[发明专利]一种基于BP神经网络的岸桥状态预测方法

权利要求书

1.一种基于BP神经网络的岸桥状态预测方法，其特征在于包括以下步骤：

步骤1：在数据库中获取岸桥在一段时间内一个测点的数据，该数据是利用在安装岸桥起重电机上的传感器，每间隔10到20秒提取实时振动烈度数据，并储存在数据库中，所述的振动烈度数据用来评估岸桥载荷状态；所获取的数据V＝{v1,v2,···,vl,···,vL}，其中，L表示所述测试样本的个数，vl表示获取数据中的第l条振动数据；

步骤2：将获取的数据按时间等分的方式分为K组数据，并对每组数据用K-均值聚类的方式，计算出5个聚类簇，其中一组聚类中心数据为P＝{P1,P2,P3,P4,P5}，将每组聚类中心点按照数据从小到大分为5类，并与分类标签数据Q＝{1,2,3,4,5}组成新的数据组，所有数据组组成新的样本数据为X＝{x1,x2,···,xs,···,xS}，其中，分类标签数据1,2,3,4,5分别代表岸桥空载、轻载、中载、重载、超重载五种状态；S为样本数据的个数，且S＝5K，K为正整数，xs表示样本数据中的第s条特征数据；

步骤3：对样本数据基于时间的先后顺序和不同分类标签进行整理归类，得到数据组为D＝{d1,d2,…,do,…,dK}；其中，do为在第o个时间段内的5种状态的振动数据，并有do＝{do1,do2,do3,do4,do5}，do1表示空载状态的数据，do2表示轻载状态的数据，do3表示中载状态的数据，do4表示重载状态的数据，do5表示超重载状态的数据；

将数据组D＝{d1,d2,…,do,…,dK}分为测试样本数据和训练样本数据两类，其中所述测试样本的振动数据为Y＝{y1,y2,···,ym,···,yM}，其中M表示所述测试样本的个数，ym表示所述测试样本中的第m条数据；训练样本的振动数据为Z＝{z1,z2,···,zn,···,zN}，其中N表示所述训练样本的个数，zn表示所述训练样本中的第n条数据；

步骤4：对测试样本数据和训练样本数据进行归一化处理，生成归一化特征数据Y′＝{y1′，y2′，···,ym′，···yM′}和Z′＝{z1′，z2′，···,zn′，···zN′}，其中，ym′表示所述归一化特征数据Y′中的第m条数据,zn′表示所述归一化特征数据Z′中的第n条数据；

归一化计算方式为：

X * = X - X m i n X m a x - X m i n ]]>

其中：Xmax，Xmin分别为实际样本数据的最大值和最小值，X*为归一化后的值，X为实际值；

利用BP神经网络处理数据后，对数据进行反归一化计算，才得到实际的数据值；反归一化方程为：

X＝(Xmax-Xmin)×X*+Xmin

步骤5：建立BP神经网络模型；所述BP神经网络模型的拓扑结构包括输入层、隐含层和输出层；其中，输入层的神经元个数为f，隐含层的神经元个数为g，输出层的神经元个数为h；任意输入层神经元为fi，i∈(1、2…p)；任意隐含层神经元为gj，j∈(1、2…q)；任意输出层神经元为hk，k∈(1、2…r)；

步骤6：初始化BP神经网络模型的基本参数，包括：学习速率μ、输入层到隐含层的权重wij、隐含层到输出层的权重wjk、输入层到隐含层的偏置数aj、隐含层到输出层的偏置数bk以及激励函数R(x)；其中，输入层到隐含层的权重wij、隐含层到输出层的权重wjk、输入层到隐含层的偏置数aj、隐含层到输出层的偏置数bk初始化值为(-1,1)内的随机数；

其中：输入层到隐含层的权重wij含义为：任意的输入层神经元fi到任意的隐含层神经元gj之间的权重；隐含层到输出层的权重wjk含义为：任意的隐含层神经元gj到任意的输出层神经元hk之间的权重；输入层到隐含层的偏置数aj含义为：各输入层神经元到任意的隐含层神经元gj的偏置数；隐含层到输出层的偏置数bk含义为：各隐含层神经元到任意的输出层神经元hk的偏置数；

