[發明專利]一種優化神經網絡的風機噪音預測方法

有效

• 申請號: 201810201400.7
• 申請日: 2018-03-12
• 公開（公告）號: CN108428012B
• 公開（公告）日: 2022-03-01
• 發明（設計）人: 劉夢安;楊奇;陽吉初;翟方志;侯志泉;屈小章
• 申請（專利權）人: 株洲聯誠集團控股股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/02
• 代理公司: 長沙七源專利代理事務所(普通合伙) 43214
• 代理人: 鄭雋;吳婷

1.一種優化神經網絡的風機噪音預測方法，其特征在于，包括步驟：

S1.采集風機性能參數和幾何參數；

S2.分析風機性能參數現狀；

S3.確定輸入層神經元和輸出層神經元：將輸入參數對輸出參數的影響重要性進行排序，根據訓練精度和預測精度確定輸入層神經元數目范圍與最佳輸入層神經元數目；

S4.確定訓練神經網絡的訓練樣本和測試樣本；

S5.確定訓練神經網絡隱藏層神經元的數目、訓練次數以及最佳結果的保存：根據輸入層神經元數目、訓練誤差合適、預測誤差最優準則自適應確定最佳隱藏層神經元數目；

S6.利用訓練并保存好的神經網絡參數進行風機噪音預測；

S7.得到預測結果，從中選出最理想預測結果；

步驟S5的具體方法是：

S5-1.確定輸入層神經元數目，針對不同的隱藏層神經元數目按照步驟S5-2進行判斷；

S5-2.判斷訓練精度是否滿足要求，是則進入步驟S5-3，否則返回步驟S5-1；

S5-3.判斷預測精度是否滿足要求，是則進入步驟S5-4，否則返回步驟S5-1；

S5-4.保存此時的網絡參數，包括隱藏層神經元數目以及其他參數，進入步驟S6預測界面，結束；

步驟S6的具體方法是：根據步驟S5確定的網絡結構參數對輸入參數計算輸出，即可預測風機噪音；所述網絡結構參數包括傳遞函數、最佳隱層神經元數目；

步驟S7中的預測結果有四種，在神經網絡訓練中采用兩種傳遞函數結合兩種評價標準得到四種網絡結構，在預測時調用所述的四種網絡結構，從而得到四種預測結果；比較四種預測結果，根據結構精度進行最理想預測結果的確定；

所述的兩種傳遞函數為小波Morlet函數和BP神經網絡傳遞函數tansig；所述的兩種評價標準為訓練誤差的最大值最小準則和訓練誤差的均值最小準則。

2.根據權利要求1所述的一種優化神經網絡的風機噪音預測方法，其特征在于，步驟S1中，性能參數共6個，包括：1-流量，2-全壓，3-轉速，4-功率，5-效率，6-出口風速；幾何參數共10個，包括：7-葉輪直徑，8-輪轂比，9-葉根安裝角，10-葉根弦長，11-葉中安裝角，12-葉中弦長，13-葉尖安裝角，14-葉尖弦長，15-葉片數，16-導葉數。

3.根據權利要求1所述的一種優化神經網絡的風機噪音預測方法，其特征在于，步驟S2的具體方法是：針對步驟S1測試到的風機參數進行性能分析，并對同款不同批次的風機在相同條件下進行試驗，驗證風機性能參數的合理性。

4.根據權利要求1所述的一種優化神經網絡的風機噪音預測方法，其特征在于，步驟S3中，先將輸入參數與輸出參數進行歸一化，然后進行相關性分析，根據相關值的大小對輸入參數的重要性進行排序。

5.根據權利要求4所述的一種優化神經網絡的風機噪音預測方法，其特征在于，采用皮爾遜相關系數進行相關性分析，用于反映變量之間相關關系密切程度。

6.根據權利要求1所述的一種優化神經網絡的風機噪音預測方法，其特征在于，步驟S3中，訓練精度是通過以下方法確定的：對于所有的訓練樣本來計算百分比誤差均值和百分比誤差方差，從均值角度來衡量均值越小說明訓練精度越高；從方差角度來衡量，則方差越小訓練精度越高。

7.根據權利要求1所述的一種優化神經網絡的風機噪音預測方法，其特征在于，步驟S3中，預測精度是通過以下方法確定的：對于所有的測試樣本來計算百分比誤差均值和百分比誤差方差，從均值角度來衡量均值越小說明預測精度越高；從方差角度來衡量，則方差越小預測精度越高。