[发明专利]一种基于灰色关联分析和BP神经网络的电机数据分析方法

权利要求书

1.一种基于灰色关联分析和BP神经网络的电机数据分析方法，其特征在于：包括以下步骤：

步骤(1)：灰色关联分析，包括以下步骤：

步骤(1.1)：确定分析数列：将电压、电流、输入功率、转速、扭矩、机械功率、转差率依次作为系统特征变量数据序列，剩余因素作为相关因素变量数据序列，按下式两两计算关联度：

A_i＝[A_i(1)，A_i(2)，…，A_i(k)，…A_i(n)]

B_j＝[B_j(1)，B_j(2)，…，B_j(k)，…B_j(n)] (1-1)

式中，A_i(k)、B_i(k)分别表示第i个系统特征变量和第j个相关因素变量在第k次试验时的测量数据样本值，n表示共进行n次实验，i、j＝1…7时分别表示电压、电流、输入功率、转速、扭矩、机械功率、转差率这几个参数的测试值；

步骤(1.2)：变量的无量纲化：通过均值化算子D₁来计算出各变量序列的均值象，将式1-1转化为下式：

A_i′＝A_iD₁＝[A_i′(1)，A_i′(2)，…，A_i′(k)，…A_i′(n)]

B_j′＝B_jD₁＝[B_j′(1)，B_j′(2)，…，B_j′(k)，…B_j′(n)] (1-2)

式中，

对式1-2应用始点零象化算子D计算出其相应的始点零象：

A_i⁰＝A_iD₀＝[A_i⁰(1)，A_i⁰(2)，…，A_i⁰(k)，…A_i⁰(n)]

B_j⁰＝B_jD₀＝[B_j⁰(1)，B_j⁰(2)，…，B_j⁰(k)，…B_j⁰(n)] (1-3)

式中，

步骤(1.3)：计算关联度：运用灰色绝对关联的定义得出第i个系统特征变量和第j个相关因素变量的灰色绝对关联度为：

式中，E_ij表示第i个系统特征变量与第j个相关因素变量的灰色关联度，|AS_i|、|BS_j|、|BS_j-AS_i|分别为：

利用式1-4计算出系统特征变量的灰色关联度E_ij，从而得出灰色绝对关联矩阵：

步骤(1.4)：关联度排序：当i，j∈{1，2，…m}满足E_i1＞E_ij时，i＝1，2，…，s，判定因素A_i优于B_j；如果最优因素不存在，那么必然存在i，j∈{1，2，…m}满足此时判定为因素A_i优于B_j；如果同时对任意的j＝{1，2，…m}，j≠1，都存在因素A_i优于B_j，则确定因素A_i为准优因素；

通过对电压、电流、输入功率、转速、扭矩、机械功率、转差率两两之间计算灰色关联度，最后得到这七个因素总共的关联度并进行排序，即可得到对需要的评价结果影响最大的因素；

步骤(2)：BP神经网络模型训练的数据分析，包括以下步骤：

步骤(2.1)：建立指标体系，收集样本数据： 根据之前灰色分析的结果指标，建立评价指标体系，作为神经网络的输入样本，首先对其中的定性指标采用目标相对等级隶属度的方法进行定量化处理，对定量指标分别进行归一化处理，通过真实情况下的电机测试数据提取得到训练样本集、测试样本集；

步骤(2.2)：设计BP神经网络结构：选择三层BP神经网络，然后根据指标体系确定输出层节点数和输入层节点数，根据样本的数量和质量以及复杂程度确定隐含层节点数；

步骤(2.3)：利用训练样本集训练神经网络：包括信息正向传播和误差反向传播两个过程，对于输入的训练样本指标，通过比较网络输出值和期望输出值的误差，逐层修改各层网络节点的权值和阈值，当训练样本集总误差E小于允许误差ε时，训练结束；

步骤(2.4)：测试样本集的实验：输入测试样本集，进行神经网络的预测，将测试样本集得到的数据与真实数据进行比较，得到神经网络对评价的误差率；

步骤(2.5)：将电压、电流、输入功率、转速、扭矩、机械功率、转差率这七个电机性能指标作为输入向量，由训练好的BP神经网络模型进行计算，得到电机数据分析结果。