基于bp神经网络的混凝土泵车臂架结构优化设计.docxVIP

基于bp神经网络的混凝土泵车臂架结构优化设计 0 在臂架结构优化中运用遗传算法进行臂架结构优化设计 目前，中国很大一部分混合混凝土泵车的生产是通过进口关键部件进行的。由于混合混凝土泵车生产的附加值和很大的国内市场需求，我国对混合混凝土泵车的结构设计和优化进行了许多有效的研究。例如，对臂架系统的优化和模拟、对织物结构水平的动态分析、对织物结构的自动注入和过程模拟的模拟等。由于结构设计的非线性复杂性和优化目标函数的多样性，很难建立手臂结构主要形状和厚度的变化、重量和变形关系的数学模型。由于需要对最小横截面进行大量的研究，而且很难使用有限的方法。由于神经网络不需要任何数学模型，它们可以同时处理非线性、模糊和噪声数据。启动优化方法是当前最具发展前途的算法之一。因此，在本文中，我们使用具有良好非线性映射能力的bp神经网络对框架结构进行建模，并使用遗传统计法对设计变量进行优化设计。该算法由vc执行。 1 送料过程重力和外载 设定布料杆为4节臂.施工中臂架所受的载荷主要是自重力和外载.计算以最危险工况为设计准则,即泵车布料杆全部伸平且处于送料状态时.考虑风载和振动、冲击引起的动载荷,风载荷为水平方向(与臂架侧面垂直). 1.1 节臂架上面板参数 如图1,2所示,单节臂架设计变量 Xi=(xi1,xi2,xi3,xi4,xi5,xi6,xi7)i=1?2?3?4.Xi=(xi1,xi2,xi3,xi4,xi5,xi6,xi7)i=1?2?3?4. 式中:xi1为第i节臂架尾部侧板折弯处高度;xi2为第i节臂架上面板厚度;xi3为第i节臂架下面板厚度;xi4为第i节臂架头部侧板折弯处高度;xi5为第i节臂架尾部折弯处两侧板距离;xi6为第i节臂架头部端折弯处侧板距离(第4臂架为头端侧板距离);xi7为第i节臂架两侧板厚.设计变量可依据不同优化对象进行一定调整. 1.2 统一目标法统一目标法 臂架系统的主要结构形式和外载荷不变.当设计变量变化时,要求优化设计计算最大综合应力σimax和最大变形Uimax尽量小,同时结构总重尽量轻.对这一多目标函数用统一目标法处理,即: minFi(Xi)=w1iσimax(Xi)+w2iUimax(Xi)+w3iΜimax(Xi)i=1,2,3,4minFi(Xi)=w1iσimax(Xi)+w2iUimax(Xi)+w3iMimax(Xi)i=1,2,3,4 式中:w1i,w2i,w3i为目标函数重要程度的权重系数(w1i+w2i+w3i=1). 1.3 设计变量及边界值 根据臂架结构的设计和工艺要求,同时考虑优化计算的计算速度,综合定义设计变量的边界.由于结构的形状尺寸约束函数和厚度尺寸约束函数数量级相差很大,约束函数的变化对目标函数影响的灵敏度不同,须对几何约束条件进行规格化处理 s.tgi1(x)=xi1b1i-1≥0?gi2(x)=xi1b2i-1≥0gi3(x)=xi2σ3i-1≥0?gi4(x)=xi2b4i-1≥0gi5(x)=xi3b5i-1≥0?gi6(x)=xi3b6i-1≥0gi7(x)=xi4b7i-1≥0?gi8(x)=xi4b8i-1≥0gi9(x)=xi5b9i-1≥0?gi10(x)=xi5b10i-1≥0gi11(x)=xi6b11i-1≥0?gi12(x)=xi6b12i-1≥0gi13(x)=xi7b13i-1≥0?gi14(x)=xi7b14i-1≥0 式中:b1i,b2i,b3i,…,b14i分别为对应设计变量的边界值. 应力约束为:gi15(x)=σmax-[σ]0. 变形约束为:gi16(x)=fmax-[f]0. i=1,2,3,4 2 bp-b网络建模 2.1 建立有限元模型 BP网络的训练为有导师学习过程.通过对现有臂架系统在既定工况下应力的实际电测值与有限元分析软件计算数据的对比及修正,建立起合理的臂架系统受力模型和有限元模型.利用该模型计算出当设计变量改变时相应的最大综合应力和变形,将其数据作为导师信号的训练样本. 2.2 主要影响因素 采用三层结构的网络.理论已证明,三层结构具有Sigmoid神经元非线性的网络,可以以任意精度逼进任何连续函数.网络输入层为7个几何参数(待优化数据);输出变量两个:最大综合应力和变形.隐含层结点取34个,训练网络3 000次.为避免网络陷入局部极小值,在训练模式中注入噪声,同时在网络中加入动量项提高网络收敛速度 Δwij(t+1)=Δw′ij(t+1)+αΔwij(t)(i,j=1,2,3,?,n) 式中:wij为权重;Δw′ij(t+1)=-η?E/?wij,反映当前的方向. 3 组合模型优化 由于二进制编码个体编码长度惊人,解码非常不方便,算法采用浮点编码,变量值在其上、下范围内随机产生.每完成一代编码运算后立即进行