潘晓光

(桂林市特种设备检验所 桂林 541004）

基于神经网络的机械式停车设备设计分析

潘晓光

(桂林市特种设备检验所 桂林 541004）

机械式停车设备是特种设备的一种，设计环节对其安全性起到至关重要的作用。而机械式停车设备具有复杂的钢结构系统，传统的设计方法效率不高。因此，需要一种新的设计方法提高设计准确性。本文运用神经网络强大的非线性映射能力实现映射建模，计算后再应用先进的优化技术，对其各构件截面优化，实现最理想的设计结果并通过实例分析验证了方法的有效性。

机械式停车设备 映射模型 神经网络 优化设计

目前，国内机械式停车设备的需求量成几何级数的增长，机械式停车设备列为特种设备，国家对其安全性的要求显而易见，而它的钢结构系统是整个设备安全的保证[1]。现在各企业常用设计方法是运用有限元软件建立设备三维模型，分析计算最大应力值，再与所用材料的许用应力比较得出结果，虽然计算结果相对准确，但本质上是试凑和迭代的过程，参数众多，工作量巨大，效率也比较低。而运用力学原理建立简化的理论数学模型的传统计算方法，虽结构简单，计算工作量小，但与设备的实际结构有较大差异，计算结果精度达不到要求。本文运用人工神经网络技术[2]实现映射建模的设计方法能够解决上述两种方法的不足，既能简化计算过程又能得到精确结果，是对机械式停车设备设计方法的创新和突破。本市某企业运用映射建模的设计方法制造了一台6层机械式停车设备，该设备运行情况良好，通过了各项检测。

1 设计思路与策略

机械式停车设备的钢结构受力复杂，力学模型为高次超静定结构，各构件应力难以计算。根据机械式停车设备实际的结构特点，分割成几个“层模块”，以层为单元建立简模型，运用结构力学位移法建立各梁元的刚度方程，解该方程，得出简模型的全部内力。全模型的解决方案是运用目前市场上成熟的有限元分析软件建立机械式停车设备的整体数学模型并执行数值分析，得出结论。最后，根据上述简模型和全模型的分析结果，运用人工神经网络强大的非线性映射能力，实现机械式停车设备基于简模型与全模型的映射模型的建立，计算后，再采用离散变量的最优化技术，对其所用构件截面进行优化设计[3]。

图1 设计框图

2 机械式停车设备映射模型建立和结果的优化

2.1 机械式停车设备整体结构的全模型建立

先建立设备整体的三维立体图，导入有限元软件进行计算，软件会自动将图形文件的线段转换成节点和梁单元，划分单元，并给各节点和梁单元编号。手动设置边界条件，加载载荷，输入材料特性和截面特性，即可生成数据文件模型（见图2），执行软件的后处理程序，得出计算结果。

图2 三维立体模型

2.2 机械式停车设备主体结构的简模型建立

层结构是机械式停车设备的基本特征，根据停车泊位与层数，可以将机械式停车设备按照几何结构特征是否相同的条件，把结构相同的单元划分为不同的“层”，运用模块化的思想将复杂的钢结构转化为一个科学、简单、合理又便于计算的“层模块”简模型。图3为机械式停车设备钢结构的简模型。

图3 机械式停车设备力学计算简模型（正面和侧面）

上述简模型是一个可以计算的超静定结构，该结构受弯矩、剪力、轴力和外载荷产生的力，可以根据力的类型分别计算结构受力，再通过力的矢量叠加原理合成得出结果。具体方法是，首先把机械式停车设备分解为多个结构相同的模块，从最上层开始分析，求解支座反力，然后把此层的支座反力作为下一层的外载荷，而下一层的载荷就是原有载荷与上一层载荷的迭加，依次类推可解出机械式停车设备钢结构所有杆件的内力，并从中提炼出层数和内力之间的关系，从而得出计算结果，如图4所示。

图4 力学计算原理图

2.3 运用神经网络对机械式停车设备映射建模

映射模型能够反映简模型和全模型的内在关系。给出样本数据，通过神经网络学习处理，得出简模型和全模型的某种内在本质关系。本文设计一个6层12车位的机械式停车设备，选择BP（Back propagation Neural Network）网络。机械式停车设备的主要载荷为水平风载荷和车重及自重垂直载荷，杆件主要承受轴向力和弯矩，所以只将轴力和弯矩作为样本数据。简模型的节点轴力和弯矩作为神经网络的输入数据，全模型的节点轴力和弯矩作为神经网络的输出数据。同时关注的是危险截面的杆件，因此采集样本的对象应为危险截面的杆件或位置特殊的杆件，见图5（杆件标号同全模型有限元划分的单元号）。

图5 机械式停车设备结构杆件标号

训练样本选取方形型钢从小到大4组截面来覆盖此20个型钢谱，样本总数为24个。方形型钢其他的截面类型利用人工神经网络的内插能力来计算。至于最佳样本数该取多大，目前尚无成熟理论指导 ，只能经过多次选取确定。一般原则是在保证人工神经网络满足所要求的精度和一定泛化能力的前提下，样本数不宜太多[4]。表1给出了一组型钢截面都为70mm×70mm×4mm，进行归一化后所得的样本。

