申请/专利权人：上海电气集团股份有限公司

申请日：2020-01-21

公开（公告）日：2024-04-09

公开（公告）号：CN111291518B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/04;G06N3/084;G05B19/4065;B02C25/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2020.07.10#实质审查的生效;2020.06.16#公开

摘要：本发明公开了一种基于BP神经网络的破碎机刀具磨损程度判断方法，包括如下步骤：S1：基于遗传算法对BP神经网络优化网络结构、网络初始权值与阈值；S2：训练BP神经网络，计算模型误差；S3：更新网络权值与阈值；S4：判断是否满足模型精度，若是，计算状态变量的平均影响值MIV，作为相关性评价指标；S5：将破碎机的状态变量作为输入变量，破碎机刀具的磨损程度作为输出变量，确定输入变量对输出变量的正负相关性及影响大小，根据筛选出的指标参数判断破碎机刀具的磨损程度。本发明的一种基于BP神经网络的破碎机刀具磨损程度判断方法操作简便、缩短了检测的时间、提高了检测精度。

主权项：1.一种基于BP神经网络的破碎机刀具磨损程度判断方法，其特征在于，包括如下步骤：S1：基于遗传算法对BP神经网络优化网络结构、网络初始权值与阈值；S2：训练所述BP神经网络，计算模型误差；S3：更新所述网络初始权值与所述阈值；S4：判断是否满足模型精度，若是，计算状态变量的平均影响值MIV，作为相关性评价指标；S5：将破碎机的状态变量作为输入变量，破碎机刀具的磨损程度作为输出变量，确定所述输入变量对所述输出变量的正负相关性及影响大小，根据筛选出的指标参数判断所述破碎机刀具的磨损程度；其中，所述步骤S1包括如下步骤：S11：优化隐含层神经元个数,包括对隐含层神经元个数进行染色体编码；S12:设置种群规模，计算种群的适应度函数的值，所述适应度函数由网络复杂度和网络误差组成，所述网络误差的计算进入第二次遗传算法优化；S13:选择操作从种群中选择适应度好的个体组成新种群；S14:交叉操作从种群中选择两个个体，按一定概率交叉得到新个体；S15:变异操作从种群中随机选择一个个体，按一定概率变异得到新个体；S16：计算种群的适应度值，判断是否满足结束条件；若是，则返回最优隐含层神经元个数、所述网络初始权值与所述阈值；若否，则返回步骤S13；其中，所述步骤S12中所述适应度函数由网络复杂度和网络误差组成，网络误差的计算进入第二次遗传算法优化；所述适应度函数为 上式中，α和β为权系数；Neuron_Num为待优化求解的隐含层神经元个数；max{Neuron_Num}为隐含层神经元个数最大值；N为训练样本数；Yi为网络预测输出向量，即预测的刀具磨损程度；Oi为网络期望输出向量，即期望的刀具磨损程度；所述输入变量包括：破碎机泵1压力、破碎机泵2压力、破碎机液压站油箱温度、破碎机推料器压力、破碎机液压站电机运行电流、破碎机刀箱氧气浓度、破碎机泵1流量、破碎机泵2流量。

全文数据：

权利要求：

百度查询： 上海电气集团股份有限公司 一种基于BP神经网络的破碎机刀具磨损程度判断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD