CN101719193A - 一种制动闸寿命的预测方法 - Google Patents

Abstract

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。

Description

一种制动闸寿命的预测方法

技术领域

本发明涉及风力发电技术领域，具体涉及大型风力发电机制动闸的寿命预测方法，该方法还可用于矿山提升机、高楼电梯等制动闸的寿命预测。

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。由于制动闸在长期使用过程中不断磨损，必然影响到其制动性能，从而危及到风机的安全运行。因此，积极开展风力发电机制动闸的状态监测，给出其状态的趋势分析与寿命预测，对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。

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。

因此，对BP算法的改进就显得极为迫切。鉴于BP算法以上缺点的关键在于无法避免局部极小，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，发明人拟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。

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，改进目前制动闸寿命的预测方法，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：

$F_m\left(X\right)=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}(T_{\mathrm{pj}}-O_{\mathrm{pj}})---\left(1\right)$

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。

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。

具体实施方式

现结合具体实施例，对本发明做进一步的描述。

实施例

下面利用本发明提出的寿命预测方法对某风力发电机制动闸的状态进行分析。

首先我们规定三十天为一个周期，即采样周期为三十天，采集一个周期内制动闸三个不同位置的累计磨损量的平均值作为输入因子。通过实际监测我们获得某风力发电机的制动闸的前五个月的平均累计磨损量x1、x2、x3、x4、x5以及实际情况下下一个月的平均磨损量。请见见表1所示。

表1三个不同位置的累计磨损量监测表

利用本发明的预测方法，结合x1、x2、x3、x4、x5五个输入因子，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X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：

$F_m\left(X\right)=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}(T_{\mathrm{pj}}-O_{\mathrm{pj}})---\left(1\right)$

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，淘汰父代个体转第二步，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；

以最新一代个体为网络初始值，进行BP神经网络训练(BP迭代计算的次数限制)。

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)、输出层(3个向量输出)的BP神经网络。网络参数设置如下：学习率为0.1，全局误差为e^-5，最大训练次数为30000次。

经过最大训练次数30000次迭代计算，误差达0.02，表2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2三个不同位置累计磨损量逼近值

Claims (1)

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：

$F_m\left(X\right)=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}(T_{\mathrm{pj}}-O_{\mathrm{pj}})---\left(1\right)$

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。