风电机组的应力预测的方法、装置、存储介质和系统与流程

本发明涉及风力发电
技术领域：
，尤其涉及一种风电机组的应力预测的方法、装置、计算机可读写存储介质和系统。
背景技术：
：近年来，随着能源问题的日益严重，风能作为可再生资源之一受到广泛关注，风力发电作为利用风能的最有效的方式备受青睐。为响应市场需求，设计风能利用率高，环境友好型风机成为业界热点问题。然而，随着风机需求量增多，其性能可靠性、结构安全性又面临严重考验。因此，为了提高风力发电机组的性能的可靠性和结构的安全性，需要对风机的结构强度做适应性评估。现有结构适应性评估方法主要采用线性插值方法，其根据应力插值结果对结构适应性进行评估。评估时根据具体的载荷工况，首先需要对影响应力计算结果的多个载荷分量进行分析，选择一个载荷分量作为主导载荷分量，从而根据主导载荷分量外推出应力预测值进行结构适应性评估。然而，这种方法忽略了不同载荷分量之间的耦合作用，应力不仅受到主导载荷分量的影响，同样会受到其他载荷分量的影响。因此，基于单一载荷分量进行应力预测的结果存在较大误差。如何精确预测风力发电机组的应力，成为亟待解决的技术问题。技术实现要素：为了解决预测风力发电机组的应力存在较大误差的问题，本发明实施例提供了一种风电机组的应力预测的方法、装置、系统以及计算机可读存储介质。第一方面，提供了一种风电机组的应力预测的方法。该方法包括以下步骤：采集风电机组的机组部件在当前载荷工况下相互耦合的多个当前载荷分量；将在当前载荷工况下相互耦合的多个当前载荷分量作为输入，利用位置神经网络模型预测机组部件的当前应力极值位置；根据当前应力极值位置选择与其对应的极值神经网络模型；将在当前载荷工况下相互耦合的多个当前载荷分量作为输入，利用极值神经网络模型预测当前应力极值位置的当前应力极值。第二方面，提供了一种风电机组的应力预测的装置。该装置包括：分量采集模块，用于采集风电机组的机组部件在当前载荷工况下相互耦合的多个当前载荷分量；位置预测模块，用于将在当前载荷工况下相互耦合的多个当前载荷分量作为输入，利用位置神经网络模型预测机组部件的当前应力极值位置；模型选择模块，用于根据当前应力极值位置选择与其对应的极值神经网络模型；极值预测模块，用于将在当前载荷工况下相互耦合的多个当前载荷分量作为输入，利用极值神经网络模型预测当前应力极值位置的当前应力极值。第三方面，提供了一种风电机组的应力预测的装置。该装置包括：存储器，用于存储计算机程序；处理器，用于执行所述存储器存储的计算机程序，所述程序使得所述处理器执行上述各方面所述的方法。第四方面，提供了一种计算机可读存储介质。该计算机可读存储介质中存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行上述各方面所述的方法。第五方面，提供了一种风电机组的应力预测的系统。该系统包括上述风电机组的应力预测的装置。一方面，上述发明实施例可以通过采集风电机组的机组部件在当前载荷工况下相互耦合的多个当前载荷分量，使得输入的多个载荷变量与输出的应力之间关系不再仅仅符合单一载荷分量的线性关系，而是可以通过神经网络构建符合多个载荷分量与应力之间的复杂非线性的对应关系，充分考虑了所有分量之间的耦合性以及所有分量对应力计算的影响，可以大幅度提高应力预测的精度。另一方面，上述发明实施例可以不仅可以精确预测应力极值，同时还可以给出精确预测风电机组的机组部件的应力极值位置，能够为结构适应性评估提供更佳丰富的数据支持。又一方面，上述发明实施例可以根据当前应力极值位置选择与其对应的极值神经网络模型使得不同位置可以对应不同的预测方法，可以进一步提高应力预测的精度。另一方面，上述发明实施例可以通过神经网络模型模型预测的数据计算得到修正的参数(如预测数据与计算数据的差值)，并持续训练修正神经网络模型模型，使得神经网络模型可以持续学习，随着循环训练的次数增加以及训练样本的增加，使得预测结果的精度持续变高。