一种精密设备的振动响应预测方法、装置、系统及介质与流程

1.本发明涉及超导量子技术领域，特别是涉及一种精密设备的振动响应预测方法、装置、系统及计算机可读存储介质。


背景技术：

2.近年来，超导技术在科研和工业中的应用越来越广泛，如在超导量子计算机、核聚变实验装置、高能粒子加速器、超导磁体储能系统、磁流体(mhd)、强磁场研究、化学分析(nuclear magneticresonance spectroscopy)、医学(mri)、运输系统(磁悬浮列车)、超导电力传输、超导电机方面的应用等，已发展成为有一定规模且极具前景的一门实用技术。
3.上述诸多技术的发展和科学研究都需要在一个极低温冷却系统环境下，通常需要到k级，甚至是mk级，更进一步的研究表明需要到nk甚至pk级，这个极低温冷却系统的温度稳定性直接影响整个装置的正常运行，这个极低温冷却系统是一种精密设备，对加工和制造工艺要求都非常高，而且极易受外界环境振动的影响，通常需要保持在非常低振动量级(μm以下)，因此需要采取各种减振隔振措施并且实时监测，但在极低温下的振动直接测试目前是个难题。
4.以超导量子计算机为例，其芯片系统和微波元器件等器件要求在极低温下工作，其极低温冷却系统的建立通常采用稀释制冷机，这就是一种精密设备，通过稀释制冷机的逐级制冷最终实现实验区的极低温(通常为10mk左右)，由于芯片系统和微波器件对温度的稳定性要求极高，小幅的振动可能引起温度的漂移，并且在长期的振动环境下易使各个零件产生共振，使螺丝或者螺母松脱，最终影响精密设备的正常使用。而在这种极低温环境下，目前没有合适的振动传感器对其进行振动监测，因而在实验测试过程中无法及时识别是否是振动引起的振动敏感器件的性能下降还是其它因素导致，严重影响整个试验系统连续长期的工作和实验中有效数据甄别。
5.现有技术中，为了减小振动噪声对实验测试器件的影响，采用将振动源尽量远离精密仪器主体，也有采用增加减振层来降低环境振动对精密仪器各部件之间的传递，但是由于试验被试件或者实际研究对象是安装在精密设备的最低温度的环境腔内，由于现有的振动传感器无法应用在这种极端温度下的测试，因此在实验过程中内部振源或者环境振动最终传递到实验区附近的振动水平是多少量级，没有条件直接进行实时振动响应监测，也无法预判振动对整个实验的影响及时做出预警或者调控。
6.鉴于此，如何提供一种能够实现对精密设备振动响应进行预测的方法、装置、系统及计算机可读存储介质成为本领域技术人员需要解决的问题。


技术实现要素：

7.本发明实施例的目的是提供一种精密设备的振动响应预测方法、装置、系统及计算机可读存储介质，在使用过程中能够实现对极低温条件下精密设备的振动测量。
8.为解决上述技术问题，本发明实施例提供了一种精密设备的振动响应预测方法，
包括：
9.对精密设备的基准点进行振动响应测试，得到所述基准点的振动响应数据；
10.基于所述基准点的振动响应数据，利用预先建立的与基准点和目标测试点相关的神经网络模型对所述基准点的振动响应数据进行分析，得到与所述基准点对应的目标测试点的振动响应数据；其中，所述基准点位于所述精密设备表面，所述目标测试点位于所述精密设备的内部预设区域处。
11.可选的，所述与基准点和目标测试点相关的神经网络模型的建立过程，包括：
12.基于所述精密设备的3d模型建立初始有限元模型；
13.基于所述精密设备的物理模型进行试验模态测试，得到试验模态测试结果；
14.采用所述试验模态测试结果对所述初始有限元模型进行修正，得到修正后的校准有限元模型；
15.基于预先获取的与所述精密设备对应的环境振动加速度数据和所述校准有限元模型进行神经网络训练，得到与基准点和目标测试点相关的神经网络模型。
16.可选的，所述基于所述精密设备的物理模型进行试验模态测试，得到试验模态测试结果，包括：
17.基于所述精密设备的物理模型构建试验模态线框模型；
18.对所述试验模态线框模型进行数据采集，得到不同输入激励下每个测点的加速度响应数据；
19.基于所有所述加速度响应数据和输入激励数据得到试验模态测试结果，所述试验模态测试结果包括多阶模态下的模态频率、阻尼和振型。
