CN101710062A - 一种闸瓦摩擦系数的预测方法 - Google Patents

Abstract

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。

Description

一种闸瓦摩擦系数的预测方法

技术领域

本发明涉及风力发电技术领域，具体的说，涉及一种大型风力发电机制动闸闸瓦摩擦系数的预测方法。

背景技术

风力发电是我国开发新能源的重要内容，而大型风力发电机是风力发电系统中最重要的关键设备之一，风机各部分的运行状态及使用寿命对整个风力发电机的安全运行具有重要影响。其中，在检修维护、大风时，都要通过制动闸来实现停机。而摩擦系数是制动闸的重要参数，它的大小对制动闸的性能影响很大，严重的会危及到风机的安全运行。

闸瓦摩擦系数的大小与闸瓦温升、滑速和压力三个因素有关，其中温升影响最大。由于风机在负载状态下高速运转，在制动过程中闸瓦温升会急剧上升，影响了摩擦系数，并对制动系统性能产生很大的影响。因此，开展对风力发电机闸瓦温升机理和摩擦系数预测的研究具有重要意义。

常用的制动闸寿命预测方法主要有基于时间序列分析的统计预测和基于灰色理论的灰色预测，以及神经网络模型为代表的智能预测技术。制动闸寿命既受内部结构的控制，又受外部环境的影响，普遍存在高度的非线性、随机性和复杂性，以显性表达式来描述预测量之间关系的统计模型和灰色模型，在制动闸寿命预测过程中必然表现出一定的局限性。

神经网络模型的出现彻底改变了这种预测思路，利用以任意精度逼近任意连续函数的性质，通过模型的自动学习，将预测因素间的内在联系通过神经网络的权值分布实现隐性表达。神经网络在目前已有几十种不同的模型。在人们提出的几十种神经网络模型中，人们较多用的是Hopfield网络、BP网络、Kohonen网络和ART(自适应共振理论)网络。其中BP网络是反向传播(Back Propagation)网络。它是一种多层前向网络，采用最小均方差学习方式。这是一种最广泛应用的网络。

由于神经网络的初始权值是随机给定的，因而每次训练的次数及最终权值会略有不同，这就是说，网络的寻优不具有唯一性，会出现局部极小。另一方面，初始权值给定的“盲目性”导致了训练次数的较多，收敛极慢。此外，传统的学习方法包括基于误差反向传播的BP神经网络方法在网络推广(泛化)性能上却不尽人意，难以实现对未来趋势发展的准确预见，没有充分发挥出神经网络模型的智能预测方法的优势。

针对BP算法的上述缺点，对BP算法的改进就显得极为迫切。鉴于BP神经网络算法在于无法避免局部极小的缺点，而遗传算法(Genetic Algorithms.GA)是基于自然选择和遗传规律的并行全局搜索算法，它具有很强的宏观搜索能力，算法具有寻优的全局性。因此，先利用遗传算法来训练网络，再用BP算法来进行精确求解。这样，先得到了权值的一个范围，在此基础上训练网络就可以在相当大的程度上避免局部极小。训练次数和最终权值也可以相对稳定，训练速度也能大大加快。

针对BP神经网络算法在网络推广(泛化)性能上不尽人意的缺点，用带有罚项的最优脑外科的权值衰减LM方法(即OBS.LM)的BP神经网络训练，使得到的网络具有良好的泛化性能。

发明内容

本发明的目的在于利用神经网络和遗传算法各自的优势，改进目前闸瓦摩擦系数的预测方法，提供一种更加准确的预测方法，其采用的技术方案如下所述。

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，可按下式概概率值选择网络个体：

$p_i=\frac{f_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{f}_i}$

其中：f_i为个体i的适应度，可用误差平方和来衡量，即

$f_i=\frac{1}{E\left(i\right)},$

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。

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。

具体实施方式

现结合实施例，对本发明做进一步的描述。

实施例

下面采集某闸瓦摩擦系数的实际数值与对本发明提供的预测方法所预测的数值进行对比分析。

通过实验我们获得不同运行情况下某大型风力发电机的闸瓦摩擦系数、温度、滑速和比压的样本数据，上述数据构成一个数据集。请见表1所示。

表1温升、滑速、比压和闸瓦摩擦系数的数据集

编号	温升	滑速	比压	闸瓦摩擦系
					1	0.2	0.2	0.09	0.3
2	0.14	0.33	0.21	0.325
					3	0.08	0.8	0.3	0.35
4	0.04	0.83	0.4	0.375
					5	0	0.9	0.6	0.4

利用本发明的预测方法，结合温升、滑速、比压三个输入因子，利用遗传算法修正网络参数；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，可按下式概概率值选择网络个体：

$p_i=\frac{f_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{f}_i}$

其中：f_i为个体i的适应度，可用误差平方和来衡量，即

$f_i=\frac{1}{E\left(i\right)},$

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；

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(BP迭代计算的次数限制)：

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。

对表1中数据，设计了一个输入层(5个向量输入)、一个隐藏层(隐藏层的神经元个数为3)、输出为闸瓦摩擦系数的BP神经网络。网络参数设置如下：学习率为0.01，全局误差为0.003，最大训练次数为2000次。

经过最大训练次数2000次迭代计算，误差达0.02，表2中的闸瓦摩擦系数是利用训练好的网络得到的数值，对比表1与表2，可以看出这组逼近数值与实际测量值是比较吻合的。

表2闸瓦摩擦系数预测数据集

编号	温升	滑速	比压	闸瓦摩擦系数
					1	0.2	0.2	0.09	0.301
2	0.14	0.33	0.21	0.324
					3	0.08	0.8	0.3	0.352
4	0.04	0.83	0.4	0.376
					5	0	0.9	0.6	0.398

Claims (1)

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，可按下式概概率值选择网络个体：

$p_i=\frac{f_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{f}_i}$

其中：f_i为个体i的适应度，可用误差平方和来衡量，即

$f_i=\frac{1}{E\left(i\right)},$

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 $\mathrm{\Δw}=-{\tilde{H}}_k{g}_k;$

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。