基于PCA-IPSO-INN的離心風(fēng)機(jī)噪聲預(yù)測(cè)

張長(zhǎng)偉，蔣淑霞，隆 波，劉 文，劉夢(mèng)安

（1.中南林業(yè)科技大學(xué) 機(jī)電工程學(xué)院, 長(zhǎng)沙410004；2.湖南聯(lián)誠(chéng)軌道裝備有限公司, 湖南 株洲412000）

離心風(fēng)機(jī)是一種使用廣泛的流體機(jī)械，其主要問(wèn)題是噪聲大，離心風(fēng)機(jī)噪聲已嚴(yán)重影響人們生活舒適性[1]。隨著人們對(duì)生活舒適度要求的提高以及環(huán)保意識(shí)的增強(qiáng)，噪聲也成為人們購(gòu)買(mǎi)離心風(fēng)機(jī)的一個(gè)重要參考因素[2]。為實(shí)現(xiàn)風(fēng)機(jī)降噪化設(shè)計(jì)，縮短設(shè)計(jì)制造周期，節(jié)約開(kāi)發(fā)成本，風(fēng)機(jī)廠(chǎng)在生產(chǎn)風(fēng)機(jī)前對(duì)風(fēng)機(jī)噪聲的預(yù)估是必不可少的。

目前關(guān)于離心風(fēng)機(jī)噪聲預(yù)測(cè)的方法較多。Kishokanna 等[3]采用計(jì)算流體力學(xué)計(jì)算了風(fēng)機(jī)內(nèi)部的非定常流場(chǎng)，然后用于FW-H 解算器預(yù)測(cè)噪聲水平。李哲弘[4]通過(guò)研究葉片尾緣脫落與前向多葉離心通風(fēng)機(jī)噪聲的聯(lián)系，提出了一種適用于前向多葉離心通風(fēng)機(jī)的噪聲預(yù)測(cè)公式。Wang等[5]應(yīng)用高斯回歸分析預(yù)測(cè)風(fēng)機(jī)噪聲，結(jié)果表明其預(yù)測(cè)模型易受輸入變量間線(xiàn)性關(guān)系的影響。劉夢(mèng)安等[6]提出一種離心風(fēng)機(jī)匹配選型方法，通過(guò)匹配數(shù)據(jù)庫(kù)里相似風(fēng)機(jī)確定風(fēng)機(jī)噪聲。隨著智能時(shí)代的到來(lái)以及神經(jīng)網(wǎng)絡(luò)的興起，部分學(xué)者對(duì)采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)噪聲展開(kāi)了研究，朱小輝[7]通過(guò)結(jié)合回歸分析與集成學(xué)習(xí)的決策樹(shù)算法進(jìn)行了風(fēng)機(jī)噪聲的預(yù)測(cè)，實(shí)驗(yàn)表明改進(jìn)后的模型能較好預(yù)測(cè)風(fēng)機(jī)噪聲。姚景瑜[8]通過(guò)反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)和數(shù)值模擬相結(jié)合的方法進(jìn)行風(fēng)機(jī)噪聲預(yù)測(cè)，并將模型應(yīng)用于風(fēng)機(jī)的實(shí)際測(cè)試中，效果良好，但是單一BP 神經(jīng)網(wǎng)絡(luò)不穩(wěn)定。

本文提出基于主成分分析(Principal Component Analysis，PCA)、改進(jìn)粒子群算法(Improved Particle Swarm Optimization，IPSO)和最佳隱層的改進(jìn)神經(jīng)網(wǎng)絡(luò)(Improved Neural Network，INN)離心風(fēng)機(jī)噪聲預(yù)測(cè)模型，旨在尋求一種能夠有效降維并準(zhǔn)確預(yù)測(cè)風(fēng)機(jī)噪聲的模型。先通過(guò)主成分分析將數(shù)據(jù)降維以簡(jiǎn)化網(wǎng)絡(luò)，然后用本文改進(jìn)的粒子群算法優(yōu)化原始BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，提高網(wǎng)絡(luò)收斂速度和預(yù)測(cè)精度，實(shí)現(xiàn)了在風(fēng)機(jī)生產(chǎn)前對(duì)離心風(fēng)機(jī)噪聲的提前預(yù)估，有效避免高噪聲離心風(fēng)機(jī)的生產(chǎn)。本文神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D

