[发明专利]一种制动闸寿命的预测方法

权利要求书

1.一种制动闸寿命的预测方法，其包含如下步骤：

步骤一，用遗传算法修正网络参数；建立学习样本集，选择累计磨损量作为学习样本的输出因子，输入因子选为：x1、x2、x3、x4、x5，其中x1、x2、x3、x4、x5为三维向量，即x1、x2、x3、x4、x5分别是制动闸三个不同位置某五个月每个月磨损量的平均值，y为三维向量，即需要预测的下一个月磨损量的平均值，作为样本的输出因子；

步骤二，随机初始化一组网络权值及偏差值，将其转化为区间[0，1]上的一组随机数，对于每一个输入因子，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，V_i是输入因子中的第i个数，maxV_i是V₁、V₂、V₃中最大的一个数，minV_i是V₁、V₂、V₃中最小的一个数；

步骤三，输入一组训练样本X，计算样本中每个个体的适应度，若达到预定的值ε_GA，则输出权值及偏差值，结束运算，否则，继续步骤四的操作；

目标函数为：

其中T_pj是输入x_j时对应的期望输出，O_pj是输入x_j时对应的输出层单元，n是输入因子的个数，j＝1，2，3，…，n；

适应度函数为：

f_m(X)＝|F_m(X)|                            (2)

步骤四，遗传操作，淘汰父代个体，产生新一代个体后转步骤五，该步骤四用遗传算法来训练网络： 

选择：选择适应值高于预定的值ε_GA的个体复制；

交叉：以交叉概率P_c＝0.7进行个体交叉操作；

变异：以变异概率P_m＝0.08进行变异操作；

步骤五，以最新一代个体为网络初始值，进行BP神经网络训练，确定合适的BP网络模型结构，即确定BP网络中输入层、隐含层和输出层神经元数目；

(1)输入输出因子的选择；选择累计磨损量作为学习样本的输出因子，输入因子选为：x1、x2、x3、x4、x5，其中x1、x2、x3、x4、x5为三维向量，即x1、x2、x3、x4、x5分别是制动闸三个不同位置某五个月每个月磨损量的平均值；y为三维向量，即需要预测的下一个月磨损量的平均值，作为样本的输出因子；

(2)选用三层BP神经网络结构，选前5个月每个月磨损量的平均值，即输入因子x1、x2、x3、x4、x5作为输入层单元，下一个月磨损量y作为输出层单元；

(3)隐含层单元数的确定，由以下公式中的一个来确定：

公式： 式中L_k为隐含层单元数，m为输入层单元数，n为输出层单元数，T为样本数；

公式： 其中m为输出单元数，n为输入单元数，n₁为隐含层单元数，a为1～10之间的常数；

公式：n₁＝2n₂+1，n₁为隐含层单元数，n₂为输出层单元数；

根据上述公式计算，BP神经网络的隐含层单元数取3～15中的一个整数；

步骤六，用MATLAB语言进行BP网络建模，在MATLAB软件中进行训练直至收敛；若所有的训练样本集网络的输出95％或以上与实际结果一致，则建模过程结束，则BP神经网络已建立起制动闸寿命预测模型；

步骤七，用步骤六训练好的BP网络模型进行制动闸使用寿命的预测。