[发明专利]一种优化神经网络的风机噪音预测方法

权利要求书

1.一种优化神经网络的风机噪音预测方法，其特征在于，包括步骤：

S1.采集风机性能参数和几何参数；

S2.分析风机性能参数现状；

S3.确定输入层神经元和输出层神经元：将输入参数对输出参数的影响重要性进行排序，根据训练精度和预测精度确定输入层神经元数目范围与最佳输入层神经元数目；

S4.确定训练神经网络的训练样本和测试样本；

S5.确定训练神经网络隐藏层神经元的数目、训练次数以及最佳结果的保存：根据输入层神经元数目、训练误差合适、预测误差最优准则自适应确定最佳隐藏层神经元数目；

S6.利用训练并保存好的神经网络参数进行风机噪音预测；

S7.得到预测结果，从中选出最理想预测结果；

步骤S5的具体方法是：

S5-1.确定输入层神经元数目，针对不同的隐藏层神经元数目按照步骤S5-2进行判断；

S5-2.判断训练精度是否满足要求，是则进入步骤S5-3，否则返回步骤S5-1；

S5-3.判断预测精度是否满足要求，是则进入步骤S5-4，否则返回步骤S5-1；

S5-4.保存此时的网络参数，包括隐藏层神经元数目以及其他参数，进入步骤S6预测界面，结束；

步骤S6的具体方法是：根据步骤S5确定的网络结构参数对输入参数计算输出，即可预测风机噪音；所述网络结构参数包括传递函数、最佳隐层神经元数目；

步骤S7中的预测结果有四种，在神经网络训练中采用两种传递函数结合两种评价标准得到四种网络结构，在预测时调用所述的四种网络结构，从而得到四种预测结果；比较四种预测结果，根据结构精度进行最理想预测结果的确定；

所述的两种传递函数为小波Morlet函数和BP神经网络传递函数tansig；所述的两种评价标准为训练误差的最大值最小准则和训练误差的均值最小准则。

2.根据权利要求1所述的一种优化神经网络的风机噪音预测方法，其特征在于，步骤S1中，性能参数共6个，包括：1-流量，2-全压，3-转速，4-功率，5-效率，6-出口风速；几何参数共10个，包括：7-叶轮直径，8-轮毂比，9-叶根安装角，10-叶根弦长，11-叶中安装角，12-叶中弦长，13-叶尖安装角，14-叶尖弦长，15-叶片数，16-导叶数。

3.根据权利要求1所述的一种优化神经网络的风机噪音预测方法，其特征在于，步骤S2的具体方法是：针对步骤S1测试到的风机参数进行性能分析，并对同款不同批次的风机在相同条件下进行试验，验证风机性能参数的合理性。

4.根据权利要求1所述的一种优化神经网络的风机噪音预测方法，其特征在于，步骤S3中，先将输入参数与输出参数进行归一化，然后进行相关性分析，根据相关值的大小对输入参数的重要性进行排序。

5.根据权利要求4所述的一种优化神经网络的风机噪音预测方法，其特征在于，采用皮尔逊相关系数进行相关性分析，用于反映变量之间相关关系密切程度。

6.根据权利要求1所述的一种优化神经网络的风机噪音预测方法，其特征在于，步骤S3中，训练精度是通过以下方法确定的：对于所有的训练样本来计算百分比误差均值和百分比误差方差，从均值角度来衡量均值越小说明训练精度越高；从方差角度来衡量，则方差越小训练精度越高。

7.根据权利要求1所述的一种优化神经网络的风机噪音预测方法，其特征在于，步骤S3中，预测精度是通过以下方法确定的：对于所有的测试样本来计算百分比误差均值和百分比误差方差，从均值角度来衡量均值越小说明预测精度越高；从方差角度来衡量，则方差越小预测精度越高。