如圖1所示，將通過(guò)主成分分析確定的4個(gè)主成分作為BP 神經(jīng)網(wǎng)絡(luò)輸入，將IPSO 算法輸出的最佳粒子作為BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值，當(dāng)目標(biāo)輸出和期望輸出誤差過(guò)大時(shí)進(jìn)行反饋調(diào)節(jié)權(quán)值閾值，直至達(dá)到目標(biāo)誤差或迭代結(jié)束，從而得到最優(yōu)預(yù)測(cè)值。

1 離心風(fēng)機(jī)噪聲影響因素分析

影響離心風(fēng)機(jī)噪聲的因素有很多，譚俊飛等[9]研究全壓、流量、轉(zhuǎn)速、功率、效率、蝸殼寬度、入口安裝角、葉輪與蝸舌間隙對(duì)離心風(fēng)機(jī)噪聲的影響。在一定范圍內(nèi)增加葉輪與蝸舌間隙和蝸殼寬度，可以同時(shí)保證較高的氣動(dòng)性能和較低的噪聲。趙征等[10]研究表明葉片進(jìn)口直徑、葉片出口寬度、葉片數(shù)對(duì)噪聲的產(chǎn)生有影響，其中在一定范圍內(nèi)增加葉片數(shù)能降低噪聲。王英洋等[11]分析離心風(fēng)機(jī)噪聲的影響因素，通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)葉輪是產(chǎn)生離散噪聲的主要位置。王楊[12]指出改變蝸舌半徑在一定程度上能降低風(fēng)機(jī)噪聲，增加蝸殼寬度可以小幅度地降低噪聲。

根據(jù)各專(zhuān)家學(xué)者對(duì)離心風(fēng)機(jī)噪聲影響因素的研究，可以將離心風(fēng)機(jī)噪聲影響因素分為性能參數(shù)和幾何參數(shù)。從株洲聯(lián)誠(chéng)集團(tuán)控股有限公司所采集離心風(fēng)機(jī)數(shù)據(jù)中選取150款風(fēng)機(jī)樣本用于后續(xù)離心風(fēng)機(jī)噪聲預(yù)測(cè)，每組包括16個(gè)風(fēng)機(jī)參數(shù)。部分風(fēng)機(jī)數(shù)據(jù)如表1所示。

表中：Q為風(fēng)機(jī)流量，Pt為全壓，n為轉(zhuǎn)速，P為功率，h為效率，D1為葉輪直徑，D2為葉輪進(jìn)口直徑，D3為葉片進(jìn)口直徑，q為入口安裝角，D4為葉輪至后側(cè)板距離，D5為葉片出口寬度，D6為蝸殼寬度，D7為蝸舌曲率半徑，Z為葉片數(shù)，D8為葉輪至蝸舌的距離，Y為風(fēng)機(jī)噪聲。

2 主成分分析

2.1 相關(guān)性分析

相關(guān)性分析是指對(duì)兩個(gè)或多個(gè)具備相關(guān)性的變量進(jìn)行分析，從而衡量?jī)蓚€(gè)變量的相關(guān)程度。為探究表1 中參數(shù)對(duì)噪聲的影響程度，并剔除影響程度較低的參數(shù)，需對(duì)上述參數(shù)與噪聲進(jìn)行相關(guān)性分析。

