动载荷识别物理嵌入式神经网络模型与方法

针对传统动载荷识别方法中频响函数矩阵求逆运算导致的不适定性问题;以及深度学习方法缺乏物理可解释性的局限;提出了一种全新的物理嵌入式神经网络（PENN）动载荷识别模型与方法。通过将结构动力学参数（如模态质量、模态刚度、模态阻尼等）直接嵌入神经网络中;构建出具有物理可解释性的PENN动载荷识别模型。PENN模型能够以正向计算过程直接识别动载荷的功率谱密度;避免了传统方法的频响函数矩阵求逆运算;并能够对其内部的物理参数进行自适应修正;保证了在先验物理参数不准确时仍能实现动载荷的高精度识别。详细阐述了方法机理、PENN模型构建规则、参数设定及训练流程;并对多种工况下的动载荷进行了数值仿真与实验验证;结果表明;本方法在动力学系统先验参数不准确和仅有1组训练样本的情况下;识别动载荷的皮尔逊相关系数均不低于95%;展现出较好的鲁棒性和工程应用潜力。