CN117574581A - 一种温度敏感的涡卷弹簧热应力松弛预测方法及*** - Google Patents
一种温度敏感的涡卷弹簧热应力松弛预测方法及*** Download PDFInfo
- Publication number
- CN117574581A CN117574581A CN202410049991.6A CN202410049991A CN117574581A CN 117574581 A CN117574581 A CN 117574581A CN 202410049991 A CN202410049991 A CN 202410049991A CN 117574581 A CN117574581 A CN 117574581A
- Authority
- CN
- China
- Prior art keywords
- model
- neural network
- data
- memory neural
- long
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000008646 thermal stress Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000015654 memory Effects 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000002360 preparation method Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000012800 visualization Methods 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 8
- 235000015220 hamburgers Nutrition 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 description 2
- 238000011089 mechanical engineering Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000009662 stress testing Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种温度敏感的涡卷弹簧热应力松弛预测方法及***,方法包括:步骤1:数据准备和预处理;步骤2:从标准化数据中提取关键特征;步骤3:准备长短时记忆神经网络训练数据;步骤4:定义温度敏感长短时记忆神经网络单元;步骤5:定义自注意力机制;步骤6:构建整体长短时记忆神经网络模型,包括自定义的长短时记忆神经网络单元和自注意力机制;步骤7:训练模型,使用预处理的数据训练长短时记忆神经网络模型;步骤8:模型评估和预测,在不同于训练集的测试集上评估模型;步骤9:结果分析和可视化。
Description
技术领域
本发明是关于材料科学和机械工程领域,特别是关于利用温度敏感的长短时记忆网络(长短时记忆神经网络)和自注意力机制来预测涡卷弹簧在不同温度条件下的热应力松弛的方法和***。
背景技术
涡卷弹簧是广泛应用于各种机械和结构中的关键组件,其在不同温度下的性能至关重要。目前,对于涡卷弹簧热应力松弛的预测主要依赖于传统的经验公式和物理模型,这些方法往往不够灵活,且在处理复杂环境时精确度有限。因此,发展一种高效、准确的预测方法显得尤为重要。
发明内容
为实现上述目的,本发明提供了一种温度敏感的涡卷弹簧热应力松弛预测方法,其特征在于,方法包括:
步骤1:数据准备和预处理;
步骤2:从标准化数据中提取关键特征;
步骤3:准备长短时记忆神经网络训练数据;
步骤4:定义温度敏感长短时记忆神经网络单元;
步骤5:定义自注意力机制;
步骤6:构建整体长短时记忆神经网络模型,包括自定义的长短时记忆神经网络单元和自注意力机制;
步骤7:训练模型,使用预处理的数据训练长短时记忆神经网络模型;
步骤8:模型评估和预测,在不同于训练集的测试集上评估模型;
步骤9:结果分析和可视化。
在一优选的实施方式中,数据准备和预处理具体包括:
从各种不同温度条件下的涡卷弹簧实验数据中加载数据,使用极大极小值归一化对数据进行归一化处理,确保模型输入的统一性和稳定性。
在一优选的实施方式中,关键特征包括时间步长和温度,其中,定义时间步长以构建时间序列数据,时间序列数据被用于训练LSTM网络.