表1 部分風(fēng)機(jī)參數(shù)表

分別度量各參數(shù)對(duì)噪聲的影響程度，相關(guān)系數(shù)計(jì)算公式如式（1）所示：

式中：Cov(X,Y)為X與Y的協(xié)方差，Var[X]為X的方差，Var[Y]為Y的方差。

根據(jù)式（1）以及表1數(shù)據(jù)計(jì)算噪聲Y與各參數(shù)的相關(guān)系數(shù)，各參數(shù)與噪聲相關(guān)系數(shù)如表2所示，相關(guān)度大于零時(shí)，兩者正相關(guān)，反之負(fù)相關(guān)，系數(shù)越大，表明兩參數(shù)相關(guān)度越高，反之系數(shù)趨近零時(shí)，相關(guān)度越低。根據(jù)相關(guān)系數(shù)定義，相關(guān)系數(shù)絕對(duì)值小于0.15的參數(shù)，相關(guān)度較弱，可以剔除，故剔除D8、D3、θ、D5、Z5 項(xiàng)參數(shù)，最終選擇相關(guān)度大于0.15 的10 項(xiàng)參數(shù)進(jìn)行主成分分析。

表2 風(fēng)機(jī)噪聲與影響因素的相關(guān)系數(shù)

2.2 主成分分析

對(duì)根據(jù)相關(guān)性分析篩選出的10 項(xiàng)參數(shù)進(jìn)行進(jìn)一步處理，提取出更具有代表性的主成分，用于簡(jiǎn)化后續(xù)網(wǎng)絡(luò)模型的整體結(jié)構(gòu)。主成分分析步驟如下：

（1）構(gòu)建樣本矩陣。假設(shè)有n組數(shù)據(jù)，每組數(shù)據(jù)有p個(gè)變量，相對(duì)應(yīng)的原始數(shù)據(jù)矩陣如式（2）所示：

（2）數(shù)據(jù)標(biāo)準(zhǔn)化。為消除不同量綱的影響，需先將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化公式如式（3）所示：

式中：yij為第i組數(shù)據(jù)第j號(hào)變量，mj為第j號(hào)變量的算術(shù)平均值，sj為第j號(hào)變量的標(biāo)準(zhǔn)差。創(chuàng)建協(xié)方差矩陣如式（6）所示：

式中：

（3）求得R的特征向量a1、a2、…、a p和特征值g1、g2、…、gp。

（4）主成分貢獻(xiàn)率。確定t個(gè)主成分，根據(jù)特征值計(jì)算出各成分貢獻(xiàn)率f j以及累計(jì)貢獻(xiàn)率ω，如式（7）所示：

根據(jù)式（7）計(jì)算出的各成分貢獻(xiàn)率和累計(jì)貢獻(xiàn)率如表3所示：

表3 主成分分析結(jié)果表

根據(jù)表3可知，在10個(gè)主成分中，前4個(gè)主成分累計(jì)貢獻(xiàn)率達(dá)到88.48%，滿(mǎn)足主成分選取標(biāo)準(zhǔn)，故選取前4個(gè)主成分作為神經(jīng)網(wǎng)絡(luò)的輸入。

表4 為主成分因子載荷矩陣，根據(jù)表4 中的數(shù)據(jù)，可以得到主成分?jǐn)?shù)據(jù)集表達(dá)式為：

表4 主成分因子載荷矩陣

式中：Ni(i=1，2，…，10)為第i個(gè)因素的標(biāo)準(zhǔn)化訓(xùn)練樣本數(shù)據(jù)，Mj(j=1，2，3，4)為第j個(gè)主成分的線(xiàn)性組合。對(duì)根據(jù)相關(guān)性分析確定的10 項(xiàng)參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理，然后分別將其代入式（8）、式（9）、式（10）、式（11），計(jì)算得出相對(duì)應(yīng)的4個(gè)主成分矩陣，并將其作為神經(jīng)網(wǎng)絡(luò)的輸入。

3 改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

3.1 粒子群算法的改進(jìn)

粒子群算法(Particle Swarm Optimization，PSO)是一種廣泛使用的優(yōu)化算法，是根據(jù)對(duì)鳥(niǎo)群捕食行為研究而來(lái)的[13]。其一般都采用線(xiàn)性慣性權(quán)重遞減，慣性權(quán)重計(jì)算式如（12）所示：

