[发明专利]一种基于LM-BP算法的弹簧操作机构故障识别方法、系统、设备及存储介质

权利要求书

1.一种基于LM-BP算法的弹簧操作机构故障识别方法，其特征在于，根据BP神经网络隐含层和输出层计算得到的连接权值计算全局误差；

当全局误差小于精度值或训练次数大于最大训练次数时，BP神经网络训练结束，实现弹簧操作机构故障识别；

当全局误差大于等于精度值或训练次数小于等于最大训练次数时，选取下一个训练样本及对应的期望输出，计算样本数和修正量并对BP神经网络中引入阻尼因数，继续计算隐含层和输出层的连接权值，直到全局误差小于精度值或训练次数大于最大训练次数BP神经网络训练结束，实现弹簧操作机构故障识别。

2.根据权利要求1所述的基于LM-BP算法的弹簧操作机构故障识别方法，其特征在于，具体操作步骤如下：

S1、对BP神经网络进行初始化处理，随机选取第k个输入样本x(k)及输入样本x(k)对应的期望输出d(k)，设定误差函数为e，精度值为ε，最大训练次数为z，训练次数为n；

S2、根据S1计算得到的输入样本x(k)及输出期望d(k)，分别计算隐含层和输出层的连接权值；

S3、根据S2得到的连接权值计算全局误差E；

若E＜ε或n＞z，BP神经网络训练结束，实现弹簧操作机构故障识别；

若E≥ε或n≤z，选取下一个训练样本及对应的期望输出d(k)，计算第n个样本数X_n和修正量Δ，对BP神经网络中引入阻尼因数λ再继续执行S2的操作，直到E＜ε或n＞zBP神经网络训练结束，实现弹簧操作机构故障识别。

3.根据权利要求2所述的基于LM-BP算法的弹簧操作机构故障识别方法，其特征在于，S2的具体操作步骤如下：

S2.1、根据S1计算得到的输入样本x(k)及输出期望d(k)，计算隐含层各神经元的实际输入和实际输出计算输出层各神经元的实际输入和实际输出

S2.2、利用S2.1得到的隐含层各神经元的期望输出d(k)与实际输出求误差函数e对输出层各神经元的偏导数δ_o(k)，求误差函数e对隐含层各神经单元的偏导数δ_h(k)；

S2.3、利用S2.2计算得到的隐含层各神经元的偏导数δ_h(k)和输入层各神经元的输入来修正连接权值利用输出层各神经元的偏导数δ_o(k)和隐含层各神经元的输出修正连接权值

4.根据权利要求3所述的基于LM-BP算法的弹簧操作机构故障识别方法，其特征在于，在S3中，E≥ε或n≤z，第n个样本数X_n的计算方法如下：

高斯牛顿法的迭代公式如下：

其中，H_f为Hessian矩阵，为梯度向量在方向上的分量J_f为雅克比矩阵；f为高斯牛顿函数，f(x_n)为高斯牛顿函数在x＝x_n处的函数值；Hessian矩阵H_f和雅克比矩阵J_f的计算方法如下：

5.根据权利要求4所述的基于LM-BP算法的弹簧操作机构故障识别方法，其特征在于，在S3中，将Hessian矩阵H_f和雅克比矩阵J_f代入高斯牛顿法的迭代公式中，得到高斯牛顿迭代方程为：

X_n+1＝X_n+Δ

其中，修正量

在Levenberg-Marquart算法中引入了阻尼因数λ对算法的特性进行调节，LM算法中的修正量Δ为：

其中，阻尼因数λ＞0，阻尼因数λ为常数，I为单位矩阵。

6.根据权利要求5所述的基于LM-BP算法的弹簧操作机构故障识别方法，其特征在于，当阻尼因数λ增大时，LM算法趋近于梯度下降法，如下所示：

当λ趋近于0时，LM算法即为高斯-牛顿法，如下所示：

其中，阻尼因数λ的初始值得选取与J^TJ矩阵的元素个数有关。