[发明专利]基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法

权利要求书

1.一种基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法，其特征在于，该方法包括以下步骤:

S1、收集船舶推进轴系校中过程数据，包括轴承负荷值和对应轴承变位值的数据；整理该数据形成样本，并将样本分为训练样本和检测样本两部分；

样本的格式为：每一条数据按照输入输出对模式组织，输入数据为轴承三个方向上的变位值，分别为X₁、X₂、X₃，输出数据为轴承三个方向上的负荷值，分别为O₁、O₂、O₃；

数据预处理：采用最大最小法对采集的数据样本进行归一化预处理，以消除各维数据之间数量级差别，采用的归一化方法为最大最小公式法：

式中，X_min为数据集的最小值，X_max为数据集的最大值；

S2、根据轴承负荷值和变位值的样本设计BP神经网络结构，分别设置神经网络输入层、隐含层和输出层的节点数；

该结构为三层BP神经网络，神经网络输入层节点数为3，分别包括轴承三个方向的变位值，因此输入层向量为；隐含层节点数为7，隐含层向量为；输出层节点为3，分别包括轴承三个方向的负荷值，因此输出层向量为；

在BP神经网络结构下，用遗传算法对其进行优化；

步骤S2中在BP神经网络结构下，用遗传算法对其进行优化的方法具体为：

通过遗传算法对BP神经网络结构的初始阈值和权值进行优化，种群中的每个个体都包含一个网络所有权值和阈值，个体通过应度函数计算个体适应度值，遗传算法通过选择操作、交叉操作、变异操作、寻找最优适应度值对应个体；

具体实施步骤如下：

2a)、种群初始化：

根据轴承负荷值和轴承变位值数据样本的初始权值和阈值长度，对种群进行初始化，采用个体实数编码进行初始值编码；

2b)、个体适应度值：

根据2a)中得到的初始值权值和阈值，采用训练数据样本训练BP神经网络，将预测输出值与期望输出值的误差作为个体适应度值F，个体适应度值F的计算公式为：

式中，k为系数，m为网络输出节点值，y_i为网络第i个节点的期望输出，O_i为网络第i个节点的预测输出；

2c）、选择操作：

从种群中选择适应度好的个体作为新种群，采用轮盘赌法，每个个体i的选择概率pi为：

式中，F_i为个体i的适应度值，求倒数为f_i，k为系数，N为种群个体数目；

2d）、交叉操作

从种群中选择两个个体按照一定概率进行交叉得到新的个体，采用实数交叉法：

式中，a_kj表示染色体a_k和a_i在j位交叉，b为[0,1]间随机数；

2e）、变异操作

从种群中随机选择一个个体，按照一定的概率变异得到全新的个体，选取第i个个体的第j个基因a_ij进行变异：

式中，a_min、a_max分别为基因a_ij的上下界， ，r₂为随机数，g为当前迭代次数，G_max为最大进化次数，r为[0,1]间随机数；

2f）、计算适应度值：

计算变异后新种群中所有个体的适应度值，寻找最优个体；

S3、根据优化得到的最优个体对BP神经网络结构的初始权值和阈值进行赋值；通过训练样本进行反复训练，将均方误差作为训练指标，并将训练得到的权值、阈值以及此时的网络结构参数保存，构建GA-BP船舶轴系轴承负荷值预测模型；

S4、用检测样本对得到的GA-BP船舶轴系轴承负荷值预测模型进行反复检验，若检验通过，则说明构建的模型有效，通过GA-BP船舶轴系轴承负荷值预测模型对船舶轴系轴承负荷值进行预测；若检验不通过，则重新进行训练建模；

S5、记录船舶轴系校中过程中得到的最新数据，将该数据输入GA-BP船舶轴系轴承负荷值预测模型，并将轴承变位值作为输入值，得到预测的轴承负荷值。