一种基于BP神经网络的温度调控阀门性能调控与测试方法

专利主权项内容

1.一种基于BP神经网络的温度调控阀门性能调控与测试方法，其特征在于，包括以下步骤：S1、获取喷油螺杆压缩机在工作过程中的数据样本；S2、构建基于Keras序列模型的基础神经网络；S3、将数据样本输入到基础神经网络中进行训练，使用改进的adam算法对基础神经网络进行梯度更新，以获得最优神经网络；S4、使用最优神经网络预测待测样本的温控阀调控结果；使用改进的adam算法对基础神经网络进行梯度更新的具体步骤如下：S31、输入到基础神经网络中的所有数据样本构成总体区域，将总体区域分割成设定数量的优化区域；S32、在各个优化区域内随机选取一个数据样本，同时随机选取一个梯度更新方向，按照步骤S321至步骤S327的内容同时更新各个优化区域内的权重参数；S321、使用损失函数对各个优化区域内的数据样本进行求导，以获得对应的梯度，梯度的计算公式如下：
其中，/>表示第个优化区域内在时刻的梯度；/>表示第个优化区域内在时刻的权重参数；表示损失函数；▽表示梯度符号；ititLS322、计算梯度在动量形式下的一阶矩估计，计算公式如下：
其中，/>表示第个优化区域内在时刻的梯度在动量形式下的一阶矩估计；表示时间步长；/>表示第个优化区域内在-1时刻的梯度在动量形式下的一阶矩估计；itβ1itS323、计算梯度在动量形式下的二阶矩估计，计算公式如下：
其中，/>表示第个优化区域内在时刻的梯度在动量形式下的二阶矩估计；表示衰减率；/>表示第个优化区域内在-1时刻的梯度在动量形式下的二阶矩估计；itβ2itS324、计算偏差纠正后的一阶矩估计，计算公式如下：
其中，/>表示/>偏差纠正后形成的一阶矩估计；S325、计算偏差纠正后的二阶矩估计，计算公式如下：
其中，/>表示/>偏差纠正后形成的二阶矩估计；S326、使用时刻的权重参数更新得到+1时刻的权重参数，更新公式如下：tt
其中，/>表示第个优化区域内在+1时刻的权重参数；表示学习率；itηS327、将各个优化区域更新后的权重参数代入基础神经网络中进行预测，当基础神经网络的预测误差小于设定的阈值时，则更新停止该优化区域内的权重参数，并将当前的权重参数记为最优参数；反之，则继续更新该优化区域内的权重参数，直到基础神经网络的预测误差小于设定的阈值为止；S33、比较各个优化区域内最优权重参数的大小，选择最优权重参数最小的优化区域作为最适区域，并按照步骤S331至步骤S335的内容对最适区域进行权重参数的更新；S331、使用损失函数对最适区域内的数据样本进行求导，以获得对应的梯度，梯度的计算公式如下：
其中，/>表示最适区域内在时刻的梯度；/>表示最适区域内在时刻的权重参数；表示最适区域；ttsS332、计算最适区域内的梯度在动量形式下的一阶矩估计，计算公式如下：
其中，/>表示最适区域内在时刻的梯度在动量形式下的一阶矩估计；/>表示最适区域内在-1时刻的梯度在动量形式下的一阶矩估计；/>为最适区域的学习步长；ttS333、计算最适区域内的梯度在动量形式下的二阶矩估计，计算公式如下：
其中，/>表示最适区域内在时刻的梯度在动量形式下的二阶矩估计；/>表示最适区域内在-1时刻的梯度在动量形式下的二阶矩估计；表示微小量；/>表示最适区域的衰减率；/>表示/>的绝对值；ttεS334、使用最适区域内时刻的权重参数更新得到+1时刻的权重参数，更新公式如下：tt
其中，/>表示最适区域内在+1时刻的权重参数；表示超参数；tκS335、将最适区域更新后的权重参数代入基础神经网络中进行预测，当基础神经网络的预测误差小于设定的阈值时，则更新停止最适区域内的权重参数，并将当前的权重参数记为最终参数；反之，则继续更新最适区域内的权重参数，直到基础神经网络的预测误差小于设定的阈值为止；S34、将最终参数赋予基础神经网络，即可得到最优神经网络。