附图说明为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本发明一实施例的风电机组的应力预测的方法的流程示意图；图2为图1中风电机组的轮毂的应力云图示意图；图3为本发明一实施例的风电机组的螺栓法兰连接机构的示意图；图4是本发明一实施例的位置神经网络模型示意图；图5是本发明一实施例的极值神经网络模型示意图；图6为单一载荷分量作用下应力极值的变化关系曲线示意图；图7是本发明一实施例的风电机组的应力预测的方法的流程示意图；图8是本发明一实施例的风电机组的应力预测的装置的结构示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。风电机组的应力预测的机组部件可以是风力发电机组的一个或者多个零件或者部件，例如：螺栓法兰连接机构以及轮毂等，此方面不做限制。在不冲突的情况下，本申请中的下面各个实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。图1是本发明一实施例的风电机组的应力预测的方法的流程示意图。如图1所示，该方法包括以下步骤：s110，采集风电机组的机组部件的载荷工况中相互耦合的多个当前载荷分量；s120，根据多个当前载荷分量，利用位置神经网络模型预测机组部件的应力极值所处的当前应力极值位置；s130，根据当前应力极值位置和多个当前载荷分量，利用极值神经网络模型预测当前应力极值位置的当前应力极值。在本实施例中，用于待预测应力的风电机组的机组部件为轮毂。图2为图1中风电机组的轮毂的应力云图示意图。如图2所示，轮毂的几何模型比较复杂。轮毂的几何模型存在通孔、倒圆角等多个热点应力区域，如图1中圆圈内的局部位置。这些位置可以表示不同载荷工况下的不同的应力极值的位置。在本实施例中，在预测轮毂的应力强度时，可以考虑轮毂的三个叶根加载点(图中未标注)、多个载荷工况和在当前载荷工况下的多个载荷分量。参考图2的应力云图，当载荷工况发生改变时，应力极值位置将发生改变，应力极值位置的应力极值也将发生改变。如果仅基于单一的载荷分量得到对应的预测的应力，将导致输入载荷(如mx)、输出应力(如fx)之间的关系不连续。如果强行将不连续的问题简化为线性问题，可能导致预测应力的结果存在很大误差。由此，在步骤s110中，为了减少预测应力的误差，提高应力预测的精度，本发明实施例通过采集风电机组的机组部件在当前载荷工况下相互耦合的多个当前载荷分量的方法来预测风电机组的应力。在步骤s110中，多个当前载荷分量可以包括：多维空间中的各个方向的当前弯矩以及各个方向的当前受力值。例如，载荷分量可以是三维空间中x轴方向的弯矩(如mx)、y轴方向的弯矩(如my)、z轴方向的弯矩(如mz)、x轴方向的力(如fx)、y轴方向的力(如fy)、z轴方向的力(如fz)等，常规情况下，上述6维的载荷分量与结构应力之间是非线性的复杂关系，这些分量之间存在耦合关系，对结构应力计算均有不同程度的影响。具体不同载荷工况下的载荷分量可以如下面表(1)所示：表(1)在步骤s120中，该步骤可以包括以下子步骤：s121，极值神经网络模型基于输入的相互耦合的多个当前载荷分量(如mx、my、mz、fx、fy和fz)进行非线性变换；s122，对经过非线性变换的相互耦合的多个当前载荷分量进行线性插值计算，得到当前应力极值位置(如图1中某个圆圈内的局部位置)。在步骤s130中，该步骤可以包括下子步骤：s131，位置神经网络模型基于输入的相互耦合的多个当前载荷分量(如mx、my、mz、fx、fy和fz)进行非线性变换；对载荷分量进行非线性变换是为了将6维载荷分量转化成12维载荷分量，进而简化其与应力的非线性复杂关系，便于接下来的线性插值计算。s132，对经过非线性变换的相互耦合的多个当前载荷分量进行线性插值计算，得到当前应力极值位置的当前应力极值(如图1中某个圆圈位置处的应力极值)。在步骤s120和s130中，位置神经网络模型或极值神经网络模型均可以包括：径向基函数(radialbasisfunction，rbf)神经网络模型。本领域技术人员可以理解的是，除了径向基函数神经网络模型外，位置神经网络模型或极值神经网络模型还可以采用其他类型的神经网络模型来实现，例如：循环神经网络或bp神经网络等，本发明对此不作任何限定。