(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210707271.5 (22)申请日 2022.06.21 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 唐樟春　穆帅　夏艳君　袁云龙　 刘春洋　刘盼　 (74)专利代理 机构 电子科技大 学专利中心 51203 专利代理师 陈一鑫 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 119/14(2020.01) (54)发明名称 一种基于机器学习算法的装备基座机械阻 抗预测方法 (57)摘要 该发明公开了一种基于机器学习的装备基 座阻抗预测方法， 属于阻抗预测领域。 具体步骤 为： 建立装备基座模型， 确定装备基座的设计参 数， 确定需要预测的阻抗类型； 样本点信息为基 座的各个参数值； 对所有样本点进行谐响应仿真 分析和结果后处理， 获取样本点对应基座速度阻 抗数据； 将所有样本点对应的速度阻抗数据中相 同频率下的数据抽取出来， 作为机器学习的训练 集； 通过支持向量机回归， 针对每个频率进行回 归拟合， 得到所有频率的支持向量机回归模型； 将测试样本设计参数带入每个频率对应的支持 向量机回归模 型中， 得到各个频率对应的预测结 果。 在频域中将这些结果连接， 得到近似的装备 基座阻抗预测曲线。 本发明解决基座阻抗预测的 问题， 且具有高预测精度。 权利要求书2页 说明书8页 附图5页 CN 115186402 A 2022.10.14 CN 115186402 A 1.一种基于 机器学习算法的装备基座机 械阻抗预测方法， 该 方法包括： 步骤1： 通过中心复合试验设计法， 获得多组关于装备基座设计参数的样本点； 步骤2： 针对各个样本点， 通过谐响应分析得到装备基座的速度响应数据， 通过后处理， 计算得到所有样本点对应 基座的速度阻抗曲线； 步骤3： 提取 所有速度阻抗曲线中相同频率的数据作为该 频率下的训练样本； 步骤4： 利用训练样本结合支持向量机回归得到每 个频率下的预测模型； 步骤4.1： 确定需要预测的装备基座阻抗类比； 机械阻抗是结构体本身的特性， 体现在对输入振动信号的抵抗能力上， 机械阻抗设定 为激励力的复数幅值与响应力的复数幅值之比； 设结构收到的激励力为f(t)， f(t)的表达式为式1 ‑1， 稳态位移响应为x(t)， x(t)的表 达式为式1 ‑2； f(t)＝|F|ej( θt+α )＝Fej θt         F＝|F|ejα             (1‑1) x(t)＝|X|ej( θt+β )＝Xej θt         X＝|X|ejβ             (1‑2) 其中， F表示激励力的幅值， | ·|为取向量的模， θ表示周期， α表示相位， X表示位移幅 值， β 表示相位； 位移阻抗定义 为ZD； 步骤4.2： 确定用于建立装备基座机械阻抗预测的机器学习方法： 支持向量机回归； 建 立装备基座预测模型； 将支撑向量机分类中的超平面决策边界作为回归模型： f(X)＝ωTX+b； ω表示超平面的 法向量， b表示超平面的截距； 支持向量机回归模型的建立是一个训练的过程， 输入数据为X＝{X1,X2,…， Xi，…,XN}， Xi表示输入的特征空间， i＝1， 2， …， N， 学习目标为y＝{y1,y2,…， yi，…,yN}， yi表示输入特 征空间Xi对应的输出值； 在支持向量机回归过程中， 使距离超平面最远的样本点的间隔最小， 同时， 对于所有样 本点， 有f(X)与y的偏差不得超过设定阈值 ε； 支持向量机回归的优化过程为式(2 ‑1)和式(2 ‑2)， 其中w、 b分别为超平面的法向量和 截距： s.t.|yi‑f(Xi)|≤ ε                 (2‑2) 引入松弛变量ξi， 用来描述样本点偏离管道的程度， 得到软间距支持向量机回归， 数学 表达式如下： s.t.‑ε‑ξi*≤yi‑f(Xi)≤ ε+ξi             (2‑4) 其中， C是正则化系数， ξi是上界的松弛变量， ξi*是下界的松弛变量；权　利　要　求　书 1/2 页 2 CN 115186402 A 2引入拉格朗日乘子： α 、 α*、 μ、 μ*， 将目标函数转 化为： 优化问题的数 学表达式为： 求解得到最优参数αi和 αi*， 然后计算 w*， 选择下界支持向量(xk,yk)， 计算超平面截距b*， b*＝yk+ ε‑w*TXk                             (2‑9) 如果是对偶问题， 则有如下 KKT条件： 求解得到对偶问题的支持向量机回归函数为： 步骤5： 将需要预测的装备基座设计参数输入预测模型， 将针对所有频率的预测结果在 频域连接， 得到装备基座的阻抗预测曲线。 2.如权利要求1所述的一种基于机器学习算法的装备基座机械阻抗预测方法， 其特征 在于， 在针对不同设计的基座进 行阻抗预测时， 基座的设计参数共有4个， 分别为宽板宽、 窄 板宽、 板间距、 槽深。 3.如权利要求1所述的一种基于机器学习算法的装备基座机械阻抗预测方法， 其特征 在于， 响应分析中加载的载荷为单位简谐力。权　利　要　求　书 2/2 页 3 CN 115186402 A 3