在一优选的实施方式中,准备长短时记忆神经网络训练数据具体包括:
根据定义的时间步长,从归一化的数据中准备长短时记忆神经网络训练数据,从时序数据中创建一系列过去n步的数据和下一步的目标数据;
设定一个时间窗口,一个时间窗口用于切分数据集并创建用于模型训练的序列,每个序列的目标值是序列最后一个时间步长之后的热应力值,用于训练模型预测的热应力。
在一优选的实施方式中,定义温度敏感长短时记忆神经网络单元具体包括:
设计基于Burgers粘弹性模型的自定义LSTM单元,LSTM单元用于根据输入数据中的时间步长和温度信息动态调整其内部状态;
引入松驰时间τ和蠕变因子α,所述松驰时间τ和蠕变因子α用于模拟材料行为;
依据状态调整公式对LSTM单元的状态输出β进行调整,
其中,所述状态调整公式是:
,
其中,t表示从序列开始的时间步长。
在一优选的实施方式中,定义自注意力机制具体包括:
实施自注意力模块,自注意力模块用于识别和赋予更高的权重给序列数据中最重要的部分;
设定隐藏层尺寸,并基于隐藏层尺寸构建一个线性层用于生成注意力分数,同时使用层标准化提升模型稳定性;
自注意力机制通过一个线性层来生成注意力权重,并应用这些权重来计算序列的加权平均;
自注意力机制通过以下公式计算:
,
Q: 查询向量,代表当前的输入元素;
K:键向量,代表与当前元素进行比较的序列元素;
V:值向量,代表实际的序列元素,其对应的权重由查询和键之间的匹配程度决定;
:键向量的维度,用于缩放点积,防止其过大。
在一优选的实施方式中,构建整体长短时记忆神经网络模型具体包括:
将温度敏感长短时记忆神经网络单元与标准LSTM框架结合,使得模型能够根据输入数据中的时间步长和温度信息动态调整其状态,并集成步骤5中定义的自注意力机制,以强化模型对序列中关键时刻的关注和处理能力,模型最后设置一个全连接层,用于生成最终的预测输出。
本发明提供了一种温度敏感的涡卷弹簧热应力松弛预测***,其特征在于,***包括:处理器以及存储器,其中,存储器中存储有处理器可执行指令,当指令被处理器执行时,使得处理器进行以下操作:
步骤1:数据准备和预处理;
步骤2:从标准化数据中提取关键特征;
步骤3:准备长短时记忆神经网络训练数据;
步骤4:定义温度敏感长短时记忆神经网络单元;
步骤5:定义自注意力机制;
步骤6:构建整体长短时记忆神经网络模型,包括自定义的长短时记忆神经网络单元和自注意力机制;
步骤7:训练模型,使用预处理的数据训练长短时记忆神经网络模型;
步骤8:模型评估和预测,在不同于训练集的测试集上评估模型;
步骤9:结果分析和可视化。
在一优选的实施方式中,定义温度敏感长短时记忆神经网络单元具体包括:
设计基于Burgers粘弹性模型的自定义LSTM单元,LSTM单元用于根据输入数据中的时间步长和温度信息动态调整其内部状态;
引入松驰时间τ和蠕变因子α,所述松驰时间τ和蠕变因子α用于模拟材料行为;
依据状态调整公式对LSTM单元的状态输出β进行调整,
其中,所述状态调整公式是:
,
其中,t表示从序列开始的时间步长。
在一优选的实施方式中,定义自注意力机制具体包括:
实施自注意力模块,自注意力模块用于识别和赋予更高的权重给序列数据中最重要的部分;
设定隐藏层尺寸,并基于隐藏层尺寸构建一个线性层用于生成注意力分数,同时使用层标准化提升模型稳定性;
自注意力机制通过一个线性层来生成注意力权重,并应用这些权重来计算序列的加权平均;
自注意力机制通过以下公式计算:
,
Q: 查询向量,代表当前的输入元素;
K:键向量,代表与当前元素进行比较的序列元素;
V:值向量,代表实际的序列元素,其对应的权重由查询和键之间的匹配程度决定;
:键向量的维度,用于缩放点积,防止其过大。
与现有技术相比,本发明具有如下优点,本发明的方法不仅提高了在不同温度条件下涡卷弹簧热应力松弛预测的准确性和可靠性,而且由于其基于数据驱动的特性,具有更好的适应性和灵活性,适用于实际的工业生产环境,特别是在机械工程和材料科学等领域的应用。
附图说明
图1是本发明的一个实施例的方法流程图。
图2是本发明的25℃条件下实际热应力与预测热应力的对比图。
图3是本发明的150℃条件下实际热应力与预测热应力的对比图。
图4是本发明的250℃条件下实际热应力与预测热应力的对比图。
图5是本发明在不同温度下模型预测准确度的柱状图。
实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
实施例1
如图1所示,本发明的方法包括如下步骤:
步骤1:数据准备和预处理;
步骤2:从标准化数据中提取关键特征;
步骤3:准备长短时记忆神经网络训练数据;
步骤4:定义温度敏感长短时记忆神经网络单元;
步骤5:定义自注意力机制;
步骤6:构建整体长短时记忆神经网络模型,包括自定义的长短时记忆神经网络单元和自注意力机制;
步骤7:训练模型,使用预处理的数据训练长短时记忆神经网络模型;在不同于训练集的测试集上评估模型。使用模型对涡卷弹簧在25°C下的热应力松弛进行预测。
步骤8:模型评估和预测,在不同于训练集的测试集上评估模型;分析并比较模型预测的热应力与实际测量值。使用图表来可视化实际值与预测值之间的对比。
步骤9:结果分析和可视化。
在一优选的实施方式中,数据准备和预处理具体包括:
从各种不同温度条件下的涡卷弹簧实验数据中加载数据,使用极大极小值归一化对数据进行归一化处理,确保模型输入的统一性和稳定性。
在一优选的实施方式中,关键特征包括时间步长和温度,其中,定义时间步长以构建时间序列数据,时间序列数据被用于训练LSTM网络.