步骤7：利用MATLAB软件，将训练样本数据Z＝{z1,z2,···,zn,···,zN}导入BP神经网络模型，对BP神经网络模型进行训练；

步骤8：在MATLAB软件中，将在步骤3中得到的测试数据组Y＝{y1,y2,…,ym,…,yM}导入BP神经网络模型之中，预测出未来U个时间段的该点处的振动数据组T＝{t1,t2,…,tu,…,tU}；其中，tu为在第u个时间段内的5个振动数据，并有tu＝{tu1,tu2,tu3,tu4,tu5}，tu1表示空载状态的数据，tu2表示轻载状态的数据，tu3表示中载状态的数据，tu4表示重载状态的数据，tu5表示超重载状态的数据；

步骤7包含以下步骤：

步骤7.1：输入层包括三个神经元，采用以下公式计算隐含层神经元gj的输出值：

g j = μ ( Σ i = 1 p w i j f i + a j ) ]]>

再采用以下公式计算输出层神经元hk的输出值：

h k = Σ j = 1 q g j w j k + b k ]]>

定义误差函数：

E = 1 2 Σ k = 1 m ( y k - h k ) 2 ]]>

其中：yk为输出层神经元的期望输出值，初始值为给定的历史训练样本数据；E为偏差值；

步骤7.2：计算得到的输出层神经元hk的输出值代入损失函数，计算得到偏差值E；判断偏差值E是否满足要求，若满足要求，转到步骤7.9；若不满足要求，转步骤7.3；

步骤7.3：采用下式计算隐含层到输出层的权重调整量为：

Δwjk(c+1)＝(1-γ)gjek+γΔwjkc

其中：

γ = 1 , | e c | | e c - 1 | < 1 1 - 5 | e c | 6 | e c - 1 | , 1 ≤ | e c | | e c - 1 | ≤ 2 0 , 2 < | e c | | e c - 1 | ]]>

其中：γ为权值惯性系数，ec和ec-1分别为第c和c-1次训练误差；Δwjk(c)为第c次训练时隐含层神经元gj到输出层神经元hk的权重调整量；Δwjk(c+1)为第c+1次训练时隐含层神经元gj到输出层神经元hk的权重调整量；

步骤7.4：再采用下式计算输入层到隐含层的权重调整量为：

Δw j k ( c + 1 ) = ( 1 - γ ) μg j ( 1 - g j ) f i Σ k = 1 r w j k e k + γΔw j k c ]]>

其中：Δwij(c)为第c次训练时输入层神经元fi到隐含层神经元gj的权重调整量；Δwij(c+1)为第c+1次训练时输入层神经元fi到隐含层神经元gj的权重调整量；

步骤7.5：采用下式计算偏置数bk的更新值：

bk＝bk+μek

步骤7.6：采用下式计算偏置数aj的更新值：

a j = a j + μg j ( 1 - g j ) Σ k = 1 m w j k e k ]]>

步骤7.7：因此，采用步骤7.3计算得到的隐含层到输出层的权重调整量、步骤7.4计算得到的输入层到隐含层的权重调整量、步骤7.5计算得到的偏置数bk的更新值以及步骤7.6计算得到的偏置数a的更新值优化调整前一次训练得到的BP神经网络模型的对应参数，由此得到更新后的BP神经网络模型；

步骤7.8：基于步骤7.7得到的更新后的BP神经网络模型，返回步骤7.1，

步骤7.9：得到训练后的BP神经网络模型；

根据预测所得的振动数据可以判断该测点处未来的状态，根据预测的岸桥测点振动数据的大小，可以预测岸桥在不同在载荷下的状态是否能够正常工作，若振动数据变化较大，则需要对岸桥进行提前的维修；若振动数据变化不大，则可以对岸桥进行日常的维护。