在一些实施例中，位置神经网络模型或极值神经网络模型均可以包括：数据输入层、数据隐藏层和数据输出层。在数据输入层，可以基于输入的相互耦合的多个当前载荷分量进行非线性变换。例如，可以基于guass函数或sigmoidal函数作为基函数对输入的相互耦合的多个当前载荷分量进行非线性变换。在数据隐藏层，对经过非线性变换的相互耦合的多个当前载荷分量进行线性插值计算得到计算结果；在数据输出层，输出计算结果。图3为本发明一实施例的风电机组的螺栓法兰连接机构的示意图。如图3所示，本实施例的待预测应力的风电机组的机组部件可以是螺栓法兰连接机构。法兰上可以开有编号为1-20的20个孔洞，这些孔洞可以作为安装螺栓的位置，如位置1-位置20。将在当前载荷工况下相互耦合的多个当前载荷分量作为输入，利用位置神经网络模型可以预测螺栓法兰连接机构的当前应力极值位置，如位置1-位置20。图4是本发明一实施例的位置神经网络模型示意图。如图4所示，位置神经网络模型100可以用于预测图3中应力极值位置，如位置1-位置20。位置神经网络模型100可以包括：数据输入层101、数据隐藏层102和数据输出层103。在数据输入层101，可以输入采集的数据(如输入当前载荷工况中6个载荷分量)，然后将采集的数据进行非线性变换。具体的，在数据输入层101，可以输入采集的神经网络训练样本。这些样本可以是实测数据，也可以是有限元数据。在本实施例中，可以采用有限元数据为训练样本，且可以输入多组有限元数据。如，每组训练样本中输入数据为6个载荷分量(如mx、my、mz、fx、fy和fz)，输出数据为螺栓的轴力。前10组输入的载荷分量可以如下面表(2)所示：表(2)在数据输入层101，可以基于下面公式1对输入数据进行归一化处理。在上述公式1中，x可以为输入样本数据，xs可以为归一化后的样本数据，xmean可以为样本数据均值，xstd可以为样本数据方差。在数据归一化处理时，可以将输入数据中的弯矩载荷、力载荷、输出数据中的轴力分组进行归一化处理，并保留的每组数据的均值、方差参数等。归一化处理可以用于转换预测数据集，以保证训练数据和测试数据的对应关系，进而可以提高数据处理的可靠性。归一化处理后的输入载荷分量可以如下面表(3)所示：表(3)载荷工况mxmymzfxfyfz1-0.04-1.001.19-0.16-0.951.3521.15-0.330.25-1.570.620.0730.02-1.370.72-0.35-0.280.714-0.320.03-0.800.111.13-0.5650.63-1.720.331.22-0.16-0.9860.86-0.631.481.32-0.381.377-1.320.831.530.49-1.10-0.9280.930.90-0.07-0.68-1.260.759-0.21-0.741.31-0.961.070.5610-1.09-0.25-0.97-1.34-1.410.26在数据隐藏层102，可以先基于k-means算法确定基函数中心xj，然后对经过非线性变换的相互耦合的多个当前载荷分量进行线性差值计算，得到应力极值位置。为了持续提高模型预测应力的精度，还可以通过预测的应力极值位置计算得到修正的应力极值位置(如预测的应力极值位置与计算的应力极值位置的差值)，将其重新返回基函数中心，进行多次循环，从而进行有监督式反馈学习，并使参数自适应。本领域技术人员可以理解的是，除了k-means算法外，还可以采用其他的聚类算法确定基函数中心xj，例如：som聚类或fcm聚类等，本发明对此不作任何限定。其中，基函数中心个数p＝6(n+1)，n为加载点个数(如3个)。当所有样本数据距离样本中心欧式距离最小时，即满足式下面公式2时计算完成。在上述公式2中，xj可以为基函数中心，p可以表示基函数中心个数，公式2可以表示所有样本数据距离样本中心欧式距离最小值。其中，基函数可以取高斯函数，如下面公式3所示：在上述公式3中，σ可以为基函数带宽，σ的初始值可以取1。