式中；Wmax為最大慣性權(quán)重；Wmin為最小慣性權(quán)重；t為算法運(yùn)行的實(shí)際次數(shù)；tmax為算法所能運(yùn)行次數(shù)的最大值。

慣性權(quán)重的線(xiàn)性遞減有效地改善了原始粒子群算法固定線(xiàn)性權(quán)重導(dǎo)致的容易過(guò)早收斂的問(wèn)題，實(shí)現(xiàn)線(xiàn)性權(quán)重從大到小的遞減，平衡全局尋優(yōu)和局部搜索，優(yōu)化算法搜索能力。本文利用慣性權(quán)重遞減的特點(diǎn)，對(duì)W進(jìn)行自適應(yīng)調(diào)整，降低算法過(guò)早陷入局部最優(yōu)的概率，提出采用式（13）所示的非線(xiàn)性遞減策略以調(diào)整慣性權(quán)重W的值。

如圖2所示，相比于慣性權(quán)重線(xiàn)性遞減，慣性權(quán)重非線(xiàn)性遞減初期能延緩慣性權(quán)重持續(xù)降低的速率，維持較長(zhǎng)時(shí)間的較大值，來(lái)探索更多區(qū)域，而在后期W會(huì)急劇降低，進(jìn)一步提高局部搜索的能力,使得算法平衡全局搜索和局部搜索的能力達(dá)到最強(qiáng)。

圖2 慣性權(quán)重變化曲線(xiàn)

3.2 最佳隱層優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)使用廣泛，包含輸入層、隱含層、輸出層，主要特點(diǎn)是工作信號(hào)正向傳播，誤差反向傳播[14]。算法核心思想是計(jì)算期望輸出值和神經(jīng)網(wǎng)絡(luò)實(shí)際輸出值的誤差值，將誤差值進(jìn)行反向傳播，然后逐層調(diào)節(jié)權(quán)值和閾值，直至誤差值滿(mǎn)足目標(biāo)誤差[15]。

本文選擇單隱層BP 神經(jīng)網(wǎng)絡(luò)，由表3 可知，確定4 個(gè)主成分作為神經(jīng)網(wǎng)絡(luò)輸入，風(fēng)機(jī)噪聲參數(shù)作為神經(jīng)網(wǎng)絡(luò)輸出，則輸入節(jié)點(diǎn)數(shù)為4，輸出節(jié)點(diǎn)數(shù)為1，最佳隱層節(jié)點(diǎn)數(shù)通過(guò)經(jīng)驗(yàn)公式以及同一樣本的均方根誤差比較確定，均方根誤差計(jì)算公式如式（14）所示：

式中：n為訓(xùn)練樣本個(gè)數(shù)，yi為期望輸出值為網(wǎng)絡(luò)預(yù)測(cè)值。MSE值越小，該模型狀態(tài)下期望值和預(yù)測(cè)值相差越小，說(shuō)明采用該模型進(jìn)行離心風(fēng)機(jī)噪聲預(yù)測(cè)效果越好。反之，MSE值越大，預(yù)測(cè)效果越差。

表5 展示了輸入為4 時(shí)不同隱含層節(jié)點(diǎn)數(shù)對(duì)應(yīng)的均方根誤差。

表5 均方根誤差表

由表5可知當(dāng)輸入4個(gè)主成分時(shí)，隱層節(jié)點(diǎn)數(shù)為8。最終確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為4×8×1。

3.3 IPSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

為了改善單一BP 神經(jīng)網(wǎng)絡(luò)收斂速度慢以及對(duì)初始權(quán)值和初始閾值敏感的缺點(diǎn)，本文提出運(yùn)用IPSO-BP 神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行離心風(fēng)機(jī)噪聲的預(yù)測(cè)，通過(guò)IPSO迭代尋優(yōu)得到BP神經(jīng)網(wǎng)絡(luò)最優(yōu)的初始權(quán)值和初始閾值，使BP神經(jīng)網(wǎng)絡(luò)收斂更快，也提升了BP神經(jīng)網(wǎng)絡(luò)的適用性和穩(wěn)定性。步驟如下：