在一优选的实施方式中,准备长短时记忆神经网络训练数据具体包括:
根据定义的时间步长,从归一化的数据中准备长短时记忆神经网络训练数据,从时序数据中创建一系列过去n步的数据和下一步的目标数据;
设定一个时间窗口(例如3个时间步长),一个时间窗口用于切分数据集并创建用于模型训练的序列,每个序列的目标值是序列最后一个时间步长之后的热应力值,用于训练模型预测的热应力。
其中,n例如是2、3、4、5,根据实际情况和需要,n当然也可以取甚至更大的值,例如,10、11、12、13,在其它示例中,n可以具有更大的值,例如20-100中的任意整数值,在此不做特别限定,后续n也应做相同的理解。
在一优选的实施方式中,定义温度敏感长短时记忆神经网络单元具体包括:
设计基于Burgers粘弹性模型的自定义LSTM单元,LSTM单元用于根据输入数据中的时间步长和温度信息动态调整其内部状态;
引入松驰时间τ和蠕变因子α,所述松驰时间τ和蠕变因子α用于模拟材料行为;
依据状态调整公式对LSTM单元的状态输出β进行调整,
其中,所述状态调整公式是:
,
其中,t表示从序列开始的时间步长。
在一优选的实施方式中,定义自注意力机制具体包括:
实施自注意力模块,自注意力模块用于识别和赋予更高的权重给序列数据中最重要的部分;
设定隐藏层尺寸,并基于隐藏层尺寸构建一个线性层用于生成注意力分数,同时使用层标准化提升模型稳定性;
自注意力机制通过一个线性层来生成注意力权重,并应用这些权重来计算序列的加权平均;
自注意力机制通过以下公式计算:
,
Q: 查询向量,代表当前的输入元素;
K:键向量,代表与当前元素进行比较的序列元素;
V:值向量,代表实际的序列元素,其对应的权重由查询和键之间的匹配程度决定;
:键向量的维度,用于缩放点积,防止其过大。
在一优选的实施方式中,构建整体长短时记忆神经网络模型具体包括:
将温度敏感长短时记忆神经网络单元与标准LSTM框架结合,使得模型能够根据输入数据中的时间步长和温度信息动态调整其状态,并集成步骤5中定义的自注意力机制,以强化模型对序列中关键时刻的关注和处理能力,模型最后设置一个全连接层,用于生成最终的预测输出。
实施例2
本发明提供了一种温度敏感的涡卷弹簧热应力松弛预测***,其特征在于,***包括:处理器以及存储器,其中,存储器中存储有处理器可执行指令,当指令被处理器执行时,使得处理器进行以下操作:
步骤1:数据准备和预处理;
步骤2:从标准化数据中提取关键特征;
步骤3:准备长短时记忆神经网络训练数据;
步骤4:定义温度敏感长短时记忆神经网络单元;
步骤5:定义自注意力机制;
步骤6:构建整体长短时记忆神经网络模型,包括自定义的长短时记忆神经网络单元和自注意力机制;
步骤7:训练模型,使用预处理的数据训练长短时记忆神经网络模型;
步骤8:模型评估和预测,在不同于训练集的测试集上评估模型;
步骤9:结果分析和可视化。
在一优选的实施方式中,定义温度敏感长短时记忆神经网络单元具体包括:
设计基于Burgers粘弹性模型的自定义LSTM单元,LSTM单元用于根据输入数据中的时间步长和温度信息动态调整其内部状态;
引入松驰时间τ和蠕变因子α,所述松驰时间τ和蠕变因子α用于模拟材料行为;
依据状态调整公式对LSTM单元的状态输出β进行调整,
其中,所述状态调整公式是:
,
其中,t表示从序列开始的时间步长。
在一优选的实施方式中,定义自注意力机制具体包括:
实施自注意力模块,自注意力模块用于识别和赋予更高的权重给序列数据中最重要的部分;
设定隐藏层尺寸,并基于隐藏层尺寸构建一个线性层用于生成注意力分数,同时使用层标准化提升模型稳定性;
自注意力机制通过一个线性层来生成注意力权重,并应用这些权重来计算序列的加权平均;
自注意力机制通过以下公式计算:
,
Q: 查询向量,代表当前的输入元素;
K:键向量,代表与当前元素进行比较的序列元素;
V:值向量,代表实际的序列元素,其对应的权重由查询和键之间的匹配程度决定;
:键向量的维度,用于缩放点积,防止其过大。
实施例3
本发明实施例提供了一种基于温度敏感长短时记忆神经网络(LSTM)和自注意力机制的涡卷弹簧热应力松弛预测方法。为了验证所提方法的有效性,进行了以下实验。实验数据收集自不同温度条件(150℃、250℃、300℃和25℃)下的涡卷弹簧热应力测试,用150℃、250℃、300℃的数据训练模型,25℃的数据用于测试,模型的预测结果如下:
图2是本发明的25℃条件下实际热应力与预测热应力的对比图。可以看出,所提出的预测方法能够准确捕捉到热应力随时间的变化趋势,与实际测量值吻合良好。
图3是本发明的150℃条件下实际热应力与预测热应力的对比图。尽管温度升高,预测曲线仍然紧密跟随实际热应力变化,显示出模型对高温状态下热应力变化的敏感性和适应性。
图4是本发明的250℃条件下实际热应力与预测热应力的对比图。如图4所示,模型同样表现出了较高的预测精度,进一步验证了模型对不同温度下涡卷弹簧热应力松弛行为的预测能力。
最后,图5呈现了不同温度下模型预测准确度的比较。通过计算模型预测值与实际值之间的平均绝对误差(MAE),可以直观地看到模型在各个温度条件下的预测性能,表明该方法在各种温度条件下都具有良好的预测精度。