输入数据xi和输出的预测数据f(xi)的关系可以如下面公式4所示：在公式4中，wj可以为线性插值权值，初始值取1。xi可以是输入数据，f(xi)可以是输出预测数据。神经网络训练时，可以先读取48组载荷工况及其对应20组螺栓轴力，然后根据轴力最大螺栓编号对所有数据进行分组，再进行应力极值位置预测rbf神经网络的训练。训练方法可以为梯度下降法，训练目标函数ei可以如下面公式5所示：在上述公式5中，xi可以为第i组载荷数据，yi可以为载荷数据xi对应的轴力最大螺栓编号，f(xi)可以为预测轴力最大螺栓编号。为使目标函数最小，各参数的修正量应与其负梯度成正比，如下面公式6和公式7所示：在上述公式6和公式7其，e可以为样本集总误差，δ为基函数中心宽度，η为学习速率。训练时采用可变学习速率算法，给定初始学习速率η后，每次训练时η乘以一个随机数ρ，0.1≤ρ≤1。当训练误差小于1e-4或达到最大迭代次数后，神经网络训练可以结束。在数据输出层103，可以输出应力极值位置，如图3中的位置1-位置20。不同的位置可以对应不同的极值神经网络模型。图5是本发明一实施例的极值神经网络模型示意图。当应力极值位置预测rbf神经网络(位置神经网络模型100)构建完成后，需要继续构建与之相对应的应力极值预测神经网络，即每一个应力极值位置都有一个与之相对应的应力极值预测rbf神经网络，如图3中20个螺栓位置(位置1-位置20)可以对应20个极值神经网络模型200。如图5所示，极值神经网络模型200可以用于预测图3中应力极值位置的应力极值。如图3中的20个螺栓位置，就可以由20个极值神经网络模型200。极值神经网络模型200可以包括：数据输入层201、数据隐藏层202和数据输出层203。在数据输入层201，可以输入采集的数据(如输入当前载荷工况中6个载荷分量)，然后将采集的数据进行非线性变换。在数据输入层201，也可以对输入数据进行归一化处理。在数据隐藏层202，可以先基于k-means算法确定基函数中心xj，然后对经过非线性变换的相互耦合的多个当前载荷分量进行线性差值计算，得到应力极值。为了持续提高模型预测应力的精度，还可以通过预测的应力极值位置计算得到修正的应力极值(如预测的应力极值与计算的应力极值的差值)，将其重新返回基函数中心，进行多次循环，从而进行有监督式反馈学习，并使参数自适应。在数据输出层203，可以输出应力极值位置处的应力极值。具体的，可以先针对包含20个螺栓的螺栓法兰连接结构，构建应力极值预测rbf神经网络。如，待应力极值位置预测神经网络构建完成后，针对每一个应力极值位置构建与之对应的应力预测神经网络。此时训练样本中输入数据为归一化的6个载荷分量，输出数据为归一化的螺栓最大轴力，应力极值神经网络输入输出数据可以如下面表(4)所示：表(4)载荷工况mxmymzfxfyfzfs1-1.380.10-0.22-0.551.431.702.1220.210.39-0.371.70-1.69-1.02-0.4530.40-0.091.110.200.080.380.484-0.92-1.18-1.28-0.78-0.311.501.865-0.401.400.90-1.69-0.131.192.03极值预测神经网络的构建与训练方法与应力极值位置预测神经网络构建和训练方法相同，该部分内容不再赘述。当两部分神经网络完全构建完成后，进行整个应力预测平台的组建。应力预测平台组建完成后，可以用该平台对应力预测值的准确性进行数据测试，以验证预测的应力的精度。当输入载荷工况的6个载荷分量(分量的个数可以依据实际加载点的个数灵活变更)后，首先调用应力极值位置预测rbf神经网络进行应力极值位置的预测，输出预测位置。之后，可以调用与之相对应的应力极值预测rbf神经网络，输出预测应力极值，预测结果如表(5)所示：表(5)通过上述表(5)可知，当将6个载荷分量(如mx、my、mz、fx、fy和fz)输入位置神经网络模型100时，应力极值位置(轴力最大螺栓编号)的预测结果为15，该结果与计算结果15相同，误差为0。位置神经网络模型200的预测的应力极值位置的应力极值的预测结果570.76，而计算结果为570.02，误差仅为0.75，该误差较小。