[发明专利]一种制动闸寿命的预测方法

说明书

技术领域

本发明涉及风力发电技术领域，具体涉及大型风力发电机制动闸的寿命预 测方法，该方法还可用于矿山提升机、高楼电梯等制动闸的寿命预测。

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。由于制动闸在长期使用过程中不断磨损，必然影响到其制动性能， 从而危及到风机的安全运行。因此，积极开展风力发电机制动闸的状态监测， 给出其状态的趋势分析与寿命预测，对维修人员及时处理问题，减少现场测试 时间和人为错误，提高风力机的利用率和效率具有重要意义。

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。

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。

因此，对BP算法的改进就显得极为迫切。鉴于BP算法以上缺点的关键在于 无法避免局部极小，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，发明人拟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。

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，改进目前制动闸 寿命的预测方法，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；

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：