综上所述,本发明所提供的温度敏感LSTM与自注意力机制相结合的预测方法,能够有效地预测涡卷弹簧在不同温度条件下的热应力松弛行为,具有良好的实用性和广泛的应用前景。
Claims (10)
1.一种温度敏感的涡卷弹簧热应力松弛预测方法,其特征在于,所述方法包括:
步骤1:数据准备和预处理;
步骤2:从标准化数据中提取关键特征;
步骤3:准备长短时记忆神经网络训练数据;
步骤4:定义温度敏感长短时记忆神经网络单元;
步骤5:定义自注意力机制;
步骤6:构建整体长短时记忆神经网络模型,包括自定义的长短时记忆神经网络单元和自注意力机制;
步骤7:训练模型,使用预处理的数据训练长短时记忆神经网络模型;
步骤8:模型评估和预测,在不同于训练集的测试集上评估模型;
步骤9:结果分析和可视化。
2.根据权利要求1所述的方法,其特征在于,其中,数据准备和预处理具体包括:
从各种不同温度条件下的涡卷弹簧实验数据中加载数据,使用极大极小值归一化对数据进行归一化处理,确保模型输入的统一性和稳定性。
3.根据权利要求2所述的方法,其特征在于,其中,所述关键特征包括时间步长和温度,其中,定义所述时间步长以构建时间序列数据,所述时间序列数据被用于训练LSTM网络。
4.根据权利要求3所述的方法,其特征在于,其中,准备长短时记忆神经网络训练数据具体包括:
根据定义的时间步长,从归一化的数据中准备长短时记忆神经网络训练数据,从时序数据中创建一系列过去n步的数据和下一步的目标数据;
设定一个时间窗口,所述一个时间窗口用于切分数据集并创建用于模型训练的序列,每个序列的目标值是序列最后一个时间步长之后的热应力值,用于训练模型预测的热应力。
5.根据权利要求4所述的方法,其特征在于,其中,定义温度敏感长短时记忆神经网络单元具体包括:
设计基于Burgers粘弹性模型的自定义LSTM单元,所述LSTM单元用于根据输入数据中的时间步长和温度信息动态调整其内部状态;
引入松驰时间τ和蠕变因子α,所述松驰时间τ和蠕变因子α用于模拟材料行为;
依据状态调整公式对LSTM单元的状态输出β进行调整,
其中,所述状态调整公式是:
,
其中,t表示从序列开始的时间步长。
6.根据权利要求5所述的方法,其特征在于,其中,定义自注意力机制具体包括:
实施自注意力模块,所述自注意力模块用于识别和赋予更高的权重给序列数据中最重要的部分;
设定隐藏层尺寸,并基于所述隐藏层尺寸构建一个线性层用于生成注意力分数,同时使用层标准化提升模型稳定性;
所述自注意力机制通过一个线性层来生成注意力权重,并应用这些权重来计算序列的加权平均;
自注意力机制通过以下公式计算:
,
Q: 查询向量,代表当前的输入元素;
K:键向量,代表与当前元素进行比较的序列元素;
V:值向量,代表实际的序列元素,其对应的权重由查询和键之间的匹配程度决定;
:键向量的维度,用于缩放点积,防止其过大。
7.根据权利要求6所述的方法,其特征在于,其中,构建整体长短时记忆神经网络模型具体包括:
将温度敏感长短时记忆神经网络单元与标准LSTM框架结合,使得模型能够根据输入数据中的时间步长和温度信息动态调整其状态,并集成步骤5中定义的自注意力机制,以强化模型对序列中关键时刻的关注和处理能力,模型最后设置一个全连接层,用于生成最终的预测输出。
8.一种温度敏感的涡卷弹簧热应力松弛预测***,其特征在于,所述***包括:处理器以及存储器,其中,所述存储器中存储有处理器可执行指令,当所述指令被所述处理器执行时,使得所述处理器进行以下操作:
步骤1:数据准备和预处理;
步骤2:从标准化数据中提取关键特征;
步骤3:准备长短时记忆神经网络训练数据;
步骤4:定义温度敏感长短时记忆神经网络单元;
步骤5:定义自注意力机制;
步骤6:构建整体长短时记忆神经网络模型,包括自定义的长短时记忆神经网络单元和自注意力机制;
步骤7:训练模型,使用预处理的数据训练长短时记忆神经网络模型;
步骤8:模型评估和预测,在不同于训练集的测试集上评估模型;
步骤9:结果分析和可视化。
9.根据权利要求8所述的***,其特征在于,其中,定义温度敏感长短时记忆神经网络单元具体包括:
设计基于Burgers粘弹性模型的自定义LSTM单元,所述LSTM单元用于根据输入数据中的时间步长和温度信息动态调整其内部状态;
引入松驰时间τ和蠕变因子α,所述松驰时间τ和蠕变因子α用于模拟材料行为;
依据状态调整公式对LSTM单元的状态输出β进行调整,
其中,所述状态调整公式是:
,
其中,t表示从序列开始的时间步长。
10.根据权利要求9所述的***,其特征在于,其中,定义自注意力机制具体包括:
实施自注意力模块,所述自注意力模块用于识别和赋予更高的权重给序列数据中最重要的部分;
设定隐藏层尺寸,并基于所述隐藏层尺寸构建一个线性层用于生成注意力分数,同时使用层标准化提升模型稳定性;
所述自注意力机制通过一个线性层来生成注意力权重,并应用这些权重来计算序列的加权平均;
自注意力机制通过以下公式计算:
,
Q: 查询向量,代表当前的输入元素;
K:键向量,代表与当前元素进行比较的序列元素;
V:值向量,代表实际的序列元素,其对应的权重由查询和键之间的匹配程度决定;
