[发明专利]基于小波网络的提升机闸瓦间隙预测方法

摘要

本发明公开了一种基于小波神经网络的提升机闸瓦间隙预测方法，其特征是，它是通过以下步骤进行预测的：将小波神经网络预测模型存入PLC控制器；构建用于闸瓦间隙的小波神经网络算法模型存入计算机；将采集的提升机闸瓦间隙实时信号转化为时间序列样本对信号，传送给PLC控制器，给闸瓦间隙预测单元提供实时输入信息；利用小波神经网络算法模型对小波神经网络预测模型进行训练，以求权值W、平移系数b_i、伸缩系数a_i和闸瓦间隙的初始值f的修正量；根据训练后的参数计算闸瓦间隙预测值，输出未来的时间－间隙曲线表。本发明采用小波神经网络对提升机闸瓦间隙进行预测，误差小，准确率高。

主权项

1、一种基于小波神经网络的提升机闸瓦间隙预测方法，其特征是，它是通过以下步骤进行预测的：(1)将小波神经网络预测模型存入PLC控制器；(2)构建用于闸瓦间隙的小波神经网络算法模型存入计算机，算法模型的构建方法是：设t时刻的观测样本为x(1)，x(2)，…，x(n)，用其中的m个观测值预测t时刻的x(m+1)值，将t时刻的x(m+1)预测值与观测值相比较，找出蕴含在数据样本中的输入/输出关系，并将这个关系转化到多层网络节点间的权值上，实现网络输出误差E极小化，进行网络的训练以求权值W、平移系数bi、伸缩系数ai和闸瓦间隙的初始值f的修正量，从而预报t+1时刻的值x(n+1)；(3)将采集的提升机闸瓦间隙实时信号转化为时间序列样本对信号，传送给PLC控制器，给闸瓦间隙预测单元提供实时输入信息；(4)利用小波神经网络算法模型对小波神经网络预测模型进行训练，训练过程如下：①对小波神经网络预测模型进行权值w与控制参数全部初始化，控制参数包括平移系数bi、伸缩系数ai、训练次数k以及闸瓦间隙的初始值f，设置允许误差e值；②将采集处理后的时间序列样本对信号引入网络预测模型，开始训练；③当网络输出误差E小于允许误差e值时，则训练结束；④否则，计算训练后的权值增量Δw、Δa、Δb；⑤令W（k+1)＝W(k)+ΔWa(k+1)＝a(k)+Δab(k+1)＝b(k)+Δb并返回步骤(2)继续迭代；根据训练后的参数计算闸瓦间隙预测值，输出未来的时间—间隙曲线表。