[发明专利]基于粒子群优化BP神经网络的惯容器力学性能预测方法

说明书

技术领域

本发明涉及一种惯容器力学性能预测方法，特指是基于粒子群优化BP神经网络的惯容器力学性能预测方法。

背景技术

惯容器自被提出以来，一直是机械隔振领域研究的焦点之一，大量研究结果表明惯容器能够提高隔振系统的隔振性能。然而，这些研究大部分是以惯容器理想线性数学模型为前提，忽略了惯容器实际结构中存在的非线性因素。通过实际试验发现，非线性因素对惯容器的力学性能有着显著的影响，且影响机制复杂多变，往往只能对其进行定性的描述，难以从根本上掌握实际工况下的惯容器动态行为。人工神经网络是基于生物神经网络发展起来的网络模型，具有处理强非线性的优点，因此，本发明考虑建立惯容器自适应神经网络模型，进行惯容器的力学性能预测。

BP神经网络具有自组织、自学习和自适应能力，原理简单易于实现，已在众多领域得到广泛应用，但是其在学习过程中采用梯度下降法对网络的权值和阈值进行修正，存在着容易陷入局部最优、收敛速度慢和泛化能力弱等缺点。

粒子群算法是一种基于群智能的随机优化算法，其收敛速度快、全局搜索能力强，并且不需要借助问题本身的特征信息，避开了梯度下降法中要求梯度的过程，也避免了遗传算法中的选择、交叉、变异等进化操作，缩短了神经网络的训练时间。有研究表明，利用粒子群算法对传统BP网络的训练过程进行优化，可以改善神经网络的泛化性能，提高网络的预测精度。

发明内容

本发明的目的在于提出一种基于粒子群优化BP神经网络的惯容器力学性能预测方法，实现对惯容器力学性能的良好预测。

本发明所采用的技术方案为：

基于粒子群优化BP神经网络的惯容器力学性能预测方法，包括如下步骤：

（1）进行惯容器的力学性能试验，通过装入不同质量的飞轮，获取惯容器在不同惯容系数和不同激振输入下的力学响应；

（2）根据试验结果得到与惯容器力学性能相关的试验数据，并建立基于BP神经网络的惯容器力学性能预测模型；

（3）将BP网络的权值和阈值定义为粒子群搜索空间中的一个粒子，并对算法的相关参数进行初始化；

（4）基于粒子群优化算法对粒子进行迭代寻优，根据结束条件确定最优个体，并将其作为BP网络的权值和阈值；

（5）利用经过优化的BP网络来预测惯容器的力学性能。

所述的激振输入为正弦周期输入，每次输入采用不同的频率和相应的振幅。

所述的惯容器力学性能预测模型为三层BP网络，其中输入层、隐含层、输出层的神经元数目分别为4、5、1，所述隐含层神经元的传递函数为双曲正切S型函数，输出层神经元的传递函数为线性传递函数。

惯容器力学性能预测模型的输入为惯容系数以及惯容器在多个瞬态时间点下的位移、速度和加速度，输出为惯容器的输出力，所述的惯容器的位移是通过激振台实时保存直接获得，在此基础上对位移输入进行曲线拟合，然后对曲线方程进行差分求导，便可获得所述惯容器的速度和加速度。

所述的多个瞬态时间点是指试验数据的采样点，由于激振输入为周期输入，为了提高效率，将采样时长定为两个周期，每个周期下的采样频率为12Hz，因此，每种测试工况下的瞬态时间点数为24个。

所述步骤（4）中的结束条件为已经达到迭代次数或者网络误差满足最小误差要求；所述网络误差计算过程包括如下步骤：（1）将粒子对应的网络权值和阈值赋予BP网络；（2）计算每个训练样本按照BP网络前向方向的输出值，通过与期望值进行比较，得出每个训练样本的误差；（3）计算所有训练样本的误差均方根值，即得网络误差。

本发明可以对类似机械元件的力学性能进行有效地预测，其有益效果是：

1.在进行惯容器力学性能试验的基础上，获取对惯容器输出力有影响的参考数据，所得数据可靠合理，保证了网络的训练质量。

2.针对参考数据建立基于BP神经网络的惯容器力学性能预测模型，并用粒子群优化算法对BP网络的训练过程进行优化，提高了网络的预测精度，实现了惯容器力学性能的良好预测。

附图说明

图1为基于粒子群优化BP神经网络的惯容器力学性能预测方法的总体流程图；

图2为具体实施方式中的惯容器试验布置图；

图3为惯容器力学性能预测模型结构图；

图4为网络优化前后预测误差对比图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

本发明的基于粒子群优化BP神经网络的惯容器力学性能预测方法，总体流程如图1所示，具体包括如下步骤：