[发明专利]基于BP神经网络和遗传算法的钢轨焊缝精铣机床横梁体优化设计方法

摘要

本发明公开了一种基于BP神经网络和遗传算法的钢轨焊缝精铣机床横梁体优化设计方法，包括S1、选取横梁体中用于支撑或加固整体的辅助结构尺寸作为设计变量，横梁体的优化准则为保证结构强度的前提下提高刚度并减轻总重量；S2、采取正交试验的方法获取横梁体强度、刚度及重量作为样本数据；S3、设计神经网络，利用样本数据对神经网络进行训练至预测值与样本值差别限定在允许误差范围内；S4、产生种群，利用神经网络计算种群适应度和约束条件值从而进行遗传算法优化求解；S5、对优化获取的参数进行仿真分析，从而确定优化结果可行性。本发明在保证结构强度的前提下，有效提高结构刚度和减轻结构重量，从而提升精铣机床整体结构性能。

主权项

一种基于BP神经网络和遗传算法的钢轨焊缝精铣机床横梁体优化设计方法，其特征在于，包括以下步骤：S1、确定设计变量和优化目标S101、设计变量的确定：选取横梁体中用于支撑或加固整体的辅助结构尺寸P1、P2、……、Pn作为设计变量；S102、优化目标的确定：横梁体的优化准则为保证结构强度的前提下提高刚度并减轻总重量；S103、优化数学模型的建立：选取横梁体的最大变形量和总重量为目标函数，最大应力作为约束条件，优化数学模型为X=[P1,...,Pn]TminF(emax,m)σmax≤[σ]Xmin≤X≤Xmax,]]>其中，X为设计变量，F(emax,m)为目标函数，F(emax,m)＝λ1f(emax)+λ2g(m)，emax为最大变形量，[e]为允许最大变形量，m为总重量，[m]为许用最大重量，λ1、λ2为优化权重系数，λ1+λ2＝1，σmax为最大应力，[σ]为许用应力，Xmax、Xmin为设计变量的上、下限；S2、获取训练样本S201、采取正交试验的方法进行样本获取，所选取的设计变量即为正交试验表的因素，在各设计变量的取值范围中选取若干个水平，设计正交试验表，确定试验的组数和各试验组的具体参数；S202、实施正交试验方案，根据各试验组的参数建立相应的横梁体模型，再利用有限元软件分别对所有的横梁体模型进行强度和刚度分析，提取出模拟获得的横梁体强度、刚度和重量结果，以最大应力作为强度的表征量，以最大变形量作为刚度的表征量，将这些结果作为神经网络的训练样本；S3、构建BP神经网络S301、将设计变量P1、P2、……、Pn作为输入层，将m、emax、σmax作为输出层，中间层采用单隐层，神经元个数其中，ni为输入层节点数，no为输出层节点数，q为常数，q∈[1,10]；S302、利用步骤S202中获取的训练样本对BP神经网络进行训练，直至预测值与样本值的差别限定在允许误差范围内；S4、用遗传算法优化求解S401、产生初始种群；S402、用BP神经网络计算适应度和约束条件值，约束条件函数设计为Q(X)=F(emax,m)+k(max[0,σmax[σ]-1]2),(k≥0),]]>适应度函数设计为Fit(X)=11+c+Q(X),(c≥0,c+Q(X)≥0);]]>S403、若满足优化准则和约束条件就输出结果，否则选择适应度高的个体，执行遗传操作生成新的种群，再转向步骤S402；S5、确定优化参数：根据遗传算法的优化结果可获取一组效果最优的参数组合，对该组参数下的横梁体进行建模仿真求解分析，最终确定优化结果可行性，若存在较大差异则重新进行神经网络的构建和遗传算法优化求解。