[发明专利]一种基于反向传播神经网络的发电机寿命预测算法

说明书

本发明涉及航空发电机试验技术领域，具体提供了基于反向传播神经网络的发电机寿命预测算法，采用了反向传播神经网络的预测算法，利用神经元及它们之间的有向权重连接来隐含处理问题的知识，并且具有学习能力、自我学习能力和较强的容错能力，同时，神经元之间的计算还具有相对独立性，便于并行处理，推理过程快捷，寿命预测效果良好，实现对航空发电机的维修由事后维修或定期维修向视情维修转变,降低维护成本。

技术领域

本发明涉及航空发电机试验技术领域，特别涉及一种基于反向传播神经网络的发电机寿命预测算法。

背景技术

发电机作为飞机上的重要机载设备之一，对其健康状况进行实时预测分析并及时发现可能存在的故障隐患，对于确保飞机的安全飞行有着十分重要的现实意义与经济价值。

现今发电机生产单位一般要求飞机每飞行一定的时间后，必须把发电机拆下送到内场进行翻修，或工作一定时期后，不论实际性能、状态如何，均人为认为寿命期限已到，全部更换报废，这造成巨大浪费。

发明内容

为克服上述现有技术存在的至少一种缺陷，本发明提供了基于反向传播神经网络的发电机寿命预测算法，包括如下步骤：

步骤一，对试验数据进行分析进行降噪处理，剔除野值，选定权系数初始值，计算各层各单元，从后向前计算各隐层输出，包括：

对全体学习样本，第i个节点输出向量可记为：G_i＝(g₁,g₂,…,g_i)^T，记第i个隐层节点与输出层之间的连接权值为w_i，其中g_i为第i个样本，由于神经网络隐层节点在学习过程中动态生成，不妨设神经网络当前隐层节点数为k-1，记此时隐层输出矩阵为G(k-1)：

G(k-1)＝(G₁,G₂,…,G_i,…,G_k-1) (1)；

记此时输出层权向量为w_k-1：

w_k-1＝(w₁,w₂,…,w_j,…,w_k-2,w_k-1)^T，

定义此时误差向量为E_k-1，学习误差为e_k-1，

E_k-1＝Y-G(k-1)w_k-1＝E_k-2-G(k-1)w_k-1 (2)；

e_k-1＝||E_k-1||² (3)；

其中Y为预测向量；

由定义可知，E_k-1和G_k为R^p空间中两个向量，记E_k-1和G_k的夹角为α，定义夹角α余弦为：

其中R^p为样本方差，将E_k-1按G_k的平行和垂直方向进行正交分解为：

其中是E_k-1在G_k上的投影，由上述分解易知也即要使新的学习误差最小，也即向量E_k范数平方最小，结合公式(2)和(5)，由此可知：