（1）確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。確定輸入神經(jīng)元的個(gè)數(shù)以及隱含神經(jīng)元的個(gè)數(shù)，以便于進(jìn)行粒子群維數(shù)的確定。

（2）計(jì)算粒子群維數(shù)?；贐P神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，粒子群維數(shù)計(jì)算式如式（15）所示：

式中：D為粒子群維數(shù)，m為輸入層神經(jīng)元個(gè)數(shù)，n為隱含層神經(jīng)元個(gè)數(shù)，p為輸出層神經(jīng)元個(gè)數(shù)。

（3）初始化粒子群參數(shù)。根據(jù)式（15）計(jì)算得到粒子群維數(shù)為49，設(shè)置30 個(gè)粒子，學(xué)習(xí)因子c1=c2=1.5，最大慣性權(quán)重為0.9，最小慣性權(quán)重為0.4，迭代次數(shù)為500 次，根據(jù)BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，設(shè)置粒子位置區(qū)域?yàn)閇-1,1]。速度限制區(qū)域設(shè)定為位置區(qū)域的十分之一。

（4）確定適應(yīng)度函數(shù)。用訓(xùn)練樣本的期望輸出值與網(wǎng)絡(luò)預(yù)測(cè)值誤差作為適應(yīng)度函數(shù)，適應(yīng)度計(jì)算式如式（16）所示：

式中：yq為期望輸出值為網(wǎng)絡(luò)預(yù)測(cè)值，s為訓(xùn)練樣本數(shù)量。

（5）更新個(gè)體極值和全局極值。根據(jù)式（16）求得適應(yīng)度值，將該適應(yīng)度值與該粒子歷史最優(yōu)適應(yīng)度值進(jìn)行比較，若該適應(yīng)度值小于粒子歷史最優(yōu)適應(yīng)度值，則該適應(yīng)度值為個(gè)體極值。若該適應(yīng)度值大于粒子歷史最優(yōu)適應(yīng)度值，則個(gè)體極值不變。將該適應(yīng)度值與種群所有粒子最佳適應(yīng)度值進(jìn)行比較，若該適應(yīng)度值小于種群歷史最優(yōu)適應(yīng)度值，則該適應(yīng)度值為全局極值。若該適應(yīng)度值大于種群歷史最優(yōu)適應(yīng)度值，則全局極值不變。

（6）更新粒子速度與位置。根據(jù)式（17）、式（18）進(jìn)行速度與位置更新：

式中：i=1，2，…，Q，j=1，2，…，D，t為當(dāng)前迭代次數(shù)，r1、r2為[0,1]的隨機(jī)數(shù)，Pij為群體極值，Pgi為個(gè)體極值。

（7）判斷是否達(dá)到條件。當(dāng)達(dá)到最大迭代次數(shù)或小于最小訓(xùn)練誤差時(shí)訓(xùn)練終止，輸出訓(xùn)練最優(yōu)值，否則重復(fù)步驟（4）至步驟（6）。

4 基于PCA-IPSO-BP 神經(jīng)網(wǎng)絡(luò)的離心風(fēng)機(jī)噪聲預(yù)測(cè)模型

4.1 樣本選擇

選擇株洲聯(lián)誠(chéng)集團(tuán)控股有限公司實(shí)際測(cè)試數(shù)據(jù)進(jìn)行算法驗(yàn)證，數(shù)據(jù)主要包括流量、全壓、功率、蝸舌寬度、噪聲等11 項(xiàng)參數(shù)，共有150 款離心風(fēng)機(jī)數(shù)據(jù)，把所有樣本數(shù)據(jù)劃分為訓(xùn)練樣本數(shù)據(jù)集和測(cè)試樣本數(shù)據(jù)集，選取135組數(shù)據(jù)作為訓(xùn)練樣本，其余15組不同類(lèi)離心風(fēng)機(jī)數(shù)據(jù)作為測(cè)試樣本。

4.2 參數(shù)設(shè)置

本文采用MATLAB 軟件進(jìn)行實(shí)驗(yàn)，確定tansig函數(shù)和purelin函數(shù)分別作為隱層神經(jīng)元和輸出層傳遞函數(shù)，將trainlm 函數(shù)作為訓(xùn)練函數(shù)，最小訓(xùn)練速率為0.01，允許誤差為0.001，最大迭代次數(shù)為1 000次。

為比較改進(jìn)前后粒子群算法的尋優(yōu)能力，圖3中對(duì)比了改進(jìn)的非線(xiàn)性遞減權(quán)重和線(xiàn)性遞減權(quán)重的最優(yōu)適應(yīng)度曲線(xiàn)，適應(yīng)度大小代表了粒子群算法的尋優(yōu)能力大小，適應(yīng)度越低，說(shuō)明算法尋優(yōu)能力更強(qiáng)，反之越差。

圖3 最優(yōu)適應(yīng)度曲線(xiàn)

由圖3 可知，改進(jìn)的非線(xiàn)性遞減權(quán)重前期擁有較小的適應(yīng)度值，隨著迭代次數(shù)的增加，適應(yīng)度不斷降低，全局尋優(yōu)能力變強(qiáng)，避免了算法陷入局部最優(yōu)的情況。迭代后期，改進(jìn)的非線(xiàn)性遞減權(quán)重更早趨于平衡并且擁有更小的適應(yīng)度值。故改進(jìn)的非線(xiàn)性遞減權(quán)重收斂速度更快，全局能力更強(qiáng)。

4.3 離心風(fēng)機(jī)噪聲預(yù)測(cè)

利用主成分分析將初始數(shù)據(jù)進(jìn)行降維，再通過(guò)改進(jìn)粒子群算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)得到最優(yōu)初始權(quán)值和閾值，并輸入BP 神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，最后對(duì)離心風(fēng)機(jī)噪聲進(jìn)行預(yù)測(cè)。采用本文提出的PCA-IPSO-BP神經(jīng)網(wǎng)絡(luò)與BP 神經(jīng)網(wǎng)絡(luò)、PCA-BP 神經(jīng)網(wǎng)絡(luò)、PCAPSO-BP 神經(jīng)網(wǎng)絡(luò)分別對(duì)離心風(fēng)機(jī)噪聲進(jìn)行預(yù)測(cè)，4種算法的預(yù)測(cè)誤差和預(yù)測(cè)結(jié)果分別如表6 和圖4所示。

由表6可以看出相比于BP神經(jīng)網(wǎng)絡(luò)，改進(jìn)后的BP 神經(jīng)網(wǎng)絡(luò)能提高預(yù)測(cè)精度，并且經(jīng)PSO 優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型更穩(wěn)定，將最高誤差控制在2%以下，符合離心風(fēng)機(jī)預(yù)測(cè)標(biāo)準(zhǔn)。

表6 相對(duì)誤差對(duì)比/（%）

從圖4 可以看出，本文采用的PCA-IPSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)性能最穩(wěn)定，預(yù)測(cè)值與真實(shí)值更接近。同另外3 種模型相比，PCA-IPSO-BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度最高，實(shí)現(xiàn)了對(duì)離心風(fēng)機(jī)噪聲的精準(zhǔn)預(yù)測(cè)。

