基于BP神经网络的起重船臂架结构优化设计

2012-03-09

武汉理工大学学报（交通科学与工程版） 2012年3期

（武汉理工大学物流工程学院武汉 430063）

作为海洋工程建设中的重要建设设备，海洋工程起重系统得到了飞速的发展，并有着广阔的发展前景．起重机械的承载结构约占整机自重的60%，减轻其金属结构的重量是主要设计目标之一［1］．对于大型起重船，其臂架结构自重不仅对整机自重和承载结构的受力有较大影响，而且还直接影响整机的安全性能．随着大型起重船的发展，减轻其臂架结构的自重将具有决定性的影响．本文以300t起重船的臂架结构为研究对象，通过ANSYS建立起具有提高整机性能指标的参数化优化设计模型，采用BP神经网络算法对其进行优化．

1 臂架结构的参数化优化设计数学模型

1.1 臂架结构近似分析

本文中300t起重船臂架结构为矩形截面的空间桁架结构，其弦杆与腹杆均由无缝钢管制成，见图1．采用有限元法对该臂架结构进行分析，通过对不同工况下臂架结构计算分析，确定臂架在最小幅度起吊300t工况为最危险工况，并以此工况作为臂架结构分析及优化设计的模型．

图1 300t臂架结构模型

1.2 优化模型的设计变量

利用参数化设计思想，根据模型的几何结构抽象出模型的特征参数，并在不影响精度的情况下对分析模型适当简化．为了有效地表达臂架结构的几何要素，采用如下5个设计变量：X1为臂架结构梁高；X2为臂架结构梁宽；X3为臂架结构主弦杆钢管壁厚；X4为臂架结构变截面处垂直弦杆钢管壁厚；X5为腹杆体系钢管壁厚．

1.3 优化模型的约束条件

根据设计要求建立起来的约束条件其性质可分为2类：（1）性能约束条件，包括强度、刚度等；（2）几何约束条件，根据相关规范及工艺要求确定［2］．因此取约束条件如下．

1）强度约束条件

臂架材料采用WDB620，其屈服极限σs＝490 MPa，二类载荷下安全系数ns＝1．33．其许用应力［σ］＝σs／ns＝490／1．33＝368．4MPa，其中σ由神经网络预测得出．

2）刚度约束条件

对于臂架类型起重机，其静挠度｜fv｜＝R／250＝214mm．其中：R＝53．5m，为起重机的幅度；｜fv｜max由神经网络预测得出．

3）几何形状约束条件

1．4 优化模型的目标函数

优化设计的目标函数是在满足整机性能和系统可靠运行的基础上，臂架结构的最小重量．记为

式中：A1为主弦杆钢管横截面积；L1为主弦杆长度；A2为变截面处垂直弦杆钢管横截面积；L2为变截面处垂直弦杆长度；A3为腹杆体系钢管横截面积；L3为腹杆体系长度；ρ为材料密度．

2 臂架结构参数化建模

BP神经网络进行网络训练的输入输出样本对的选择主要考虑3个方面：（1）具有较高的非线性程度；（2）有足够的备用样本来检验神经网络预报的正确性；（3）考虑与实际问题的接近性．本文输入输出样本对由有限元程序提供，其中包括45组训练样本和5组检验样本．因此利用有限元软件ANSYS中的APDL［3］参数化语言对臂架进行参数化建模［4］，可快速方便的获得网络训练所需的样本．

下面为建立臂架模型的部分命令流：

3 臂架结构优化计算的实现

3.1 BP神经网络优化算法

BP神经网络是一种多层前馈型神经网络，具有很强的非线性拟合能力，可以实现从输入到输出地任意非线性映射，而且学习规则简单，便于计算机实现［5－6］．因此本文采用BP神经网络来模拟设计变量与臂架结构强度、刚度之间的映射关系．

标准的BP模型由3层神经元组成，其最下层称为输入层，中间层称为隐含层，最上层称为输出层．BP神经网络的核心思想是：当输出误差以某种形式通过隐层向输入层逐层反传，将误差分摊给各层的所有单元，使各层单元输出误差信号，从而修正各单元权值，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止．

3.2 BP神经网络设计

因三层神经网络已足以模拟输入与输出之间复杂的非线性映射关系，故设计一个3层网络，具有n个输入单元，m个输出单元，则中间层单元个数n1可取为n1＝为1到10之间的常数．本文具有5个输入单元，2个输出单元，因此初定n1为13，并依次选取中间层单元个数为11、12、14、15、16进行仿真，对比检验样本的应力预测值及误差数据，取误差最小者，由此取中间层单元个数为14，其网络结构见图2．

通过对该网络进行训练，建立了输入和输出之间的非线性关系，并通过检验样本对己训练成熟的网络进行了校验，使误差控制在一定的范围内，其应力和位移检验数据见表1．