(19)中华 人民共和国 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 202111160187.8 (22)申请日 2021.09.3 0 (71)申请人 南京航空航天大 学 地址 210016 江苏省南京市秦淮区御道街 29号 (72)发明人 王彬　马腾飞　 (74)专利代理 机构 江苏圣典律师事务所 32 237 代理人 韩天宇 (51)Int.Cl. G06F 30/27(2020.01) F15B 19/00(2006.01) G06F 119/14(2020.01) (54)发明名称 基于泛回归神经网络的软管等效体积弹性 模量计算方法 (57)摘要 本发明公开了一种基于泛回归神经网络的 软管等效体积弹性模量计算方法,采用软管连接 的双缸装置测试软管膨胀， 获得各个压力区间下 活塞位移与其对应的测试软管的容腔压力； 处理 原始数据获得测试软管的压力变化率及其对应 的容积变化率； 将筛选后的数据以压力 区间、 测 试软管的压力变化率作输入层， 以测试软管的容 积变化率作输出层， 对泛回归神经网络进行训 练、 测试， 建立软管模型。 本发明能够描述全工况 范围的软管变形， 提高控制精度， 与采用集中参 数法的建立的模 型相比， 能够更好的描述软管在 实际工作时的变化， 尤其是较高压力和软管弹性 系数下降的工况下， 对容积变化的辨识更符合实 际。 权利要求书2页 说明书6页 附图4页 CN 113987920 A 2022.01.28 CN 113987920 A 1.基于泛回归神经网络的软管等效体积弹性模量计算方法， 其特征在于， 包括以下步 骤： 步骤1)， 对双缸装置进行测试， 获取原 始数据； 所述双缸装置包含固定活塞缸、 移动活塞缸、 测试软管、 功能软管， 其中， 固定活塞缸的 缸体和活塞杆均固定， 移动活塞缸的缸体固定、 活塞杆能够自由滑动； 固定活塞缸、 移动活 塞缸中的无杆腔通过测试软管密闭联通， 固定活塞缸、 移动活塞缸中的有杆腔通过功能软 管密闭联通； 所述测试软管内设有压力传感器； 所述移动活塞缸 的活塞杆上设有测 量其位 移的位移传感器； 进 行测试时， 对移动活塞 缸的活塞 杆加载负载， 测得测试软管内不同压力 值对应的移动活塞缸活塞杆的位移量； 所述原始数据包含N组测试软管内压力值及其对应的移动活塞缸活塞杆的位移量， N为 预设的阈值； 步骤2)， 将测试软管的压力值范围划分为若干压力区间， 对原始数据进行处理， 得到测 试软管在各个压力区间下的压力变化 率及其对应容积变化 率； 步骤3)， 筛选掉重复数据， 以压力区间、 压力变化率作为输入层， 容积变化率作为输出 层， 并按预设的比例阈值随机划分训练组与测试组， 对泛回归神经网络进行训练、 测试， 建 立软管模型； 步骤4)， 需要 进行软管等效体积弹性模量计算时： 步骤4.1)， 获得待计算软管当前的压力数据， 并根据其压力数据计算出当前软管的压 力区间、 压力变化 率； 步骤4.2)， 将当前软管的压力区间、 压力变化率输入软管模型， 得到待计算软管的容积 变化率； 步骤4.3)， 根据待计算软 管的容积变化 率， 计算出其 等效体积弹性模量。 2.根据权利要求1所述的基于泛回归神经网络的软管等效体积弹性模量计算方法， 其 特征在于， 所述 步骤1)双缸装置的动力学平衡方程 为： 式中， m是负载质量； V1是固定活塞缸、 移动活塞缸中的无杆腔由于测试软管膨胀与流体 压缩结合导致的容积增量； V2是固定活塞缸、 移动活塞缸中的有杆腔由于功能软管膨胀与 流体压缩结合导致的容积增量； Ft是加载到移动活塞缸活塞杆上的负载； X移动活塞缸的活 塞位移； A11、 A21分别是固定活塞缸、 移动活塞缸中无杆腔的活塞有效作用面积； A12、 A22分别 是固定活塞缸、 移动活塞缸 中有杆腔的活塞有效作用面积； X11、 X21分别是固定活塞缸、 移动 活塞缸中无 杆腔的活塞位移； X12、 X22分别是固定活塞缸、 移动活塞缸中有杆腔的活塞位移。 3.根据权利要求1所述的基于泛回归神经网络的软管等效体积弹性模量计算方法， 其 特征在于， 所述 位移传感器采用LVDT位移传感器。 4.根据权利要求2所述的基于泛回归神经网络的软管等效体积弹性模量计算方法， 其 特征在于， 所述 步骤2)中根据以下公式计算测试 软管的容积变化 率：权　利　要　求　书 1/2 页 2 CN 113987920 A 2式中， 是测试软管的容积变化率； A是移动活塞缸无杆腔活塞有效面积； 是移动活塞 缸的活塞速率。 5.根据权利要求4所述的基于泛回归神经网络的软管等效体积弹性模量计算方法， 其 特征在于， 所述 步骤3)的具体步骤如下： 步骤3.1)， 数据筛 选： 去掉重复性数据与不合理数据， 获得用于神经网络训练的最终数据， 每组数据均包含 压力区间、 测试软管 的压力变化率及对应的测试软管 的容积变化率； 将最终数据按预设的 比例阈值随机划分训练 组与测试组， 训练 组内的最终数据即为学习样本； 步骤3.2)， 建立泛回归神经网络， 所述泛回归神经网络包含输入层、 模式层、 求和层、 输 出层， 其中： 输入层神经元数目等于学习样本 中输入向量， 即压力区间、 压力变化率的维数； 模式层 神经元的数目等于学习样本的数目n， 每 个样本都对应一个神经 元； 模式层神经 元传递函数为： 式中， X为网络输入变量， Xi为第i个神经元对应的学习样本, σ 是宽度,pi是模式层第i个 神经元的输出； 求 和 层 中 采 用 两 种 类 型 的 神 经 元 进 行 求 和 ，第 一 类 的 计 算 公 式 为 该式对所有模式层神经元的输出进 行算术求和， 其模式层与各神 经元的连接权值为1， 传递函数为 SD为第一类求和层的输出； 第二类计算公式 为 该式对所有模式层的神经元进行加权求和， 传递函数为 式中， SNj是第二类求和层的输出， yij是第i个模式层节点对 应的训练样本的标签的第j个元 素； k是测试 软管容积变化 率的维数； 输出层中的神经元数目等于学习样本 中输出向量， 即测试软管容积变化率的维数k,各 神经元的输出值 为第二类求和层除以第一类求和层的值， 即 步骤3.3)， 建立软 管模型： 以压力区间、 测试软管的压力变化率为泛回归神经网络的输入， 以测试软管的容积变 化率为泛回归神经网络的输出， 利用训练组与测试组对泛回神经网络进行训练测试， 获得 软管模型。权　利　要　求　书 2/2 页 3 CN 113987920 A 3