专利交易市场

本发明公开了基于ELM神经网络模型的流动磨损特性预测及寿命评估方法。包括训练样本数据采集的步骤、测试样本数据采集的步骤、ELM神经网络模型建立的步骤和利用已构建的ELM神经网络模型进行流动磨损特性预测分析及寿命评估的步骤，实现对承压管束系统流动磨损特性的预测及寿命评估。本发明针对石油化工、煤化工等流程型工业承压管束系统的流动磨损问题，基于ELM神经网络模型建立了一种流动磨损特性的快速量化预测和剩余寿命评估方法，能快速定量的预测复杂变工况环境的流动磨损速率，可为承压管束系统系统的在役检验、风险评价、寿命预测、防控优化等安全闭环管理提供科学指导，促进流动磨损高风险设备系统的安全、稳定、长周期运行。

本发明提出了一种基于极限学习机的服务发现方法，结合神经网络和差分进化算法的优势特点，以找到最准确的目标服务。该方法首先构建一组训练样本，针对某一随机查询请求，对训练服务集中的每个服务应用余弦相似度、Jaccard相似度、欧式距离及曼哈顿距离这四种测量方法得到相似度匹配得分，并通过差分进化算法得到对应的适应度值，以此构成样本向量；然后，将样本的相似度得分作为极限学习机的输入，适应度值作为输出对网络模型进行训练；当用户提出新的查询请求时，对测试服务集中的各个样本进行简单相似度匹配，并通过训练好的神经网络模型来预测其对应的适应度值；最后根据样本的适应度值进行排序，从而找到合适的目标服务。

一种进行换相识别、预测的ELM网络模型的获取方法，包括以下步骤：步骤1.对首次换相失败识别模型进行训练；步骤2.对后续换相失败预测模型进行训练；获取的训练后的模型即为进行换相识别、预测的ELM网络模型，本发明的目的是为了对首次换相失败进行识别并对后续换相失败进行预测，以解决现有的换相失败识别、预测方法适用性不足和准确性差且预测速度慢的技术问题。