[发明专利]一种基于Elman神经网络的工业物联网参数预测方法

说明书

技术领域

本发明涉及神经网络算法、物联网和智能制造技术领域，具体来讲是一种基于Elman神经网络的工业物联网参数预测方法。

背景技术

物联网技术作为一个新的概念在1999年首度被提出，经过近二十年的发展，已经成为新一代信息技术的重要组成部分。目前，物联网技术已经广泛应用于智能制造领域，成为构建智能工厂基础网络平台。然而随着生产过程的复杂化，物联网系统对于多参数的实时采集和融合仍然存在挑战，难以解决参数采集时间较长，异常反馈不及时的问题。

为了缩短工业物联网系统参数测量时间，提高系统反馈调节速度，本发明提出一种基于Elman神经网络预测模型来对参数进行预测，并在此基础上，结合工业物联网特点构建一种动态的、闭环的参数训练环境来在线优化网络模型。

本发明以实际制酒行业制曲工艺小麦水分检测为例，利用基于Elman神经网络的参数预测模型对小麦水分来进行检测，通过仿真实验结果验证了模型的准确性，这对于解决工业物联网中参数测量时间较长问题有一定指导意义。

发明内容

因此，为了解决上述不足，本发明在此提供一种基于Elman神经网络的工业物联网参数预测方法，克服工业物联网中参数采集时间长，且异常反馈不及时的问题，其能够有效的处理现有工业物联网参数采集系统中的不足。

本发明是这样实现的，构造一种基于Elman神经网络的工业物联网参数预测方法，其特征在于：按照如下方式实现；

步骤1，Elman神经网络网络模型建立，数学模型如下：

y(k)＝w^l3h(k)

其中网络输入层为u(k)，y(k)为输出层，h(k)为隐层输出，为承接层输出。输入层设为r个节点，u(k)为r维向量；隐含层和承接层均为n个节点，h(k)和均为n维向量；输出层为m个节点，y(k)为m维向量。权重w^l1为n×r维矩阵，w^l2为n×n维矩阵，w^l3为m×n维矩阵。f(x)为激活函数，采用sigmoid函数，函数关系式为为反馈增益因子，当不为0时，是改进的Elman神经网络，系统整体误差为：

其中，y(k)为第K步的实际输出值，y_d(k)为相对应的期望值；通过对系统误差E(k)求偏导可得：

其中η₁,η₂,η₃为w^l1,w^l2,w^l3的学习速率；

步骤2，对Elman神经网络改进；

将BP网络自适应调整学习效率方法引入Elman网络模型，来改进Elman训练效果；每次循环中，检测权值是否降低了误差函数，如果降低了，说明学习速率值选择偏小，可以适当增加；反之，则产生过调，那么就适当降低学习速率。具体学习速率调整公式如下:

在Elman网络训练迭代过程中，学习效率根据上述公式进行自适应调整，可以加快网络收敛时间，更快逼近最优解；

步骤3，参数预测模型建立：

通过参数样本训练得到网络进行预测，数学模型如下：

f(x_i,m)＝net(x₁,x₂,x₃,x₄,x₅,m)

其中f(x_i,m)为最终预测值,net为训练完成的Elman网络，x_i,m为前期测量值及样品质量；即通过历史实验数据样本训练完成Elman网络后，将上述参数预测模型应用于物联网系统中，可以在线动态地实现参数测量。

本发明具有如下优点：本发明专利公开了一种基于Elman神经网络的工业物联网参数预测方法，其中包括Elman神经网络网络模型建立、Elman神经网络的改进以及Elman神经网络的参数预测模型工作流程。在对基于工业物联网构建的智能制造系统中参数的实时感知预测有着良好的效果，能够缩短工业物联网系统参数测量时间，提高系统反馈调节速度。

附图说明

图1为Elman神经网络结构图；

图2为Elman神经网络节点确定的流程图；

图3为Elman神经网络参数预测模型图。

具体实施方式