:键向量的维度,用于缩放点积,防止其过大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410049991.6A CN117574581B (zh) | 2024-01-15 | 2024-01-15 | 一种温度敏感的涡卷弹簧热应力松弛预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410049991.6A CN117574581B (zh) | 2024-01-15 | 2024-01-15 | 一种温度敏感的涡卷弹簧热应力松弛预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117574581A true CN117574581A (zh) | 2024-02-20 |
CN117574581B CN117574581B (zh) | 2024-03-22 |
Family
ID=89864541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410049991.6A Active CN117574581B (zh) | 2024-01-15 | 2024-01-15 | 一种温度敏感的涡卷弹簧热应力松弛预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117574581B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102507114A (zh) * | 2011-10-19 | 2012-06-20 | 天津大学 | 基于温度加速材料应力松弛理论预测螺旋弹簧松弛寿命的方法 |
CN105910883A (zh) * | 2016-04-11 | 2016-08-31 | 天津大学 | 扭转弹簧应力松弛寿命的预测方法 |
DE102021000099A1 (de) * | 2021-01-12 | 2021-03-18 | Thomas Schmidt | Verfahren zur Ermittlung mechanischer Spannungen in Hochtemperatur-Rohrleitungen unter Berücksichtigung von Relaxationseffekten |
CN116991981A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市特区建工科工集团盛腾科技有限公司 | 结合有限元分析的预应力构件仿真数据处理方法及*** |
-
2024
- 2024-01-15 CN CN202410049991.6A patent/CN117574581B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102507114A (zh) * | 2011-10-19 | 2012-06-20 | 天津大学 | 基于温度加速材料应力松弛理论预测螺旋弹簧松弛寿命的方法 |
CN105910883A (zh) * | 2016-04-11 | 2016-08-31 | 天津大学 | 扭转弹簧应力松弛寿命的预测方法 |
DE102021000099A1 (de) * | 2021-01-12 | 2021-03-18 | Thomas Schmidt | Verfahren zur Ermittlung mechanischer Spannungen in Hochtemperatur-Rohrleitungen unter Berücksichtigung von Relaxationseffekten |
CN116991981A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市特区建工科工集团盛腾科技有限公司 | 结合有限元分析的预应力构件仿真数据处理方法及*** |
Non-Patent Citations (1)
Title |
---|
魏芳荣: "螺旋压缩弹簧应力松弛的动态研究及服役寿命预测", 中国优秀硕士学位论文全文数据库 工程科技II辑, no. 4, 15 April 2009 (2009-04-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117574581B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3575892B1 (en) | Model parameter value estimation device and estimation method, program, recording medium with program recorded thereto, and model parameter value estimation system | |