20.可选的，所述输入激励为力锤激励或激振器激励。
21.可选的，所述采用所述试验模态测试结果对所述初始有限元模型进行修正，得到修正后的校准有限元模型，包括：
22.采用初始有限元模型计算得到有限元计算结果，所述有限元计算结果包括多组模态频率及对应的振型；
23.对所述有限元计算结果和所述试验模态测试结果进行缩聚处理，得到缩聚后的有限元计算结果和试验模态测试结果；
24.对所述缩聚后的有限元计算结果和所述试验模态测试结果中的频率和振型进行误差分析和灵敏度分析，确定出有限元模型的各个待修正参数；
25.通过修正迭代的方式对各所述待修正参数进行迭代修正，直至迭代收敛时得到修正后的参数；
26.基于各修正后的参数得到修正后的有限元模型；
27.对所述修正后的有限元模型进行振型和频率的误差验证，在验证通过的情况下将所述修正后的有限元模型作为校准有限元模型。
28.可选的，所述基于预先获取的与所述精密设备对应的环境振动加速度数据和所述校准有限元模型进行神经网络训练，得到与基准点和目标测试点相关的神经网络模型，包括：
29.对所述精密设备所在实验室进行振动测试，得到环境振动加速度数据；
30.将所述环境振动加速度数据作为所述校准有限元模型的输入激励，得到针对每个
基准点和每个目标测试点各自的振动响应样本数据；
31.基于每个所述基准点的振动响应样本数据和每个所述目标测试点的振动响应样本数据构建训练集；
32.采用所述训练集对神经网络进行训练，得到反映每个所述基准点与对应的目标测试点对应关系的神经网络模型。
33.本发明实施例还提供了一种精密设备的振动响应预测装置，包括：
34.测试模块，用于对精密设备的基准点进行振动响应测试，得到所述基准点的振动响应数据；
35.分析模块，用于基于所述基准点的振动响应数据，利用建立模块预先建立的与基准点和目标测试点相关的神经网络模型对所述基准点的振动响应数据进行分析，得到与所述基准点对应的目标测试点的振动响应数据；其中，所述基准点位于所述精密设备表面，所述目标测试点位于所述精密设备的内部预设区域处。
36.可选的，所述建立模块，包括：
37.第一建立单元，用于基于所述精密设备的3d模型建立初始有限元模型；
38.测试单元，用于基于所述精密设备的物理模型进行试验模态测试，得到试验模态测试结果；
39.修正单元，用于采用所述试验模态测试结果对所述初始有限元模型进行修正，得到修正后的校准有限元模型；
40.训练单元，用于基于预先获取的与所述精密设备对应的环境振动加速度数据和所述校准有限元模型进行神经网络训练，得到与基准点和目标测试点相关的神经网络模型。
41.可选的，所述训练单元，包括：
42.测试子单元，用于对所述精密设备所在实验室进行振动测试，得到环境振动加速度数据；
43.计算子单元，用于将所述环境振动加速度数据作为所述校准有限元模型的输入激励，得到针对每个基准点和每个目标测试点各自的振动响应样本数据；
44.构建子单元，用于基于每个所述基准点的振动响应样本数据和每个所述目标测试点的振动响应样本数据构建训练集；
45.训练子单元，用于采用所述训练集对神经网络进行训练，得到反映每个所述基准点与对应的目标测试点对应关系的神经网络模型。
46.本发明实施例还提供了一种精密设备的振动响应预测系统，包括：
47.存储器，用于存储计算机程序；
48.处理器，用于执行所述计算机程序时实现如上述所述精密设备的振动响应预测方法的步骤。
49.本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述精密设备的振动响应预测方法的步骤。
50.本发明实施例还提供了一种精密设备的振动响应预测方法、装置、系统及计算机可读存储介质，包括：对精密设备的基准点进行振动响应测试，得到基准点的振动响应数据；基于基准点的振动响应数据，利用预先建立的与基准点和目标测试点相关的神经网络
模型对基准点的振动响应数据进行分析，得到与基准点对应的目标测试点的振动响应数据；其中，基准点位于精密设备表面，目标测试点位于精密设备的内部预设区域处。
