[发明专利]一种制动闸寿命的预测方法

摘要

本发明提供了一种制动闸寿命预测的方法，该方法结合了神经网络和遗传算法各自的优势，利用制动闸某几个月的平均磨损量即可预测下一个月的磨损量，实现了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

1.一种制动闸寿命的预测方法，其包含如下步骤：步骤一，用遗传算法修正网络参数；建立学习样本集，选择累计磨损量作为学习样本的输出因子，输入因子选为：x1、x2、x3、x4、x5，其中x1、x2、x3、x4、x5为三维向量，即x1、x2、x3、x4、x5分别是制动闸三个不同位置某五个月每个月磨损量的平均值，y为三维向量，即需要预测的下一个月磨损量的平均值，作为样本的输出因子；步骤二，随机初始化一组网络权值及偏差值，将其转化为区间[0，1]上的一组随机数，对于每一个输入因子，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；步骤三，输入一组训练样本X，计算样本中每个个体的适应度，若达到预定的值ε_GA，则输出权值及偏差值，结束运算，否则，继续步骤四的操作；目标函数为：Fm(X)=1nΣj=1n(Tpj-Opj)---(1)]]>适应度函数为：f_m(X)＝|F_m(X)|            (2)步骤四，遗传操作，产生新一代个体，淘汰父代个体转步骤三，该步骤用遗传算法来训练网络：选择：选择适应值高于平均值的个体复制；交叉：以交叉概率P_c＝0.7进行个体交叉操作；变异：以变异概率P_m＝0.08进行变异操作；步骤五，以最新一代个体为网络初始值，进行BP神经网络训练，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；选择累计磨损量作为学习样本的输出因子，输入因子选为：x1、x2、x3、x4、x5，其中x1、x2、x3、x4、x5为三维向量，即x1、x2、x3、x4、x5分别是制动闸三个不同位置某五个月每个月磨损量的平均值；y为三维向量，即需要预测的下一个月磨损量的平均值，作为样本的输出因子；(2)选用三层BP神经网络结构，选前5个月每个月磨损量的平均值，即输入因子x1、x2、x3、x4、x5作为输入层单元，下一个月磨损量y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；步骤六，用MATLAB语言进行BP网络建模，在MATLAB软件中进行训练直至收敛；若所有的训练样本集网络的输出95％或以上与实际结果一致，则建模过程结束，则BP神经网络已建立起制动闸寿命预测模型；步骤七，用步骤六训练好的BP网络模型进行制动闸使用寿命的预测。