[发明专利]变学习率网络建模的风机设计二代算法多目标优化方法

权利要求书

1.一种变学习率网络建模的风机设计二代算法多目标优化方法，其特征在于，所述方法包括以下步骤：

步骤一：收集对风机运行效率和成本影响非常大的结构变量，而风压和风量为给定值，效率和成本为目标变量，其中结构变量和目标变量的数据样本可通过实验获得；

步骤二：令结构变量为输入变量、目标变量为输出变量，对数据样本进行训练，完成变学习率网络模型的建立，其中采用变学习率方法更新权值和阈值；

步骤三：建立二代算法模型，其中采用非支配排序算子和精英策略设计算子；

步骤四：通过所建立的变学习率网络对风机的能耗和成本进行预测，并将预测值用于二代遗传算法模型中目标函数值的求取，来获得pareto前沿，最后将反归一化后的结构变量值应用于风机的实际设计中。

2.如权利要求1所述的变学习率网络建模的风机设计二代算法多目标优化方法，其特征在于，所述步骤一中，所述的输入变量选取如下：选择叶片出口安装角、叶片数、叶轮出口宽度作为结构变量，并令为神经网络模型的输入变量；将效率和成本这一组目标变量，令为神经网络模型的输出变量。

3.如权利要求1或2所述的变学习率网络建模的风机设计二代算法多目标优化方法，其特征在于，所述步骤二中，对变学习率网络模型的建立、初始化、训练过程如下：先对样本数据进行处理；然后，再通过处理后的数据来计算神经网络隐含层结点和输出层结点分别对应输入值和输出值；最后，根据变学习率网络中权值与阈值的更新公式，在训练误差接近训练目标时，可根据数学模型减少神经网络的学习率使得权值的调整量变小；若误差低于训练目标，则变学习率网络完成建模。

4.如权利要求3所述的变学习率网络建模的风机设计二代算法多目标优化方法，其特征在于，所述步骤二的处理步骤如下：

2.1数据处理

收集步骤一中相关参数即叶轮出口安装角、叶片数、叶轮出口宽度、效率、风压或风量，对叶轮出口安装角、叶片数、叶轮出口宽度、全压进行归一化处理，使其到[0,1]之间，公式如下：

其中，k为归一化后的数据，x为被归一化数据，xmin为被归一化数据中的最小值，xmax为被归一化数据中最大值；

2.2数据的分类

将处理后得到的数据集划分为两部分，其中，随机选取数据集中70％作为训练集，再将剩下30％的数据作为测试集；

2.3网络的初始化

假设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m，隐含层层数为一层，节点数根据经验公式：得出，其中n、m为输入、输出节点数，a为常数取1～10，循环次数设置为N次；各层权值初始值取[-1,1]之间的随机数；其中，输入层到隐含层的权重w_ij，隐含层到输出层的权重为w_jk，输入层到隐含层的阈值为a_j，隐含层到输出层的阈值为b_k；学习率η取0.1～0.2，训练目标取10^-3～10^-6，循环次数N次，激励函数为g(x)，其中激励函数取Sigmoid函数，形式为：

2.4训练神经网络；

2.5数据测试

重复步骤2.4.1-2.4.3完成所有训练集的数据训练后，用测试集的数据对神经网络进行测试；若误差低于训练目标，则神经网络完成建模，即神经网络模型的输入和输出满足映射关系。