基于多层堆叠学习器的结构力学响应场数字孪生方法

本发明属于数字孪生，涉及一种基于多层堆叠学习器的结构力学响应场数字孪生方法。

背景技术：

1、工业装备结构作为先进制造业的典型应用，是建设制造强国的重要支撑。针对结构开展力学响应监测，是结构设计、生产和运维中的关键环节，对于保障结构安全性及延长寿命具有重要意义。然而，结构的大型化和复杂化限制了传感器布设的空间覆盖度，稀疏传感器测点难以反映全场力学响应；仿真分析虽能实现全场力学响应预测，但因理想化的仿真模型与实际结构在几何尺寸、边界条件等方面存在偏差，仿真结果往往精度不足。因此，需要综合传感器监测和仿真分析两种评估方法的优势进行全场、高精度结构力学响应监测。

2、近年来，数字孪生技术在实时监控、故障检测、预测性维护等领域展现出了应用潜力，有望为提升结构智能化水平赋能。数据融合作为数字孪生的关键技术，能够结合传感器数据与仿真数据建立数字孪生模型。但目前的数据融合工作大多依赖于单个模型建立数字孪生模型，所建立模型泛化性能不足、预测结果精度较低（zhang x h, zhu q x, he y l,et al. a novel robust ensemble model integrated extreme learning machine withmulti-activation functions for energy modeling and analysis: application topetrochemical industry[j]. energy, 2018, 162: 593-602.）。多层堆叠学习器作为一种结合多个机器学习模型的集成学习方法，通过集成多个模型的输出信息，可以解决单一模型自身学习能力不足问题，减少模型预测方差和偏差，提高模型的泛化性能以及预测精度。因此，有必要面向工业装备结构，基于多层堆叠学习器思想融合传感器与仿真数据，建立全场、高精度的力学响应场数字孪生模型，提升数字孪生模型预测性能及可靠性。

技术实现思路

1、为了解决工业装备结构缺少全场、高精度力学响应监测方法的问题，本发明提出一种基于多层堆叠学习器的结构力学响应场数字孪生方法，能够实现结构全场、高精度的力学响应监测。

2、为了达到上述目的，本发明采用的技术方案为：

3、一种基于多层堆叠学习器的结构力学响应场数字孪生方法，所述的结构力学响应场数字孪生方法包括：首先，进行结构的数值仿真并获得仿真数据集；其次，基于仿真数据集，通过超参数调优方法建立预训练模型，作为多层堆叠学习器的首层；再次，收集传感器数据，获得其响应值与预训练模型响应值的残差集；之后，基于残差集训练残差模型作为多层堆叠学习器的中间层和末层；最后，结合多层堆叠学习器的所有层建立结构数字孪生模型。包括以下步骤：

4、步骤一：进行结构数值仿真并获得仿真数据集，具体的：

5、基于实际结构的三维信息建立仿真模型，并通过网格划分得到结构坐标值。开展结构的力学响应场数值仿真，提取仿真结果作为仿真数据集i(x, y, z, r)，并对结构坐标值进行归一化，其中x、y、z为归一化后的结构坐标值，r为结构仿真力学响应值。所述的力学响应场包括应力场、应变场、位移场、加速度场、温度场、电磁场。

6、步骤二：基于仿真数据集，通过超参数调优方法建立预训练模型，作为多层堆叠学习器的首层。具体的：

7、2.1）将步骤一中得到的仿真数据集i(x, y, z, r)划分为训练集p(x, y, z, r)和验证集q(x, y, z, r)。

8、2.2）将训练集p(x, y, z, r)中的坐标值x，y，z作为机器学习模型的输入，力学响应值r作为机器学习模型的输出，训练坐标值与响应值间的映射关系。并基于验证集q(x,y, z, r)对机器学习模型进行超参数调优，得到最优超参数。

9、2.3）基于得到的最优超参数，采用机器学习模型训练仿真数据集i(x, y, z, r)得到预训练模型，作为多层堆叠学习器的首层。

10、进一步的，所述的2.2）中，超参数调优方法包括网格搜索方法、随机搜索方法、贝叶斯优化方法。

11、进一步的，所述的2.3）中，机器学习模型包括梯度提升树模型、极端梯度提升模型、随机森林模型、径向基函数模型、深度神经网络模型。

12、步骤三：针对实际结构力学响应场监测，布设传感器。监测时，实时收集传感器数据，建立相同坐标位置下传感器数据集响应值与预训练模型响应值之间的残差值，得到传感器残差数据集。具体的：

13、3.1）针对实际结构力学响应场监测，预先布设传感器。监测时，实时收集传感器数据，提取传感器获取数据的坐标值及力学响应值，并对坐标值归一化，得到与步骤一得到的仿真数据集数据格式匹配的传感器数据集i1(x, y, z, r)，其中，x、y、z为归一化后的传感器数据坐标值，r为真实响应值。将传感器数据集i1(x, y, z, r)中的坐标值x，y，z作为步骤二中预训练模型的输入，得到预训练模型预测的力学响应值。

14、3.2）通过传感器数据集的真实响应值r与预训练模型预测的力学响应值，得到二者之间的残差值h，其中，。

15、3.3）将传感器数据集的坐标值x，y，z与残差值h集合，得到传感器残差数据集h(x,y, z, h)。

16、步骤四：基于传感器残差数据集训练残差模型，并将残差模型作为多层堆叠学习器的中间层和末层。所述多层堆叠学习器的中间层为由k个基模型构成的基模型层；所述多层堆叠学习器的末层为由单个元模型构成的元模型层。具体的：

17、4.1）将步骤3.3）得到传感器残差数据集h(x, y, z, h)划分为训练集s(x, y, z,h)和测试集t(x, y, z, h)，基于k折交叉验证方法，将训练集划分为k份，记为s1(x, y, z,h1)~sk(x, y, z, hk)，并得到真实残差集响应值。

18、4.2）训练基模型层作为多层堆叠学习器的第二层，作为中间层，具体的：

19、采用训练集s2(x, y, z, h2)~sk(x, y, z, hk)训练基模型层中的第1个基模型，即基模型1，将已训练的基模型1对训练集s1(x, y, z, h1)和测试集t(x, y, z, h)进行预测，得到基于训练集s1(x, y, z, h1)的预测值和基于测试集t(x, y, z, h)的预测值。

20、采用训练集s1(x, y, z, h1)、s3(x, y, z, h3)~sk(x, y, z, hk)训练基模型层中的第2个基模型，即基模型2，基于基模型2对训练集s2(x, y, z, h2)与测试集t(x, y, z,h)进行预测，得到基于训练集s2(x, y, z, h2)的预测值和基于测试集t的预测值；以此类推，训练基模型层中第3~第k个基模型，并得到k个训练集的预测值和基于测试集t的预测值。

21、4.3）集合k组训练集的预测值，得到基模型层的预测值，同时，对k组测试集的预测值取平均得到。

22、4.4）训练元模型层作为多层堆叠学习器的末层。将步骤4.3）得到的基模型层的预测值作为元模型层的输入，步骤4.1）得到的真实残差集响应值作为元模型层的输出，训练元模型，得到输入与输出之间的映射关系。

23、4.5）将步骤4.3）得到k组测试集的预测值的平均值输入元模型，基于步骤4.4）中输入、输出之间的映射关系得到测试集的预测结果，作为残差模型的预测结果。

24、此外，多层堆叠学习器的中间层可包括多个基模型层，依次作为多层堆叠学习器的第二层，第三层，…，以此类推。其中，同一基模型层中的基模型可以是相同的或不同的，不同基模型层中的基模型数量可以是相同的或不同的。

25、进一步的，所述的4.2）中，基模型包括线性回归模型、支持向量回归模型、径向基函数模型、克里金模型。

26、进一步的，所述的4.4）中，元模型包括线性回归模型、支持向量回归模型、径向基函数模型、克里金模型。

27、步骤五：结合多层堆叠学习器的所有层建立结构数字孪生模型，具体的：

28、将步骤二得到的预训练模型作为多层堆叠学习器的首层，步骤四得到的残差模型作为多层堆叠学习器的中间层和末层，结合所有层，建立结构数字孪生模型。将结构归一化后的全部空间坐标值x，y，z 输入至数字孪生模型，实现结构力学响应场的实时监测。

29、本发明的有益效果为：

30、（1）针对结构力学响应场监测，本发明通过多个学习器结合实现传感器数据集与仿真数据集融合，得到了高泛化性能及高预测精度的结构力学响应场数字孪生模型，实现了结构全场、高精度的力学响应监测。

31、（2）本发明通过多层堆叠学习器，结合多个机器学习模型进行预测，较传统的单个机器学习模型预测，降低了模型预测的偏差和方差，提高了模型预测的泛化能力和预测结果精度。

32、（3）本发明通过提高模型预测的泛化能力和预测结果精度，建立了结构力学响应场数字孪生模型，可对结构设计、生产和运维等环节开展全场、高精度的力学响应监测，对于保障结构安全及延长寿命具有重要意义。