51.可见，本发明实施例中预先建立与基准点和目标测试点相关的神经网络模型，然后通过对精密设备的基准点进行振动响应测试得到基准点的振动响应数据，并将该振动响应数据输入至训练好的神经网络模型中，通过该神经网络模型对该基准点的振动响应数据进行分析，输出与该基准点对应的目标测试点的振动响应数据。也即，本发明通过对常温下的基准点进行振动响应测试，结合训练的神经网络模型即可预测得到处于极低温位置的目标预测点的振动响应数据，实现对极低温条件下精密设备的振动测量。
附图说明
52.为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中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。
53.图1为本发明实施例提供的一种精密设备的振动响应预测方法的流程示意图；
54.图2为本发明实施例提供的一种有限元模型的校准过程示意图；
55.图3为本发明实施例提供的一种神经网络模型的训练过程示意图；
56.图4为本发明实施例提供的一种精密设备的振动响应预测装置的结构示意图；
57.图5为本发明实施例提供的一种精密设备的振动响应预测系统的结构示意图。
具体实施方式
58.本发明实施例提供了一种精密设备的振动响应预测方法、装置、系统及计算机可读存储介质，在使用过程中能够实现对极低温条件下精密设备的振动测量。
59.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做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。
60.请参照图1，图1为本发明实施例提供的一种精密设备的振动响应预测方法的流程示意图。该方法包括：
61.s110：对精密设备的基准点进行振动响应测试，得到基准点的振动响应数据；
62.需要说明的是，本发明实施例中可以预先确定出精密设备上的各基准点和各目标测试点，其中，每个基准点均位于精密设备表面，也即常温下可以测量到的位置为基准点，每个目标测试了均位于精密设备的内部预设区域处，具体的可以根据实际应用中使用稀释制冷剂时的低温位置处，并且是需要测量的位置，这些位置确定出各个目标测试点，然后建立能够反映各基准点和相应的目标测试点之间振动响应关系的神经网络模型，在需要对精密设备上的各目标测试点进行振动响应测试时，可以通过对精密设备的基准点进行振动响应测试，获取基准点的振动响应数据。
63.s120：基于基准点的振动响应数据，利用预先建立的与基准点和目标测试点相关的神经网络模型对基准点的振动响应数据进行分析，得到与基准点对应的目标测试点的振
动响应数据；其中，基准点位于精密设备表面，目标测试点位于精密设备的内部预设区域处。
64.具体的，在得到基准点的振动响应数据后，将该基准点的振动响应数据作为上述训练好的神经网络的输入，通过该神经网络对该基准点的振动响应数据进行分析，输出与该基准点对应的目标测试点的振动响应数据，从而实现对目标测试点的振动响应测试。
65.进一步的，上述与基准点和目标测试点相关的神经网络模型的建立过程，具体可以包括：
66.基于精密设备的3d模型建立初始有限元模型；
67.基于精密设备的物理模型进行试验模态测试，得到试验模态测试结果；
68.采用试验模态测试结果对初始有限元模型进行修正，得到修正后的校准有限元模型；
69.基于预先获取的与精密设备对应的环境振动加速度数据和校准有限元模型进行神经网络训练，得到与基准点和目标测试点相关的神经网络模型。
70.需要说明的是，可以获取精密设备的3d模型，然后基于该精密设备的3d模型建立对应的初始有限元模型，其中，包括确定初始有限元模型的各参数的初始值。
71.然后，基于精密设备的物理模型进行试验模态测试，得到试验模态测试结果，该过程具体可以包括：
72.基于精密设备的物理模型构建试验模态线框模型；
73.对试验模态线框模型进行数据采集，得到不同输入激励下每个测点的加速度响应数据；
74.基于所有加速度响应数据和输入激励数据得到试验模态测试结果，试验模态测试结果包括多阶模态下的模态频率、阻尼和振型。
75.需要说明的是，在实际应用中可以基于精密设备的物理模型建立对应的试验模态线控模型，具体的可以先确定精密设备的物理模型的边界条件，包括模态类型，例如自由模型或弹性模态等信息，将精密设备的物理模型的边界条件作为实现模态线控模型的边界条件，还可以标识出试验测试所使用的总体坐标系，进一步确定出输入激励的方式(例如力锤激励或激振器激励等)，并根据实际情况下的测试需求选择合适的传感器类型及安装方式，在振动测试时通过传感器获取安装点(也即测点)的振动加速度数据，然后根据实际测试需求确定出策略自由度，包括测点的位置、数量和方向等信息，根据确定的自由度生成试验模态线控模型的几何模型。将传感器连接采集系统，对试验模态线控模型进行数据采集，在进行数据采集时可以先进行预采集来确定合理的参数(例如采样率、采集仪量程设置、采样时长等参数)，然后在确定好参数后进行正式采集，也即通过改变输入激励来采集不同输入激励下各个测点的加速度响应数据，并从所有的加速度响应数据中提取出多阶模态下的模态频率、阻尼和振型作为试验模态测试结果。当然，在得到多阶模态下的模态频率、阻尼和振型后，还可以对所提取的信息进行验证，例如可以通过模态判断准则(mac)、模态参与(mp)、模态相位共线性、模态置信因子等方法对提取的信息进行验证，在验证通过的情况下，例如各阶模态之间的相关性达到预设值，则说明各阶模态之间没有交叉，此时获取到的这些数据结合相应的输入激励数据即可作为最终的试验模态测试结果。
76.在得到试验模态测试结果后，为了提高最终训练的神经网络的精确度，本发明实
施例中可以采用试验模态测试结果对初始有限元模型进行修正，得到修正后的校准有限元模型，然后在基于修正后的校准有限元模型进行后续的神经网络训练。
77.进一步的，上述采用试验模态测试结果对初始有限元模型进行修正，得到修正后的校准有限元模型的过程，具体可以包括：
78.采用初始有限元模型计算得到有限元计算结果，有限元计算结果包括多组模态频率及对应的振型；
79.对有限元计算结果和试验模态测试结果进行缩聚处理，得到缩聚后的有限元计算结果和试验模态测试结果；
80.对缩聚后的有限元计算结果和试验模态测试结果中的频率和振型进行误差分析和灵敏度分析，确定出有限元模型的各个待修正参数；
81.通过修正迭代的方式对各待修正参数进行迭代修正，直至迭代收敛时得到修正后的参数；
82.基于各修正后的参数得到修正后的有限元模型；
83.对修正后的有限元模型进行振型和频率的误差验证，在验证通过的情况下将修正后的有限元模型作为校准有限元模型。
84.需要说明的是，请参照图2，本发明实施例中先基于初始有限元模型得到有限元计算结果，具体的初始有限元模型的边界条件与试验模态线框模型的边界条件一致，材料属性、部件连接关系等与精密设备的物理模型一致，所得到的的有限元计算结果可以包括各阶模态的频率和振型，也即得到多组频率与振型。然后对得到的上述有限元计算结果和试验模态测试结果进行缩聚处理，具体可以通过有限元软件或者实验测试配套软件自带的缩聚功能分别对有限元计算结合和试验模态测试结果进行缩聚，得到缩聚后的有限元计算结果和试验模态测试结果，例如缩聚后的数据包括前预设数量阶次的数据(例如频率、刚度、阻尼、振型等)，通过这些数据即可很好地表达精密设备的物理模型。对缩聚后的有限元计算结果和试验模态测试结果中的频率或振型等按照频率从小到大进行排序，并进行模型匹配mac分析，具体为通过mac分析计算每个频率下有限元计算结果中的振型与试验模态测试结果中的振型的相似度；然后通过读取初始有限元模型的材料参数、弹簧刚度、螺栓预应力等数据，初步筛选出需要进行校准的参数，并进一步设置每个参数的上下限，选择等效的目标阶次和权重系数，计算并显示设计参数对等效目标的灵敏度矩阵，从而实现对各参数的灵敏度分析，并根据灵敏度分析结果确定出待修正参数(也即待修正设计参数)；在确定出各待修正参数后，对各待修正参数进行修正迭代，具体可以通过设置最大迭代次数和迭代补偿，然后进行迭代计算，并且在迭代过程中显示迭代过程图，包括参数收敛图、优化目标收敛图、mac迭代图，每一步的灵敏度矩阵图等，然后根据迭代收敛图可以进一步确定各待修正参数是否均收敛，也即是否均趋于一个对应的定值，若是，则得到修正后的各个参数，然后基于修正后的各参数进一步确定出修正后的有限元模型，若不收敛，则返回到有限元计算结果处重新开始修正。另外，在得到修正后的参数和修正后的有限元模型后，为了进一步保证有限元模型的精确度，可以进行质量检验，具体可以对修正的有限元模型重新进行mac计算分析，对振型和频率进行误差检验，在检验通过的情况下，说明修正后的有限元模型与试验模态线框模型的一致性能够达到所要求的的精度，将修正后的有限元模型作为最终的校准有限元模型，否则，返回到通过初始有限元模型计算得到有限元计算结果的步骤
重新开始校准。
85.进一步的，上述基于预先获取的与精密设备对应的环境振动加速度数据和校准有限元模型进行神经网络训练，得到与基准点和目标测试点相关的神经网络模型的过程，具体可以包括：
86.对精密设备所在实验室进行振动测试，得到环境振动加速度数据；
87.将环境振动加速度数据作为校准有限元模型的输入激励，得到针对每个基准点和每个目标测试点各自的振动响应样本数据；
88.基于每个基准点的振动响应样本数据和每个目标测试点的振动响应样本数据构建训练集；
89.采用训练集对神经网络进行训练，得到反映每个基准点与对应的目标测试点对应关系的神经网络模型。
90.需要说明的是，本发明实施例中可以预先确定出精密设备的多个基准点和多个目标测试点，其中，每个基准点均位于精密设备表面，也即常温下可以测量到的位置为基准点，每个目标测试了均位于精密设备中处于极低温度的位置处，并且是需要测量的位置，这些位置确定出各个目标测试点。具体的，对精密设备所在实验室进行振动测试，得到多组环境振动加速度数据，然后将环境振动加速度数据作为校准有限元模型的输入激励，从而得到每个环境振动加速度下每个基准点和每个目标测试点的振动响应样本数据，然后基于每个基准点的振动响应样本数据和每个目标测试点的振动响应样本数据，构建训练集(xi，yi)，其中，xi表示第i个基准点的振动响应样本数据(也即输入数据)，yi表示期望输出，具体为第i个目标测试点的振动响应样本数据，也即为目标预测点的理论值。请参照图3，输入训练集(xi，yi)，通过bp神经网络预测得到预测值，然后将预测值与对应的理论值进行比较，得到对应的均方误差，进一步基于该均方误差对bp神经网络进行参数更新，判断训练集是否遍历结束，若没有遍历结束，则针对训练集中的下一组数据返回至通过bp神经网络预测得到预测值的过程，并进行下一轮训练更新，直至训练集遍历结束后，进一步判断最后得到的均方误差是否达到预设要求，在达到预设要求的情况下得到最终bp神经网络的参数以及训练好的反映每个基准点与对应的目标测试点对应关系的神经网络模型，在没有达到预设要求的情况下，则需要返回重新遍历训练集进行再次训练，直至满足预设要求后，得到最终的神经网络模型，然后利用该训练好的神经网络模型基准点的振动响应数据进行分析，输出与该基准点对应的目标测试点的振动响应数据。
91.可见，本发明实施例中预先建立与基准点和目标测试点相关的神经网络模型，然后通过对精密设备的基准点进行振动响应测试得到基准点的振动响应数据，并将该振动响应数据输入至训练好的神经网络模型中，通过该神经网络模型对该基准点的振动响应数据进行分析，输出与该基准点对应的目标测试点的振动响应数据。也即，本发明通过对常温下的基准点进行振动响应测试，结合训练的神经网络模型即可预测得到处于极低温位置的目标预测点的振动响应数据，实现对极低温条件下精密设备任意位置的振动测量。
92.在上述实施例的基础上，本发明实施例还提供了一种精密设备的振动响应预测装置，具体请参照图4。该装置包括：
93.测试模块11，用于对精密设备的基准点进行振动响应测试，得到基准点的振动响应数据；
94.分析模块12，用于基于基准点的振动响应数据，利用建立模块13预先建立的与基准点和目标测试点相关的神经网络模型对基准点的振动响应数据进行分析，得到与基准点对应的目标测试点的振动响应数据；其中，基准点位于精密设备表面，目标测试点位于精密设备的内部预设区域处。
95.进一步的，上述建立模块13包括：
