[发明专利]基于遗传算法优化的BP神经网络输煤故障预测方法

权利要求书

1.一种基于遗传算法优化的BP神经网络输煤故障预测方法，其特征在于包括以下步骤：

1)确定BP神经网络拓扑结构图；

2)以港务局机组参数作为BP神经网络拓扑结构图中的输入变量，并进行数据归一化处理，得到初始种群；

3)对初始种群中的个体染色体进行编码，评估每一条染色体的适应度值；

4)根据适应度值选取优良的个体进行选择、交叉、以及变异运算，得到最优个体；

5)建立改进BP网络学习率优化模型，用于优化计算BP神经网络权值和阈值；

6)用步骤4)迭代运算后得到的最优个体解码并赋值给BP神经网络，作为网络初始权值和阈值输入，训练神经网络，得到最佳预测模型。

2.根据权利要求1所述的基于遗传算法优化的BP神经网络输煤故障预测方法，其特征在于步骤3)中对初始种群中的染色体进行编码，估每一条染色体的适应度值，具体为：

采用随机数生成器法，将染色体编码成实数串，设定适应度函数；

评估每一条染色体的适应度值，适应度函数为：

其中，Y是预测输出结果值，Y₀是实际数据值，N是迭代次数；u为染色体序号；

通过遗传算法的不断迭代，使得神经网络预测输出值不断接近实际数据值。

3.根据权利要求1所述的基于遗传算法优化的BP神经网络输煤故障预测方法，其特征在于步骤4)中对优良染色体进行选择运算，具体为：

采用改进的适应度比例法，依据最优个体的适应度值计算每个个体在子代中出现的概率，并按照此概率随机选择个体构成子代种群，公式如下：

其中f_min＝min_i∈[0,N){f_v,0}，f是上述选择运算后得出的适应度值，v为染色体序号，M表示种群数目，设最差的适应度为f_min，如果其为负值，那么选择概率为0；对于校正后的适应度之和为0的情况，可以将所有个体的选的概率设为w为迭代次数，f_v为第v个染色体适应度值，P(v)表示第v个染色体的的选择概率。

4.根据权利要求1所述的基于遗传算法优化的BP神经网络输煤故障预测方法，其特征在于步骤5)中改进的BP网络学习率优化模型为：

其中，z为训练时间，E(z)为误差，e^-λ为学习率修正系数，λ∈[0.0001,0.001]，η∈[0.01,0.1]，为学习率。

5.根据权利要求1所述的基于遗传算法优化的BP神经网络输煤故障预测方法，其特征在于步骤6)用步骤4)迭代后得到的最优个体解碼并赋值给BP神经网络，作为初始权值和阈值输入，训练神经网络，得到最佳预测模型，具体为：

601)定义输入变量x₁＝(T₁,T₂,T₃,...,T_n)，T表示耦合器表层油温；x₂＝(P₁,P₂,P₃,...,P_n)，P表示电机功率；x₃＝(t₁,t₂,t₃,...,t_n)，t表示系统运行时间；定义输出变量y＝(T_p1,T_p2,T_p3,...,T_pn)，T_p表示算法预测温度值；

602)隐含层输出计算，根据输入变量x_i、输入层与隐含层连接权值ω_ij以及隐含层阈值a_j，计算隐含层第i个神经元的输出：

式中，是sigmoid启动函数，n是输入层节点个数，j为隐含层神经元节点序号，l为隐含层神经元个数；

603)输出层输出计算，根据隐含层输出H_j，隐含层与输出层连接权值ω_jk以及输出层阈值b_k，计算输出层第k个神经元的输出：

式中，Y_k是网络预测输出，k为输出层神经元节点序号，m是输出层节点个数；

604)误差计算，根据网络预测的输出Y_k和期望输出O_k，计算网络预测误差e_k，e_k＝O_k-Y_k,k＝1,2,3,...,m；

605)权值更新计算通过以下公式实现：

ω_jk＝ω_jk+ηH_je_k,k＝1,2,...,m

其中，s是输入层神经元个数；

606)阈值更新计算：

b_k＝b_k+e_k,k＝1,2,...,m

607)使用测试样本数据对训练后的网络单元进行验证分析，输入数据经过优化神经算法处理后得出较高精度的输出预测温度值；输出预测温度值与实际设定温度阈值比较，若预测值高于或等于设定阈值，则输煤系统故障，报警模块为机组人员报警；若预测值低于设定阈值，则输煤系统正常工作。