速度传感器通过调理电路连接至边缘终端设备,所述边缘终端设备采集三轴加速度信号;
6、步骤s2:参考节点冲击响应谱生成
7、在冲击响应分析频率范围内按对数均匀取f个频率,f≥20;
8、将每个频率对应的加速度时程数据进行时域补偿,保证每个频率对应的加速度时程数据覆盖一个最低频率周期;最低频率周期是指所选的f个频率点中最低频率的周期;
9、对所述参考节点的三方向加速度时程,分别采用smallwood递归滤波算法计算冲击响应谱,并在每一频率点上取三轴srs幅值的最大值,得到等效冲击谱;
10、步骤s3:输入特征向量构造与归一化
11、将等效冲击响应谱在f个频率点上的幅值排列为维度为f的原始输入特征向量,进行对数变换与均值-方差归一化,表示为:
12、;;
13、是指对数变换后的输入特征,是指原始幅值向量,是指归一化后的输入特征,为防止对数无意义的预设极小量且,是指均值,是指标准差;
14、步骤s4:基于聚类分组的相似节点分类
15、针对不同工况下的冲击响应进行仿真分析,获取目标结构上n个待预测节点的冲击响应谱响应特征向量,z-score标准化后采用k-means聚类算法将n个节点划分为m个分组,m≥2且m 16、步骤s5:基于分组数据集的全连接前馈神经网络训练 17、构建不含循环层、注意力层以及flex算子的全连接前馈神经网络模型,利用各节点组对应的训练数据集,以均方误差为损失函数优化网络权重,采用adam优化器以及分段衰减学习率进行参数更新,以预设参考节点的冲击响应谱响应特征向量为输入,以待预测节点的冲击响应谱响应特征向量为输出,训练全连接前馈神经网络,得到各节点组对应的冲击响应谱响应特征向量预测模型; 18、步骤s6:模型轻量化与边缘部署 19、将训练完成的冲击响应谱响应特征向量预测模型转换为tflite模型,部署于边缘终端设备; 20、步骤s7:边缘端在线推理与冲击响应谱输出 21、边缘终端设备实时采集或接收参考节点三方向加速度时程,执行步骤s2~s3得到归一化输入;加载所有节点组的冲击响应谱响应特征向量预测模型分别推理,得到各组节点冲击响应谱特征向量预测值;反归一化并拼接后得到结构全部n个待预测节点的冲击响应谱; 22、步骤s8:损伤评估与任务决策对接 23、将所有节点的冲击响应谱作为损伤评估的输入,提取设备固有安装频率处的冲击响应谱幅值,依据mil-std-901d标准及设备抗冲击试验阈值,划分损伤等级,按"最高损伤等级原则"确定整机损伤等级并输出对应任务决策指令。 24、对前述基于冲击响应谱映射与算法硬件协同设计的结构冲击响应边缘预测方法的进一步或者优选实施方式,所述步骤s5还包括: 25、对每个训练数据集,根据不同工况下的动力响应数值与训模型预测值进行误差分析,判断是否符合设计需求,若不符合则返回步骤s4修改聚类策略重新进行训练,直至得到符合设计需求的训练模型; 26、对每个节点聚类,使用全部工况的完整数据训练和优化得到得对应的全连接前馈神经网络模型;保存每个聚类训练得到的全连接前馈神经网络模型以及对应节点聚类的聚类和数据处理参数。 27、本技术还提供基于前述方案的结构冲击响应边缘预测系统,包括传感器模块和边缘终端设备; 28、传感器模块包括用于采集参考节点三轴加速度信号的加速度传感器;边缘终端设备包括信号处理模模块、模型训练模块、推理模块、决策输出模块; 29、信号处理模块基于步骤s2至s3实现参考节点冲击响应谱特征提取与归一化; 30、模型训练模块基于步骤s4至s6实现分组训练与轻量化部署; 31、推理模块基于步骤s7实现在线推理与谱预测输出; 32、决策输出模块基于步骤s8实现损伤评估与任务指令输出。 33、对前述结构冲击响应边缘预测系统的进一步或者优选实施方式,所述加速度传感器是指量程覆盖±5000g至±20000g、频响范围覆盖4hz~1000hz、谐振频率不低于10khz的三方向iepe型加速度传感器; 34、所述加速度传感器内部集成电荷放大电路,输出低阻抗电压信号;所述加速度传感器通过屏蔽电缆连接至边缘终端设备,所述边缘终端设备内置或外接信号调理模块,为加速度传感器提供恒流源并输出交流耦合后的调理信号; 35、对前述结构冲击响应边缘预测系统的进一步或者优选实施方式,所述调理信号经抗混叠滤波器后由支持多板卡同步触发的多通道同步adc以不低于50khz的采样率、不低于16bit的分辨率采样,实现三轴加速度信号的同步采集,并通过dma循环缓冲区搬运至边缘终端设备内存;所述dma循环缓冲区的单次触发采集样本点数与所述冲击响应谱计算的滑动窗口长度相匹配,实现无cpu干预的连续数据流。 36、对前述结构冲击响应边缘预测系统的进一步或者优选实施方式,所述边缘终端设备是指运行内存不超过4gb的设备,所述tflite模型文件大小不超过500kb。 37、对前述结构冲击响应边缘预测系统的进一步或者优选实施方式,所述决策输出模块还用于将损伤等级与指令上传至云端监控平台;所述推理模块还配置为按分组并行加载模型以提升推理效率;所述信号处理模块还用于对原始信号进行滤波降噪处理。 38、其有益效果在于: 39、通过将冲击预测从云端集中式转为边缘分布式架构,显著降低了传输延迟与带宽占用;提升了复杂工况下结构冲击响应的实时预测能力。大幅压缩模型体积与计算开销,满足嵌入式终端资源约束,适配边缘设备层多节点冲击响应谱预测的工程应用需求,实现了冲击响应预测的高效低耗边缘化部署,并具备良好的工程可移植性与扩展性,适用于各类型和尺寸的设备或仪器的抗冲击性能在线监测与防护决策支持。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com