表1 截面70mm×70mm×4mm型钢的归一化样本

3）第二行起，共20行。前10行是样本对象的轴力；后10行是弯矩。

4）第二行起，前10行是轴力除以150000所得；后10行代表简模型的列是弯矩除以1050所得，代表全模型的列是弯矩除以700所得。

2.4 机械式停车设备钢结构的优化设计

本次优化设计，设计量为机械式停车设备钢结构主要部件（立柱、横梁、斜撑）的截面尺寸，以结构自重最轻为指标建立目标函数。

●2.4.1 设计变量

根据机械式停车设备结构形式和各构件之间的相关联系，确定独立设计变量X=[x1，x2，x3]T，其中x1为立柱截面积；x2为横梁截面积；x3为斜撑截面积。这3个独立变量反映了机械式停车设备的结构状态，决定了设备的总体质量。

●2.4.2 目标函数

按照钢结构优化设计的一般要求，以机械式停车设备钢结构总质量最轻为目标函数。

式中：fx——某一种截面杆件的质量；

A——杆件截面面积；

L——杆件长度；

ρ——材料密度。

●2.4.3 约束条件

在机械式停车设备钢结构设计中，当设计变量(杆件截面面积)变化时，杆件的内力和截面特性参数随之变化，此两者的变化决定着杆件强度应力的变化，而强度是机械式停车设备钢结构设计的一个关键控制参数，所以可以用强度应力作为优化设计的约束函数，使设计变量的变化在强度的许用应力范围内。为了将所有约束条件的值都化为同一数量级，约束条件采用式（2）表示：

式（2）中Y为计算值、[Y]为许用值。

当材料取为Q235时，[Y]=235/1.33=176MPa。

3 工程实例

3.1 原始参数（见表2）

表2 原始参数表

3.2 神经网络映射

在WINDOWS XP操作系统下, 以VB为开发环境，开发了本实例计算用的结构设计软件。通过本软件建立机械式停车设备简模型计算结果和全模型计算结果的样本，生成样本文件CK.OUT，用神经网络进行学习训练，找到两者的隐式关系，建立起映射模型。利用映射模型，用简模型的计算数据求得全模型的计算结果。计算结果的比较参见图6（由于篇幅所限只给出一层的比较图）。看图可以得出结论：借助于所建立的映射模型，可以得到全模型的相应计算结果的较高精度逼近。

图6 简模型、全模型和用神经网络映射计算结果的比较

3.3 优化设计

优化设计结果如图7所示。优化结果和原设计比较见表3。

图7 优化结果界面

表3 机械式停车设备原设计和优化设计比较表

3.4 结果分析

●3.4.1 有限元强度校核

目前有限元软件的计算结果是能得到认可的。在此运用有限元软件对设计计算结果进行验证，图8显示了各构件的应力值，最大应力为98.3195MPa，小于许用应力值156.7MPa。可见，设计结果是可靠的。

图8 应力绝对值显示

●3.4.2 刚度校核

机械式停车设备映射模型位移计算样本数据见表4。

表4 立体车库映射模型位移归一化样本

机械式停车设备钢结构的（最高点）最大位移，运用位移法得出下列结论：

映射后位移为：

采用有限元计算得：

由此可知刚度满足设计要求。

4 结束语

运用神经网络学习训练基于简模型和全模型计算结果的数据样本，找到两种模型之间的内在关系，建立机械式停车设备的映射模型，可以计算出接近于机械式停车设备钢结构实际的真实内力，大大提高了设计效率，减少了计算的工作量，同时具有相当高的精度。

综上可见，本文的设计方法具有高效、失真小的特点，并具有一定的开创性和新颖性。

[1] 王金诺.起重运输机金属结构[M].北京：中国铁道出版社，1984.

[2] 王士同.神经模糊系统及其应用[M].北京：北京航空航天大学出版社，1998.

[3] 陈立周.工程离散变量优化设计方法——原理与应用[M].北京：机械工业出版社，1989.

[4] 张学良.机械结合面动态特性及应用[M].北京：中国科学技术出版社，2002.

[5] 王伟雄，王新华，刘金，等.有限元技术在结构强度、稳定性和疲劳分析中的应用[J].中国特种设备安全，2013，29（02）：1-3.

[6] 张凯，王健，毕晓恒.基于ANSYS的桥机金属结构校核[J].中国特种设备安全，2014，30（04）：10-12.

[7] 尤毅聪.基于人工神经网络的长周期储存式压力容器安全评价研究[J].中国特种设备安全，2014，30（11）：38-43.

[8] 章玉婷，杨剑锋.基于BP神经网络的输油管道腐蚀速率预测[J].中国特种设备安全，2013，29（09）：4-7.

Design Analysis of Mechanical Parking Equipment Based on Nerve Network

Pan Xiaoguang
(Guilin Special Equipment Inspection Institue Guilin 541004)

As a kind of special equipment, the design of mechanical parking device is an important process to its security. Because of the complicated steel structure system of mechanical parking device, the traditional design method is unsuitable with low efficiency, and a new design method with higher design accuracy is needed. Using the nonlinear mapping capability of artificial nerve net, the mapping model is built. Each component section is optimized after calculation. Finally, validity of the new method can be evaluated by some examples.

Mechanical parking equipment Mapping model Nerve net Optimum design

X941

B

1673－257X(2015)10-0030-05

10.3969/j.issn.1673-257X.2015.10.007

潘晓光（1980～)，男，硕士，主任，工程师，从事起重机械的检验及研究工作。

2015-05-25 ）