[发明专利]一种数字化全自动的飞机蓄电池寿命预测方法

权利要求书

1.一种数字化全自动的飞机蓄电池寿命预测方法，其特征在于包含以下步骤：

步骤一：选取飞机蓄电池的性能参数；

步骤二：将飞机蓄电池的性能参数分别输入标准BP神经网络模型、基于遗传算法优化的BP神经网络模型和支持向量回归机模型，得到BP神经网络寿命预测数据、遗传算法寿命预测数据和支持向量回归机寿命预测数据；

步骤三：以BP神经网络寿命预测数据、遗传算法寿命预测数据和支持向量回归机寿命预测数据的均方差函数构造L-M算法的目标函数，当目标函数取得最小值时，L-M算法输出最优的预测结果。

2.根据权利要求1所述的一种数字化全自动的飞机蓄电池寿命预测方法，其特征在于选取端电压和蓄电池剩余容量作为蓄电池寿命预测的性能参数。

3.根据权利要求1所述的一种数字化全自动的飞机蓄电池寿命预测方法，其特征在于标准BP神经网络模型通过以下方式训练；

步骤S211、设置BP神经网络的权值阈值的初始值，输入层神经元数量为8，输出层神经元数量为4，隐含层神经元数量为17，激活函数选取Sigmoid，学习率可变的动量BP算法traindx作为训练函数，训练目标为0.0001，学习速率为0.01，训练步数为3000；

步骤S212、输入训练样本后开始训练；

步骤S213、计算隐含层输出、输出层实际输出以及训练误差；

步骤S214、进行权值阈值的更新；

步骤S215、反复循环S213和S214的操作，直至目标函数达到要求，最终完成训练。

4.根据权利要求1所述的一种数字化全自动的飞机蓄电池寿命预测方法，其特征在于基于遗传算法优化的BP神经网络模型通过以下方式训练：

步骤S221、进行种群初始化，设置染色体长度；

步骤S222、选取适应度函数为排序的适应度函数，将预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出；

步骤S223、采用随机遍历抽样的方法进行选择操作，交叉算子采用单点交叉算子，随机方法选出发生变异的基因；

步骤S224、重复S222和S223，直至达到进化代数或者满足误差要求，此时经过优化过的权值和阈值作为BP神经网络的初始权值和阈值，在此基础上进行标准的BP神经网络的训练。

5.根据权利要求1所述的一种数字化全自动的飞机蓄电池寿命预测方法，其特征在于支持向量回归机模型通过以下方式训练：

步骤S231、对初始数据进行归一化处理，将数据缩放到[0,1]之间，选择SVM类型为e-SVR,核函数为RBF径向核函数，设置e-SVR中损失函数p的值为0.01；

步骤S232、寻找SVM模型的错误惩罚因子C和核函数中的参数g的一组最佳参数(C，g)；

步骤S233、将最佳参数(C，g)代入到SVM算法中并对训练样本进行训练获取支持向量回归机模型。

6.根据权利要求1所述的一种数字化全自动的飞机蓄电池寿命预测方法，其特征在于L-M算法中：

以BP神经网络寿命预测数据、遗传算法寿命预测数据和支持向量回归机寿命预测数据作为输入样本，H为L-M对BP神经网络的学习过程改进后其第二层对应的输出结论，Y为整个L-M网络的输出，T为期望输出；

L-M算法的权值Δw修正公式为：

Δw＝(J^TJ+μx)^-1j^Te

式中，x代表输入层，μ为非负数，J为单位矩阵,为L-M的多模型组合优化模型的输入层与隐含层网络之间的连接节点权值，为隐含层与整个模型输出节点之间的连接权值,Δw_h为输入层与L-M网络隐含层的权值调整,Δw_o为隐含层与输出层之间连接节点的权值调整,为前一次训练时输入层与L-M网络隐含层的权值、为前一次训练时隐含层与输出层之间连接节点的权值；则基于L-M多模型组合优化的预测模型中隐含层的输入与输出公式以及输出层的输入、输出公式分别如下：

HR_j＝∑w_hx_i-θ_h

HC_j＝f(HR_j)

Y_s＝∑w_oHC_j-θ_o

YC_s＝f(Y_s)

式中，x_i是输入层的输入样本，w_h为L-M网络隐含层各节点的权值，θ_h为L-M网络隐含层各节点的阈值，HR_j为隐含层单元输出结果，HC_j为代入作用函数后得到的隐含层输出结果，θ_o为网络输出层各连接节点的阂值，w_o为网络输出层各连接节点的权值，Y_s为输出层未代入作用函数前的输出结果，YC_s为输出层代入作用函数后的输出结果；i＝1,2,…,a，j＝1,2,…,g，s＝1,2,…,l；a为输入层的节点数量，g为隐含层的节点数量，l为输出层的节点数量。