Kong et al. | Two-phase degradation process model with abrupt jump at change point governed by Wiener process | |
Si et al. | Nonlinear degradation modeling and prognostics: A Box-Cox transformation perspective | |
EP3191797B1 (en) | Gas turbine sensor failure detection utilizing a sparse coding methodology | |
US7653510B2 (en) | Load calculating device and load calculating method | |
Cheung et al. | Simulation of fault impacts for vapor compression systems by inverse modeling. Part I: Component modeling and validation | |
CN107710089B (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
CN107924184A (zh) | 监视装置及监视装置的控制方法 | |
JP2013257251A (ja) | 異常検知方法、プログラム及びシステム | |
JP2010277577A (ja) | 制御及び推定のための線形モデルのリアルタイムスケジューリング | |
Zhang et al. | A novel approach for analog circuit fault prognostics based on improved RVM | |
US6678627B1 (en) | Computer program and method for determination of electronic circuit card product life capability under exposure to vibration | |
Zhuang et al. | Remaining useful life prediction of a mechanism considering wear correlation of multiple joints | |
Singh | An additive Perks–Weibull model with Bathtub-shaped hazard rate function | |
Sun et al. | Accelerated degradation process analysis based on the nonlinear Wiener process with covariates and random effects | |
CN117574581B (zh) | 一种温度敏感的涡卷弹簧热应力松弛预测方法及*** | |
CN107924182A (zh) | 监视装置及监视装置的控制方法 | |
Yun et al. | An efficient method for estimating the parameter global reliability sensitivity analysis by innovative single-loop process and embedded Kriging model | |
CN110431496A (zh) | 评估装置、评估***和评估方法 | |
US10845792B2 (en) | Failure diagnosis apparatus, monitoring apparatus, failure diagnosis method and recording medium | |
Chao et al. | Calibration and uncertainty quantification of gas turbine performance models | |
Lorsung et al. | Picl: Physics informed contrastive learning for partial differential equations | |
CN114236272B (zh) | 一种电子产品的智能检测*** | |
Zhang et al. | A set of novel correlation tests for nonlinear system variables | |
US20220044151A1 (en) | Apparatus and method for electronic determination of system data integrity |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |