一种温度敏感的涡卷弹簧热应力松弛预测方法及系统与流程

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系统。

背景技术：

1、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。

技术实现思路

1、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：

2、步骤1：数据准备和预处理；

3、步骤2：从标准化数据中提取关键特征；

4、步骤3：准备长短时记忆神经网络训练数据；

5、步骤4：定义温度敏感长短时记忆神经网络单元；

6、步骤5：定义自注意力机制；

7、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；

8、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；

9、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；

10、步骤9：结果分析和可视化。

11、在一优选的实施方式中，数据准备和预处理具体包括：

12、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。

13、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.

14、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：

15、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；

16、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。

17、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：

18、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；

19、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；

20、依据状态调整公式对lstm单元的状态输出β进行调整，

21、其中，所述状态调整公式是：

22、，

23、其中，t表示从序列开始的时间步长。

24、在一优选的实施方式中，定义自注意力机制具体包括：

25、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；

26、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；

27、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；

28、自注意力机制通过以下公式计算：

29、，

30、q: 查询向量，代表当前的输入元素；

31、k:键向量，代表与当前元素进行比较的序列元素；

32、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；

33、:键向量的维度，用于缩放点积，防止其过大。

34、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：

35、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。

36、本发明提供了一种温度敏感的涡卷弹簧热应力松弛预测系统，其特征在于，系统包括：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：

37、步骤1：数据准备和预处理；

38、步骤2：从标准化数据中提取关键特征；

39、步骤3：准备长短时记忆神经网络训练数据；

40、步骤4：定义温度敏感长短时记忆神经网络单元；

41、步骤5：定义自注意力机制；

42、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；

43、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；

44、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；

45、步骤9：结果分析和可视化。

46、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：

47、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；

48、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；

49、依据状态调整公式对lstm单元的状态输出β进行调整，

50、其中，所述状态调整公式是：

51、，

52、其中，t表示从序列开始的时间步长。

53、在一优选的实施方式中，定义自注意力机制具体包括：

54、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；

55、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；

56、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；

57、自注意力机制通过以下公式计算：

58、，

59、q: 查询向量，代表当前的输入元素；

60、k:键向量，代表与当前元素进行比较的序列元素；

61、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；

62、:键向量的维度，用于缩放点积，防止其过大。

63、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。

技术特征：

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：

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：

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：

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：

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：

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：

8.一种温度敏感的涡卷弹簧热应力松弛预测系统，其特征在于，所述系统包括：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：

9.根据权利要求8所述的系统，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：

10.根据权利要求9所述的系统，其特征在于，其中，定义自注意力机制具体包括：

技术总结
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系统，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。

技术研发人员：程鹏,邵晨曦,梁传圣,郭元恒,刘凌霄,程璐
受保护的技术使用者：中机生产力促进中心有限公司
技术研发日：
技术公布日：2024/2/21