[发明专利]桥式起重机多柔体动力学结构优化方法

摘要

本发明公开了一种桥式起重机的多柔体动力学结构优化方法，采用多柔体动力学技术、最优拉丁超立方算法、粒子群算法优化的神经网络模型、NSGA‑II算法和Maxi‑min准则，解决了以往多柔体动力学优化时柔性体部件不易优化的问题。通过修改有限元参数改变模态中性文件信息来改变动力学模型中设计变量值，引入粒子群算法优化的BP神经网络建立代理模型，拟合柔性体各设计变量与多柔体动力学模型中优化目标值间的非线性关系，采用NSGA‑II遗传算法对该代理模型进行多目标优化得到Pareto解集，运用Max‑min准则找到一个兼顾各优化目标的可行解。

主权项

1.一种桥式起重机多柔体动力学结构优化方法，其特征在于：方法步骤如下：步骤S1，按照优化需求确定优化目标，并对影响优化目标的各结构参数进行结构灵敏度分析，按影响力从大到小的顺序选取前四个设计变量，各设计变量的取值范围按其初值上下浮动5％～10％；根据起重机设计方法，桥式起重机设计约束考虑强度、刚度、工艺以及截面尺寸取值约束；步骤S2，根据各设计变量的取值范围，运用最优拉丁超立方算法对设计变量进行试验设计，得到若干组设计变量的试验设计值，从而创建了设计变量的样本空间；步骤S3，创建桥式起重机的多柔体动力学模型，根据每组设计变量的试验设计值，修改柔性体对应的模态中性文件，生成新的柔性体部件覆盖原有柔性体部件，再通过对新的多柔体动力学模型进行数值仿真计算，得到对应的优化目标值：步骤S31，运用Hyperworks软件分别对桥式起重机各零部件进行有限元网格划分；步骤S32，在各零部件与相邻部件连接处建立界面节点并于其设置边界条件，检查有限元网格质量，运用模态综合法对每个零部件分别进行模态计算，得到其模态中性文件；步骤S33，将各模态中性文件优化处理后导入多体计算软件，创建柔性体部件；步骤S34，根据实际情况设置部件连接关系、边界条件，施加工作载荷，从而得到桥式起重机的多柔体动力学模型；步骤S35，根据每组设计变量的试验设计值，修改柔性体对应的模态中性文件，生成新的柔性体部件覆盖原有柔性体部件，再通过对各多柔体动力学模型进行数值仿真计算，得到对应的优化目标值；步骤S4，根据步骤S2中的每组设计变量的试验设计值，得到代理模型的样本数据库的输入，根据步骤S3中的每组设计变量的试验设计值对应的优化目标值，得到代理模型的样本数据库的输出；步骤S5，依据上述样本数据库的输入和输出，建立基于贝叶斯正则化算法的BP神经网络拟合其输入和输出间的非线性映射关系；步骤S6，运用粒子群优化算法优化上述BP神经网络的初始权值和阈值，并进行网络训练；步骤S7，对训练后的神经网络进行精度验证：选用复合相关指数R²和均方差MSE来对模型进行测试评价，若满足精度要求，转入步骤S8，否则返回步骤S6；步骤S8，保存上述满足精度要求的BP神经网络及其结构参数；步骤S9，结合上述BP神经网络，运用NSGA‑II遗传算法对桥式起重机结构进行多目标优化，得到优化后的Pareto解集；优化时采用NSGA‑II遗传算法进行结构优化，其适应度评估采用如下式所示的适应度函数式中：Fit(x)表示适应度函数，f_i(x)为各目标函数值，C_i,max为f_i(x)的最大估计值；所述目标函数f_i(x)的表达式为式中：F_i为各优化目标的值，F_0,i为各优化目标的初始值；步骤S10，将S9优化所得的Pareto解集对应数据保存，运用Max‑min准则从保存的Pareto解集中优选出一个可行解；Max‑min优选准则其表达式如下：式中，f_i,j表示Pareto解集中各可行解的值，其下标i为优化目标的编号，n为优化目标的总个数，下标j为Pareto解集中可行解的编号，m为解的总个数；f_i,max为解集中第i个优化目标的可行解的最大值，f_i,min为解集中第i个优化目标的可行解的最小值。