96.第一建立单元，用于基于精密设备的3d模型建立初始有限元模型；
97.测试单元，用于基于精密设备的物理模型进行试验模态测试，得到试验模态测试结果；
98.修正单元，用于采用试验模态测试结果对初始有限元模型进行修正，得到修正后的校准有限元模型；
99.训练单元，用于基于预先获取的与精密设备对应的环境振动加速度数据和校准有限元模型进行神经网络训练，得到与基准点和目标测试点相关的神经网络模型。
100.进一步的，训练单元包括：
101.测试子单元，用于对精密设备所在实验室进行振动测试，得到环境振动加速度数据；
102.计算子单元，用于将环境振动加速度数据作为校准有限元模型的输入激励，得到针对每个基准点和每个目标测试点各自的振动响应样本数据；
103.构建子单元，用于基于每个基准点的振动响应样本数据和每个目标测试点的振动响应样本数据构建训练集；
104.训练子单元，用于采用训练集对神经网络进行训练，得到反映每个基准点与对应的目标测试点对应关系的神经网络模型。
105.需要说明的是，本发明实施例中提供的精密设备的振动响应预测装置具有与上述实施例中所提供的精密设备的振动响应预测方法相同的有益效果，并且对于本发明实施例中所涉及到的精密设备的振动响应预测方法的具体介绍请参照上述实施例，本发明在此不再赘述。
106.如图5所示，在上述实施例的基础上，本发明实施例还提供了一种精密设备的振动响应预测系统，包括：
107.存储器20，用于存储计算机程序；
108.处理器21，用于执行计算机程序时实现如上述精密设备的振动响应预测方法的步骤。
109.本实施例提供的电子设备可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
110.其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以在集成有gpu(graphics processing unit，图像处理器)，gpu
用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
111.存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的精密设备的振动响应预测方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括windows、unix、linux等。数据203可以包括但不限于设定的偏移量等。
112.在一些实施例中，电子设备还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
113.本领域技术人员可以理解，图5中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的组件。
114.可以理解的是，如果上述实施例中的精密设备的振动响应预测方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、磁碟或者光盘等各种可以存储程序代码的介质。
115.基于此，在上述实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述精密设备的振动响应预测方法的步骤。
116.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
117.还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
118.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些
功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
119.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其他形式的存储介质中。
120.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。