[发明专利]一种闸瓦摩擦系数的预测方法

摘要

本发明提供了一种闸瓦摩擦系数的预测方法，该方法结合了神经网络和遗传算法各自的优势，利用闸瓦的温度、滑速和比压参数即可预测闸瓦的摩擦系数进而预测闸瓦的寿命，本方法可实现风力发电机制动闸的状态监测，给出制动闸状态的趋势分析与寿命预测，以利于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。

主权项

1.一种闸瓦摩擦系数的预测方法，其包含如下的步骤：步骤一，用遗传算法修正网络参数；建立学习样本集，其中选择摩擦系数为学习样本的输出因子，输入因子选用温度、滑速和比压；步骤二，随机初始化一组网络权值，将其转化为区间[0，1]上的一组随机数；对于每一个输入向量，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，给出交叉规模、交叉概率P_c、突变概率P_m；步骤三，计算每一个个体评价函数，并将其排序，按下式概率值选择网络个体：其中：f_i为个体i的适应度，可用误差平方和来衡量，即E(i)＝(T_pi-O_pi)²，其中：O_pi为输出层神经元的输出值，T_pi为理想输出；步骤四，以交叉概率P_c对个体G_i和G_i+1进行交叉操作，产生新个体G_i′和G′_i+1，没有进行交叉操作的个体直接进行复制；步骤五，利用变异概率P_m突变产生G_j的新个体G′_j；步骤六，判断算法是否结束，即判断是否达到预定的迭代次数或预定的值ε_GA，如果找到了满意的个体或已经达到最大的迭代次数则结束，否则，转步骤二进入下一轮迭代；步骤七，以遗传算法得到的最新一代个体为网络初始值w¹，进行带有罚项OBS.LM的BP神经网络训练；首先确定合适的BP网络模型结构，即确定BP网络中输入层、隐含层和输出层神经元数目；(1)输入输出因子的选择；选摩擦系数作为学习样本的输出因子，输入因子选为温度、滑速和比压； (2)选用三层BP神经网络结构；温度、滑速和比压3个因子作为输入层单元，闸瓦摩擦系数作为输出层单元；(3)隐含层单元数的确定，由以下公式中的一个来确定：公式：式中L_K为隐含层单元数，m为输入层单元数，n为输出层单元数，T为样本数；公式：其中m为输出单元数，n为输入单元数，n₁为隐含层单元数，a为1～10之间的常数；公式：n₁＝2n₂+1，n₁为隐含层单元数，n₂为输出层单元数；根据上述公式计算，BP神经网络的隐含层单元数取3～15中的一个整数；步骤八，初始化权值w¹，算法参数μ₁、衰减因子η、控制因子α和精度ε，及迭代次数epochs，k＝1，2，....Epochs；步骤九，用MATLAB语言进行BP网络建模，计算误差ξ_k和梯度g_k，以及Jaccobi矩阵J，并得到二次矩阵如果||g_k||≤ε或|ξ_k|＜ε，则停止迭代，输出w^*＝w^k，否则，进行下一步；步骤十，计算LM方法的权值更新量步骤十一，设定状态w^new1＝w^k+Δw，并计算其误差指标ξ^new1；步骤十二，如果ξ^new1＜ξ^k，表明LM有效，将w^k+1更新为w^new1，否则，取w^k+1为w^k；步骤十三，计算各权值的显著性S_q，并确定出最小显著性指标q′，使得S_q′＝minS_q；其中：为向量的第q个分量，为矩阵的第q行第q列的元素；步骤十四，根据q′，计算OBS衰减步Δw₂＝Decay_OBS；设定状态w^new2＝w^k+1+Δw₂，并计算其误差指标ξ^new2。如果ξ^new2＜α·ξ^k，表明OBS衰减可行，则将w^k+1更新为w^new2；否则，取w^k+1为w^k+1，转步骤九；其中计算OBS衰减步的公式为：为向量的第q个分量，为矩阵的第q行第q列的元素，u_q是第q个元素为1的单位向量；如果对所有的训练样本集网络的输出95％或更高与实际结果一致，则训练过程结束，神经网络已建立起影响闸瓦摩擦系数的各种因素与闸瓦摩擦系数之间的函数映射关系；步骤十五，用训练好的BP网络模型进行制动闸摩擦系数的预测。