[发明专利]一种基于BP神经网络的橡胶减振器性能预测及选型方法

权利要求书

1.一种基于BP神经网络的橡胶减振器性能预测及选型方法，其特征在于，通过振动试验得到橡胶减振器试件的共振频率和减振效率；以振动试验得到的试验数据为基础，以橡胶减振器的几何特征和邵氏硬度作为BP神经网络的输入，以橡胶减振器的共振频率或者减振效率作为BP神经网络的输出，训练神经网络，得到橡胶减振器的物理参量与减振性能的映射关系，具体如下：

S201、选择MIV算法作为衡量各输入层的数据对输出层数据的影响的大小的指标，以减振器的邵氏硬度、弹性剪切模量、损耗因子和五个几何特征为输入，形成输入变量矩阵；以减振器的一阶共振频率为输出，形成输出变量矩阵，最终筛选的结果为神经网络的输入变量为减振器的五个几何特征和邵氏硬度，当考虑设备的配重对整体的影响时，加入配重作为输入变量，MIV算法具体如下：

首先利用初始的所有数据进行训练，当完成初始训练之后，对初始训练中的输入变量在原先的数值基础上加减10％，然后带入到前面训练好的网络中去，分别得到加减后输入值的输出值，然后计算输入值和输出值的差值，然后对差值进行平均，得到各个橡胶减振器的物理参量对于减振性能的影响值的大小，通过该数值的比较和排序实现对于减振器选型和预测神经网络模型的输入变量的筛选，确定该神经网络的输入层层数；

S202、根据试验数据训练BP神经网络，实现通过物理特征变量对共振频率和减振效率的预测，以及通过遍历的方式得到对应关系从而通过数据管理实现减振器的选型，具体包括以下步骤：

S2021、选定橡胶减振器五个几何尺寸特征和邵氏硬度作为输入变量，确定输入层节点数；

S2022、确定隐含层数和隐含层节点数m；

S2023、确定学习率、初始权值、初始阈值；

S2024、确定输出层的节点数；

S2025、训练神经网络；

输入层节点数为6，隐含层数为2，学习率为0.05，初始权值和初始阈值均为默认值，输出层的节点数为2；橡胶减振器扫频试验的共振频率预测时所需信息为一阶共振频率，该输出层节点数为1；橡胶减振器随机振动试验的共振频率和减振效率的预测时所需信息为共振频率和减振效率，该输出层的节点数为2；

利用神经网络模型，对减振器进行性能预测，然后对物理变量和减振性能数据进行管理，从减振性能出发选出合适的减振器对应的物理参量，完成选型。

2.根据权利要求1所述的一种基于BP神经网络的橡胶减振器性能预测及选型方法，其特征在于，通过振动试验得到橡胶减振器试件的共振频率和减振效率具体如下：

S101、确定设备的典型工况及振动量级；根据减振器所承载的设备在实际运行中所受的振动环境确定振动试验的振动量级；

S102、根据减振器的实际装配方式，对减振器和承载设备分别开展低频段扫频试验和高频段随机振动试验，得到对应系统的共振频率和减振效率。

3.根据权利要求1所述的一种基于BP神经网络的橡胶减振器性能预测及选型方法，其特征在于，隐含层节点数m估算方法如下：

m＝log₂n

其中，n为输入层节点数，l为输出层节点数，δ为0～10之间的常数，通过估算方法以及试凑得到隐含层节点数m为10。

4.根据权利要求1所述的一种基于BP神经网络的橡胶减振器性能预测及选型方法，其特征在于，训练神经网络具体为：

从相同振动量级的实验数据中任意选取75％作为训练样本，25％作为测试样本，以训练样本的邵氏硬度和几何尺寸作为网络输入；以训练样本的一阶共振频率作为网络输出，采用标准BP模型，选择隐含层数为2，输入层节点数为6，输出层节点数为1，隐含层节点数为10，第一层传递函数选为tansig函数，第二层传递函数为purelin函数，训练函数为带动量梯度下降改进型训练函数traingdm，通过数据的学习完成神经网络的训练。

5.根据权利要求1所述的一种基于BP神经网络的橡胶减振器性能预测及选型方法，其特征在于，对减振器进行性能预测具体如下：

S301、当步骤S2完成了BP神经网络的训练之后即建立了橡胶减振器的物理特征参量与减振器性能之间的映射关系；当需要对橡胶减振器进行性能预测时，对训练好的神经网络输入减振器的物理参量得到相应的减振器性能；

S302、得到神经网络模型后，采用遍历的方式通过未经过试验的减振器的物理参量预测出相应的减振效率和共振频率，得到对应数据后，最后对物理参量和减振性能的数据进行管理，从共振频率或者减振效率出发选出合适的减振器。