由此，上述发明实施例的风电机组的应力预测的精度较高，且随着有监督式反馈学习和参数自适应，该预测精度会逐渐增加。除了上述通过计算应力的方式测试精度之外，还可以利用如下曲线拟合的方法来测试风电机组的应力测试精度。图6为单一载荷分量作用下应力极值的变化关系曲线示意图。在本实施例中，待预测的风电机组的机组部件可以是图3中的螺栓法兰连接机构。如图6所示，该曲线为螺栓法兰连接机构在单一载荷分量作用下的应力极值的变化关系曲线图。在该曲线中，横坐标可以表示单一载荷分量(主导载荷)mx的数值，单位为knm。纵坐标可以表示螺栓轴力，单位为kn。该曲线可以表示螺栓轴力随外载荷主导载荷分量mx的变化关系。该曲线的精度可以用实际测得的多个小黑块(分布于图6曲线的两侧)来验证。各个小黑方块分别表示在不同横坐标主导载荷的作用下的螺栓轴力。由图6可知，小黑块和曲线的拟合度并不很高，存在一定的误差。具体的，螺栓轴力随mx增大呈上升趋势，但相对整体趋势仍存在一定波动。由此可知，螺栓轴力不仅受mx载荷分量的影响，同时还受到多个其它载荷分量耦合作用的影响。所以，将多个载荷分量简化为单一主导载荷分量的预测方法与实际情况存在一定误差。由此，不同载荷分量与输出应力之间的关系是不连续的，该关系不能简化为线性问题。将非线性问题直接简化为线性问题会损失精度。具体的，由于轴承连接、螺栓接触等非线性因素的存在，以及风机部件结构复杂导致的局部应力集中现象，输入载荷和结构响应之间的关系是非线性的。如果通过单一载荷分量来预测风电机组的机组部件的应力，可能会导致预测结果存在很大误差。因此，舍去单一载荷分量，而采用在当前工况下相互耦合的多个载荷分量，对风电机组进行应力预测，可以大大提高应力预测的精度。图7是本发明一实施例的风电机组的应力预测的方法的流程示意图。如图7所示，该方法可以包括：s701，采集风电机组的机组部件在当前载荷工况下相互耦合的多个当前载荷分量。将多个载荷工况、应力极值对应位置进行数据均一化处理，得到待输入的第一输入数据。s702，将在当前载荷工况下相互耦合的多个当前载荷分量作为输入，利用位置神经网络模型100预测得到机组部件的当前应力极值位置，如极值位置1、极值位置2……极值位置n。将第一输入数据输入应力极值位置预测rbf神经网络，由位置神经网络模型的数据隐藏层对其进行处理，并预测得到应力极值位置预测结果，如，极值位置1、极值位置2……极值位置n。s703，根据当前应力极值位置选择与其对应的极值神经网络模型。如极值位置1选择极值神经网络模型1，极值位置2选择极值神经网络模型2……极值位置n选择极值神经网络模型n。s704，将在当前载荷工况下相互耦合的多个当前载荷分量作为输入数据。将多个载荷工况、应力极值进行数据均一化处理，得到待输入的第二输入数据。s705，当极值位置1选择极值神经网络模型1时，将第二输入数据输入应力极值预测rbf神经网络1，由极值神经网络模型1的数据隐藏层对其进行处理，并预测得到应力极值预测结果1。当极值位置2选择极值神经网络模型2时，将第二输入数据输入应力极值预测rbf神经网络2，由极值神经网络模型2的数据隐藏层对其进行处理，并预测得到应力极值预测结果2。当极值位置n选择极值神经网络模型n时，将第二输入数据输入应力极值预测rbf神经网络n，由极值神经网络模型n的数据隐藏层对其进行处理，并预测得到应力极值预测结果n。具体的，本实施例首先可以由应力极值位置预测模块，根据训练样本数据中载荷数据及其对应的应力极值位置构建并训练rbf神经网络(位置神经网络模型)，当输入载荷数据时对应力极值位置进行预测。其次，本实施例还可以由多(n)个应力极值预测模块，每个模块对应一个应力极值位置。根据训练样本数据中载荷数据及其对应的应力极值构建rbf神经网络，当输入载荷数据时对应力极值进行预测。最后，对两部分中所有模块进行连接，构建结构应力预测平台，根据输入的载荷工况，同时给出最大应力的值及其位置。上述发明实施例与现有应力预测方法相比，不仅可以在输出应力极值的同时还可以给出了应力极值所对应的位置，其功能更加强大。