(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210603162.9 (22)申请日 2022.05.30 (71)申请人 广东华中科技大 学工业技术研究院 地址 523000 广东省东莞 市松山湖高新 技 术产业开发区科技九路1号 (72)发明人 卞涛　王旭东　江文　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 杨桂洋 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01)G06Q 10/04(2012.01) G06F 119/14(2020.01) (54)发明名称 基于神经网络的无轴推进器性能预测方法 (57)摘要 本发明公开了一种基于神经网络的无轴推 进器性能预测方法， 其包括将无轴推进器的设计 参数及其所对应的无轴推进器的性能参数建立 为数据库； 建立神经网络预测模型； 随机初始化 神经网络 预测模型的参数， 并对神经网络预测模 型的参数进行优化； 使用数据库中的数据， 对神 经网络预测模 型进行训练； 使用训练后的神经网 络预测模型， 根据无轴推进器的设计参数来预测 无轴推进器的性能参数。 本发明主要解决如何提 供无轴推进器性能预测方法的问题； 该种基于神 经网络的无轴推进器性能预测方法， 能够快速且 准确地根据无轴推进器的设计参数来预测无轴 推进器的性能参数， 能够为无轴推进器的设计工 作带来良好的辅助， 从而推动船舶工业的发展。 权利要求书2页 说明书7页 附图2页 CN 114880809 A 2022.08.09 CN 114880809 A 1.一种基于神经网络的无轴推进器性 能预测方法， 用于根据无轴推进器的设计参数来 预测无轴推进器的性能参数， 其特 征在于， 包括下述 步骤： S1、 将无轴推进器的设计参数及其所对应的无轴推进器的性能参数建立 为数据库； S2、 以无轴推进器的设计参数作为输入层， 以无轴推进器的性能参数作为输出层， 建立 神经网络预测模型； S3、 随机初始化所述神经网络预测模型的参数， 并根据所述数据库中的数据， 采用梯度 下降法对所述神经网络预测模型的参数进行优化； S4、 使用所述数据库中的数据， 对所述神经网络预测模型进行训练， 以降低所述神经网 络预测模型的预测误差； S5、 使用训练后的所述神经网络预测模型， 根据无轴推进器的设计参数来预测无轴推 进器的性能参数。 2.根据权利要求1所述的基于神经网络的无轴推进器性能预测方法， 其特征在于， 所述 无轴推进器的设计参数包括桨叶的盘面比、 桨叶的螺距比、 进速系数以及转速； 所述神经网络预测模型之输入层的神经元个数为4个， 分别对应所述桨叶的盘面比、 所 述桨叶的螺距比、 所述进速系数以及所述 转速。 3.根据权利要求1或2所述的基于神经网络的无轴推进器性能预测方法， 其特征在于， 所述无轴推进器的性能参数包括 最大推力和力矩； 所述神经网络预测模型之输出层的神经元个数为2个， 分别对应所述最大推力和所述 力矩。 4.根据权利要求1所述的基于神经网络的无轴推进器性能预测方法， 其特征在于， 所述 神经网络预测模型 具有1层隐含层， 所述隐含层的神经 元个数为8个。 5.根据权利要求4所述的基于神经网络的无轴推进器性能预测方法， 其特征在于， 所述 神经网络预测模型之隐含层的激活函数为Relu函数， 其表达式为： 6.根据权利要求1、 4或5所述的基于神经网络的无轴推进器性能预测方法， 其特征在 于， 所述神经网络预测模型之输出层的激活函数为 Linear函数， 其表达式为： f(x)＝x。 7.根据权利要求1、 4或5所述的基于神经网络的无轴推进器性能预测方法， 其特征在 于， 所述神经网络预测模型之输出层的的损失函数为Mean  Squared Error(MSE)函数， 其表 达式为： 式中， n为所述数据库中的数据数量， i 为正整数， Yi 为实际值， 为预测值。 8.根据权利要求1所述的基于神经网络的无轴推进器性能预测方法， 其特征在于， 步骤 S4具体包括： S4.1、 将所述数据库中的数据随机排序， 并划分为训练集、 验证集以及测试集； S4.2、 使用所述训练集中的数据， 对所述神经网络预测模型进行训练； S4.3、 使用所述验证集中的数据， 对所述神经网络预测模型的参数进行调解； S4.4、 使用所述测试集中的数据， 对训练后的所述神经网络预测模型之预测性能作评 价。权　利　要　求　书 1/2 页 2 CN 114880809 A 29.根据权利要求8所述的基于神经网络的无轴推进器性能预测方法， 其特征在于， 步骤 S4.1中， 所述数据库中的数据按照训练集： 验证集： 测试集 ＝7:2:1的比例划分。 10.根据权利要求1、 8或9所述的基于神经网络的无轴推进器性能预测方法， 其特征在 于， 所述神经网络预测模型的参数包括权值 w和偏置b。权　利　要　求　书 2/2 页 3 CN 114880809 A 3