圖4 預(yù)測(cè)結(jié)果圖

4.4 應(yīng)用

在風(fēng)機(jī)生產(chǎn)前將本文提出的PCA-IPSO-BP 模型應(yīng)用于將離心風(fēng)機(jī)噪聲的預(yù)估，有效地避免了高噪聲風(fēng)機(jī)的生產(chǎn)。在生產(chǎn)離心風(fēng)機(jī)前，設(shè)計(jì)師根據(jù)客戶(hù)對(duì)風(fēng)機(jī)流量、全壓、轉(zhuǎn)速、功率的要求，在原有數(shù)據(jù)庫(kù)中對(duì)離心風(fēng)機(jī)模型進(jìn)行匹配，匹配出與客戶(hù)需求最相似的離心風(fēng)機(jī)模型，并將模型在合理的范圍內(nèi)進(jìn)行參數(shù)修改，只需確定待生產(chǎn)離心風(fēng)機(jī)上述10個(gè)參數(shù)，對(duì)其進(jìn)行主成分分析，將主成分當(dāng)作神經(jīng)網(wǎng)絡(luò)的輸入，調(diào)用4.3 節(jié)中訓(xùn)練的PCA-IPSO-BP 神經(jīng)網(wǎng)絡(luò)模型，對(duì)離心風(fēng)機(jī)噪聲進(jìn)行預(yù)估，初步估計(jì)離心風(fēng)機(jī)噪聲水平，若預(yù)測(cè)值過(guò)高，不符合使用要求，則不生產(chǎn)該款風(fēng)機(jī)，設(shè)計(jì)師對(duì)參數(shù)進(jìn)行合理微調(diào)，重新預(yù)測(cè)，此方法可為風(fēng)機(jī)制造廠(chǎng)預(yù)估離心風(fēng)機(jī)噪聲提供參考。

4.5 實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證基于神經(jīng)網(wǎng)絡(luò)的噪聲預(yù)測(cè)系統(tǒng)的準(zhǔn)確性以及實(shí)用性，選取5 款不同類(lèi)型的離心風(fēng)機(jī)作為驗(yàn)證集。表7展示了4種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果，可以明顯看出，4 種預(yù)測(cè)模型都能較好地對(duì)風(fēng)機(jī)噪聲進(jìn)行預(yù)測(cè)，相比于前3 種模型，本文提出的基于PCAIPSO-BP神經(jīng)網(wǎng)絡(luò)噪聲預(yù)測(cè)模型的預(yù)測(cè)效果最佳。

表7 噪聲預(yù)測(cè)結(jié)果

5 結(jié)語(yǔ)

本文提出了基于PCA-IPSO-BP 的離心風(fēng)機(jī)噪聲預(yù)測(cè)模型，利用相關(guān)性分析，對(duì)風(fēng)機(jī)影響因素相關(guān)度排序，剔除相關(guān)度小的因素。對(duì)影響因素進(jìn)行PCA降維，減少網(wǎng)絡(luò)輸入，避免過(guò)擬合。利用改進(jìn)慣性權(quán)重的PSO算法具有簡(jiǎn)單且全局尋優(yōu)能力強(qiáng)的特點(diǎn)，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，改善了單一BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、容易陷入局部最優(yōu)的缺點(diǎn)，增強(qiáng)了算法效率，提高了算法精度。最后對(duì)比BP神經(jīng)網(wǎng)絡(luò)、PCABP 神經(jīng)網(wǎng)絡(luò)、PCA-PSO-BP 神經(jīng)網(wǎng)絡(luò)以及PCA-IPSO-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果。用株洲聯(lián)誠(chéng)集團(tuán)控股有限公司數(shù)據(jù)進(jìn)行驗(yàn)證，結(jié)果表明：本文提出的基于PCA-IPSO-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度達(dá)到99.24%，滿(mǎn)足離心風(fēng)機(jī)噪聲預(yù)測(cè)要求，可為風(fēng)機(jī)制造廠(chǎng)確定風(fēng)機(jī)幾何參數(shù)和優(yōu)化風(fēng)機(jī)性能參數(shù)提供理論依據(jù)，進(jìn)而縮短制造周期，降低生產(chǎn)成本，實(shí)現(xiàn)風(fēng)機(jī)智能制造。