[发明专利]基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法

说明书

本发明公开了一种基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法，针对大型船舶轴系校中过程中，轴承变位值的调整，该方法包括：通过现场测量或者有限元计算进行轴系轴承的负荷值和变位值数据，然后依此构建BP神经网络结构，采用遗传算法对该神经网络进行优化，将优化后产生的最优个体代入BP神经网络进行训练，得到GA‑BP船舶轴系轴承负荷值预测模型，根据此模型可以对未来不同变位值下的轴承负荷值进行预测。本发明在船舶轴系校中领域引入遗传算法优化BP神经网络的方法，可以根据轴系的轴承变位值来预测轴承负荷值，进而调整轴承变位值，保证轴系安全运行。本发明方法计算效率高、成本低，对船舶轴系安装、校中具有实际指导意义。

技术领域

本发明涉及船舶轴系校中领域，尤其涉及一种基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法。

背景技术

近年来，船舶朝着大型化、高速化发展，船舶装载量越来越大，螺旋桨所承受的载荷越来越大，同时波浪载荷对船体变形的有影响也越来越大，这些都会导致船舶推进轴系变形。

轴系校中的目的实质上是为了确定轴承的数量及各轴承的合理位置，以保证整个轴系负荷在轴承上的合理分配，使其处在一个合理范围值内，从而可保证轴系持续正常地运转。船舶轴系校中质量的优劣，对保障轴系及主机的正常运转，以及减少船体振动有着重要的影响。根据《钢质海船入级规范》要求，需要采用顶举法检验，确定轴承实际负荷值误差是否在±20％范围内。

目前主要的校中方式包括直线校中、合理校中等。直线校中是将船舶轴系严格布置成一条直线，各轴承等高，无变位。此种方法较为简单，但却很难保证轴系各轴承处所受的负荷及轴段的弯矩、转角等都在允许的范围内。合理校中又称为最佳校中，它是根据船舶轴系的实际结构，按照规定的约束条件，即轴承负荷，轴段应力和转角等在允许的范围内，通过校中计算确定各轴承的合理位置，把轴系安装成规定的曲线状态，使各个轴承上的负荷合理。目前设计轴系普遍采用的是合理校中的方法

就船厂实际校中来说，主要采用试错法或线性规划，调整中间轴承变位值，这两种方法的任务量都比较繁重，效率不高。

近几年，BP神经网络以其独特的优点，在工程优化设计中得到了广泛的应用。但是，BP神经网络存在易受初始权值、学习速率、动量因子等参数影响，而通过高强度的训练会产生“过拟合”现象，影响网络的泛化能力，因此多次训练的结果相差很大，有时甚至不会收敛。

发明内容

本发明要解决的技术问题在于针对现有技术中轴系安装校中变位调整指导方法存在的不足和BP神经网络本身的缺陷，提供一种基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种基于遗传算法优化BP神经网络的船舶轴系轴承负荷值预测方法，该方法包括以下步骤:

S1、收集船舶推进轴系校中过程数据，包括轴承负荷值和对应轴承变位值的数据；整理该数据形成样本，并将样本分为训练样本和检测样本两部分；

S2、根据轴承负荷值和变位值的样本设计BP神经网络结构，分别设置神经网络输入层、隐含层和输出层的节点数；在BP神经网络结构下，用遗传算法对其进行优化；

S3、根据优化得到的最优个体对BP神经网络结构的初始权值和阈值进行赋值；通过训练样本进行反复训练，将均方误差作为训练指标，并将训练得到的权值、阈值以及此时的网络结构参数保存，构建GA-BP船舶轴系轴承负荷值预测模型；

S4、用检测样本对得到的GA-BP船舶轴系轴承负荷值预测模型进行反复检验，若检验通过，则说明构建的模型有效，通过GA-BP船舶轴系轴承负荷值预测模型对船舶轴系轴承负荷值进行预测；若检验不通过，则重新进行训练建模；