[发明专利]一种闸瓦摩擦系数的预测方法有效
申请号: | 200910198898.7 | 申请日: | 2009-11-17 |
公开(公告)号: | CN101710062B | 公开(公告)日: | 2011-07-20 |
发明(设计)人: | 刘三明 | 申请(专利权)人: | 上海电机学院;上海电气风电设备有限公司 |
主分类号: | G01N19/02 | 分类号: | G01N19/02 |
代理公司: | 上海翼胜专利商标事务所(普通合伙) 31218 | 代理人: | 翟羽;何兴元 |
地址: | 200245 *** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 闸瓦 摩擦系数 预测 方法 | ||
技术领域
本发明涉及风力发电技术领域,具体的说,涉及一种大型风力发电机制动闸闸瓦摩擦系数的预测方法。
背景技术
风力发电是我国开发新能源的重要内容,而大型风力发电机是风力发电系统中最重要的关键设备之一,风机各部分的运行状态及使用寿命对整个风力发电机的安全运行具有重要影响。其中,在检修维护、大风时,都要通过制动闸来实现停机。而摩擦系数是制动闸的重要参数,它的大小对制动闸的性能影响很大,严重的会危及到风机的安全运行。
闸瓦摩擦系数的大小与闸瓦温升、滑速和压力三个因素有关,其中温升影响最大。由于风机在负载状态下高速运转,在制动过程中闸瓦温升会急剧上升,影响了摩擦系数,并对制动系统性能产生很大的影响。因此,开展对风力发电机闸瓦温升机理和摩擦系数预测的研究具有重要意义。
常用的制动闸寿命预测方法主要有基于时间序列分析的统计预测和基于灰色理论的灰色预测,以及神经网络模型为代表的智能预测技术。制动闸寿命既受内部结构的控制,又受外部环境的影响,普遍存在高度的非线性、随机性和复杂性,以显性表达式来描述预测量之间关系的统计模型和灰色模型,在制动闸寿命预测过程中必然表现出一定的局限性。
神经网络模型的出现彻底改变了这种预测思路,利用以任意精度逼近任意连续函数的性质,通过模型的自动学习,将预测因素间的内在联系通过神经网络的权值分布实现隐性表达。神经网络在目前已有几十种不同的模型。在人们提出的几十种神经网络模型中,人们较多用的是Hopfield网络、BP网络、Kohonen网络和ART(自适应共振理论)网络。其中BP网络是反向传播(Back Propagation)网络。它是一种多层前向网络,采用最小均方差学习方式。这是一种最广泛应用的网络。
由于神经网络的初始权值是随机给定的,因而每次训练的次数及最终权值会略有不同,这就是说,网络的寻优不具有唯一性,会出现局部极小。另一方面,初始权值给定的“盲目性”导致了训练次数的较多,收敛极慢。此外,传统的学习方法包括基于误差反向传播的BP神经网络方法在网络推广(泛化)性能上却不尽人意,难以实现对未来趋势发展的准确预见,没有充分发挥出神经网络模型的智能预测方法的优势。
针对BP算法的上述缺点,对BP算法的改进就显得极为迫切。鉴于BP神经网络算法在于无法避免局部极小的缺点,而遗传算法(Genetic Algorithms.GA)是基于自然选择和遗传规律的并行全局搜索算法,它具有很强的宏观搜索能力,算法具有寻优的全局性。因此,先利用遗传算法来训练网络,再用BP算法来进行精确求解。这样,先得到了权值的一个范围,在此基础上训练网络就可以在相当大的程度上避免局部极小。训练次数和最终权值也可以相对稳定,训练速度也能大大加快。
针对BP神经网络算法在网络推广(泛化)性能上不尽人意的缺点,用带有罚项的最优脑外科的权值衰减LM方法(即OBS.LM)的BP神经网络训练,使得到的网络具有良好的泛化性能。
发明内容
本发明的目的在于利用神经网络和遗传算法各自的优势,改进目前闸瓦摩擦系数的预测方法,提供一种更加准确的预测方法,其采用的技术方案如下所述。
一种闸瓦摩擦系数的预测方法,其包含如下的步骤:
步骤一,用遗传算法修正网络参数;建立学习样本集,其中选择摩擦系数为学习样本的输出因子,输入因子选用温度、滑速和比压;
步骤二,随机初始化一组网络权值,将其转化为区问[0,1]上的一组随机数。对于每一个输入向量,先规格化之,规格化的公式为:网络的初始权值为[0,1]之内的一组随机数,给出交叉规模、交叉概率Pc、突变概率Pm。
步骤三,计算每一个个体评价函数,并将其排序,可按下式概概率值选择网络个体:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海电机学院;上海电气风电设备有限公司,未经上海电机学院;上海电气风电设备有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/200910198898.7/2.html,转载请声明来源钻瓜专利网。