与单变量、线性插值方法相比，上述实施例同时考虑了多个载荷分量对应力结果的影响，对多个载荷分量进行非线性变换和线性插值，同时每一个位置都有唯一与之相对应的应力极值预测rbf神经网络，计算结果可靠性、准确性更高。需要说明的是，在不冲突的情况下，本领域的技术人员可以按实际需要将上述的操作步骤的顺序进行灵活调整，或者将上述步骤进行灵活组合等操作。为了简明，不再赘述各种实现方式。另外，各实施例的内容可以相互参考引用。图8是本发明一实施例的风电机组的应力预测的装置的结构示意图。如图8所示，该装置可以包括：分量采集模块801、位置预测模块802、模型选择模块803和极值预测模块804。其中，分量采集模块801可以用于采集风电机组的机组部件在当前载荷工况下相互耦合的多个当前载荷分量；位置预测模块802可以用于将在当前载荷工况下相互耦合的多个当前载荷分量作为输入，利用位置神经网络模型预测机组部件的当前应力极值位置；模型选择模块803可以用于根据当前应力极值位置选择与其对应的极值神经网络模型；极值预测模块804可以用于将在当前载荷工况下相互耦合的多个当前载荷分量作为输入，利用极值神经网络模型预测当前应力极值位置的当前应力极值。在一些实施例中，极值预测模块804可以包括：第一变换单元和第一计算单元。其中，第一变换单元可以用于由极值神经网络模型基于输入的相互耦合的多个当前载荷分量进行非线性变换；第一计算单元可以用于对经过非线性变换的相互耦合的多个当前载荷分量进行线性差值计算，得到当前应力极值位置的当前应力极值。在一些实施例中，位置预测模块802可以包括：第二变换单元和第二计算单元。其中，第二变换单元可以用于由位置神经网络模型基于输入的相互耦合的多个当前载荷分量进行非线性变换；第二计算单元可以用于对经过非线性变换的相互耦合的多个当前载荷分量进行线性差值计算，得到当前应力极值位置。在一些实施例中，位置神经网络模型或极值神经网络模型可以包括：数据输入层、数据隐藏层和数据输出层。其中：在数据输入层，基于输入的相互耦合的多个当前载荷分量进行非线性变换；在数据隐藏层，对经过非线性变换的相互耦合的多个当前载荷分量进行线性差值计算得到计算结果；在数据输出层，输出计算结果。在一些实施例中，位置神经网络模型或极值神经网络模型可以包括：rbf神经网络模型。在一些实施例中，数据输入层可以用于：基于guass函数或sigmoidal函数作为基函数对输入的相互耦合的多个当前载荷分量进行非线性变换。在一些实施例中，多个当前载荷分量包括以下分量中的两种或者两种以上：多维空间中的各个方向的当前弯矩以及各个方向的当前受力值。在一些实施例中，风电机组的应力预测的装置可以包括：存储器和处理器。存储器可以用于存放计算机程序；处理器可以用于执行存储器存储的程序，程序使得处理器执行图1和图7中的方法。在一些实施例中，计算机可读存储介质可以包括计算机程序，当其在计算机上运行时，使得计算机执行图1和图7中的方法。在一些实施例中，风电机组的应力预测系统可以包括：极值神经网络模型库和风电机组的应力预测的装置。极值神经网络模型库内可以包括多个极值神经网络模型。利用各个极值神经网络模型可以预测当前应力极值位置的当前应力极值。由此，上述发明实施例可以增加应力极值位置作为预测输出变量，预测应力极值的同时给出相对应的位置；还可以将应力极值的预测与位置联系起来，不同位置可以对应不同的预测方法；应力预测时同时考虑多个相互耦合的载荷分量，输入载荷变量与输出应力变量之间不再是线性插值关系，通过rbf神经网络构建非线性的关系。需要说明的是，上述各实施例的装置可作为上述各实施例的用于各实施例的方法中的执行主体，可以实现各个方法中的相应流程，实现相同的技术效果，为了简洁，此方面内容不再赘述。在上述实施例中，可以全部或部分地通过软件、硬件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得计算机设备执行各个实施例或者实施例的某些部分所述的方法。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。当前第1页12