[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

摘要

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。

主权项

一种基于反向传播神经网络的发电机寿命预测算法，其特征在于，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：Gi＝(g1,g2,…,gi)T，记第i个隐层节点与输出层之间的连接权值为wi，其中gi为第i个样本，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,…,Gi,…,Gk‑1)  (1)；记此时输出层权向量为wk‑1：wk‑1＝(w1,w2,…,wj,…,wk‑2,wk‑1)T，定义此时误差向量为Ek‑1，学习误差为ek‑1，Ek‑1＝Y‑G(k‑1)wk‑1＝Ek‑2‑G(k‑1)wk‑1  (2)；ek‑1＝||Ek‑1||2  (3)；其中Y为预测向量；由定义可知，Ek‑1和Gk为Rp空间中两个向量，记Ek‑1和Gk的夹角为α，定义夹角α余弦为：cosα=Ek-1TGk/(||Ek-1||·||Gk||)---(4);]]>其中Rp为样本方差，将Ek‑1按Gk的平行和垂直方向进行正交分解为：Ek-1=Ek-1||+Ek-1⊥---(5);]]>其中是Ek‑1在Gk上的投影，由上述分解易知也即结合公式(2)和(5)，由此可知：min||Ek||2=min||Ek-1-Gk·wk||2=min||(||Ek-1||·cosα/||Gk||-wk)·Gk||2+min||Ek-1⊥||2---(6);]]>步骤二，计算并保存各权值修正量，并修正权值，包括：当wk＝||Ek‑1||·cosα/||Gk||时，式(6)中右边第一项取最小值0，此时式(6)等价于结合式子及式(4)，可以得到：||Ek-1⊥||2=||Ek-1||||2-||Ek-1||||2=||Ek-1||||2(1-cos2α),]]>min||Ek||2=min||Ek-1⊥||2=||Ek-1||2·min(1-cos2α)---(7);]]>获得Ek后按式(4)计算cosα再由式(8)可得第k个新生节点到输出接点的连接权值wk，wk＝||Ek‑1||·cosα/||Gk||  (8)；根据式(7)和(8)可得到：||Ek||2＝||Ek‑1||2(1‑cos2α)  (9)；根据(8)和(9)，可以得到Ek＜Ek‑1，随着k增加，学习误差减少，从而保证了学习算法的收敛性。