[发明专利]一种基于SOM-熵值算法的起重机械能效评价方法

权利要求书

1.一种基于SOM-熵值算法的起重机械能效评价方法，其特征在于，包括以下步骤：

步骤1、基于SOM算法进行粗聚类：将起升机构单位工作量能耗、小车运行机构单位工作量能耗和大车运行机构单位工作量能耗作为样本空间，从中选取输入网络模型的输入向量；根据欧氏距离公式计算所有输出神经元与输入样本之间的距离，选取获胜神经元；接着，按照神经网络的邻域函数确定优胜邻域；随后，调整获胜神经元以及优胜邻域内其他神经元的权重向量并更新学习率和邻域函数；最后，判断学习率是否满足小于阀值或者迭代次数是否超过迭代总次数，若满足条件则输出粗聚类结果和粗聚类中心；否则，重新选取样本进行上述步骤直到满足条件；

步骤2、基于粒子群算法进行二次聚类：首先，将通过SOM算法粗聚类产生的样本各聚类中心作为粒子群算法的输入样本集合，初始化粒子的位置编码和粒子的速度编码，并且根据适应度计算公式，计算粒子的适应度，重复R次生成由R个粒子组成的种群；其次，比较粒子当前位置的适应度值和所经历过的最优位置的适应度值，若更优，则更新粒子的最优位置；比较种群当前最优粒子的适应度值和种群所经历过的最优位置的适应度值，若更优，则更新种群的最优位置；然后，根据速度和位置更新公式调整粒子的参数；接着，根据粒子的位置编码，依据最邻近法则重新确定粒子的划分，并重新计算聚类中心，更新粒子的适应度；最后，判断是否满足达到最大迭代次数，若满足条件则结束循环并输出聚类结果，否则继续上述步骤；

步骤3、基于熵值法进行能耗分级与评价：首先，将通过SOM算法粗聚类产生的样本各聚类中心的起升机构单位工作量能耗、小车运行机构单位工作量能耗和大车运行机构单位工作量能耗组成的指标数据矩阵进行无量纲化处理；其次，使用均值化法重新构建指标数据矩阵；接着，进行归一化处理；然后，计算熵值和权重；最后，使用线性加权计算桥式起重机综合能耗分数，并结合通过粒子群算法得到的二次聚类结果，对桥式起重机的能耗等级进行划分。

2.根据权利要求1所述的基于SOM-熵值算法的起重机械能效评价方法，其特征在于，步骤1基于SOM算法进行粗聚类，具体包括以下步骤：

(1)初始化：设置初始权重向量W_j(0)、初始学习率η(0)、初始邻域半径σ₀和终止条件迭代总次数T的值；

(2)输入向量X：将起升机构单位工作量能耗u₁、小车运行机构单位工作量能耗u₂和大车运行机构单位工作量能耗u₃作为样本空间，从中选取输入向量X的参数；

(3)：计算每个输入向量X与权重向量W_j的欧式距离，以此为依据确定获胜的神经元，欧式距离d_j公式如下：

(4)确定优胜邻域：使用气泡函数来确定优胜邻域，气泡函数如下：

h_j＝ε(σ_n-d_j)

上式中，h_j为优胜邻域范围；ε(·)为阶跃函数，σ_n为获胜邻域的有效半径，σ_n为第n次迭代时的邻域半径，n为迭代次数，τ₁为时间常量；

更新权重向量W_j：在竞争学习中获胜的神经元以及优胜邻域内的其他神经元都会对权值向量进行更新，更新公式如下：

W_j(n+1)＝W_j(n)+η(n)h_j(n)(X-W_j(n))

上式中，W_j(n)为第n次迭代后神经元j的权重向量，η(n)为第n次迭代后的学习率参数，h_j(n)为第n次迭代后的优胜邻域范围；

(6)更新邻域函数和学习率：邻域函数中根据每一个迭代过程中的σ_n和d_j进行更新，学习率则按照周期来进行更新；

(7)终止条件：判断学习率η(n)是否满足小于阀值η(n)min或者迭代次数n是否超过T；若满足条件则输出粗聚类结果和多个粗聚类中心；否则，从(2)开始重新进行上述过程直到满足条件。