[发明专利]基于GA-BP算法的船舶轴系中间轴承安装变位调整方法

摘要

本发明公开了一种基于GA‑BP算法的船舶轴系中间轴承安装变位调整方法，采集数据样本及数据归一化处理‑确定一次BP神经网络拓扑结构、参数设置及初始权值阈值‑GA算法对一次BP神经网络初始权值阈值进行寻优‑建立轴系中间轴承支反力与中间轴承变位值之间的拟合关系‑检验拟合关系计算精度‑拟合关系的应用。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，可以针对不同状况根据轴系的轴承变位值来预测轴承负荷值，进而调整轴承高度，确保轴承负荷在允许的范围内，以保证轴系安全运转；本发明对于船舶轴系安装校中具有现实指导意义，有助于提高轴系安装质量和缩短安装时间。

主权项

1.一种基于GA‑BP算法的船舶轴系中间轴承安装变位调整方法，其特征在于：调整方法如下：1)采集数据样本及数据归一化处理通过现场实际测量船舶轴系的中间轴承支反力和中间轴承支反力对应的中间轴承变位值，并将中间轴承支反力作为网络输入量、中间轴承变位值作为网络输出量；一个中间轴承支反力和该中间轴承支反力对应的中间轴承变位值作为一组数据样本，共采集N组数据样本；选取前M组数据样本作为神经网络的训练样本、后(N‑M)组数据样本作为神经网络的测试样本，N、M均为自然数；并对所有数据样本进行归一化处理，将所有数据样本中的中间轴承支反力数据和中间轴承变位值数据均归一化至[0,1]；2)确定一次BP神经网络拓扑结构、参数设置及初始权值阈值2a)确定一次BP神经网络拓扑结构一次BP神经网络拓扑结构包括输入层、隐含层和输出层；2b)设置一次BP神经网络参数选择对数S型logsig函数作为隐含层节点转移函数，设定线性purelin函数作为输出层节点转移函数，设定Levenbrg_Marquardt的trainlm函数作为BP神经网络算法的训练函数；2c)确定一次BP神经网络的初始权值阈值给一次BP神经网络的各个初始权值阈值赋予[‑1,1]内的随机值；3)GA算法对一次BP神经网络初始权值阈值进行寻优通过GA算法对步骤2c)中一次BP神经网络初始权值阈值进行进化：3a)根据一次BP神经网络的初始权值阈值，计算得到拟合中间轴承变位值，根据训练样本的中间轴承变位值与拟合中间轴承变位值计算均方误差和；均方误差和由小到大依次排序，选取均方误差和最小的前10～20个个体组成新种群，对新种群进行交叉、突变，得到新的个体种群；3b)利用更新后的权值阈值，重复步骤3a)，直至进化20～50次，将进化过程中使均方误差和最小的个体赋值给一次BP神经网络，遗传进化结束；4)建立轴系中间轴承支反力与中间轴承变位值之间的拟合关系4a)确定二次BP神经网络拓扑结构二次BP神经网络拓扑结构包括输入层、隐含层和输出层；4b)二次BP神经网络参数设置选择对数S型logsig函数作为隐含层节点转移函数，设定线性purelin函数作为输出层节点转移函数，设定Levenbrg_Marquardt的trainlm函数作为BP神经网络算法的训练函数；4c)确定二次BP神经网络的初始权值阈值二次BP神经网络的初始权值阈值为步骤3)中一次BP神经网络进化后的权值阈值；4d)将步骤1)归一化后的训练样本对步骤4c)中的二次BP神经网络进行训练，计算得到拟合中间轴承变位值；若训练样本的中间轴承变位值与拟合中间轴承变位值间均方误差和小于预设精度目标值，则训练终止，神经网络构建的拟合关系形成；若训练样本的中间轴承变位值与拟合中间轴承变位值间均方误差和大于预设精度目标值，则按照误差反向传递原则，更新网络权值阈值；5)检验拟合关系计算精度将步骤2)中的测试样本中的测试输入向量输入步骤4d)的拟合关系，计算得到拟合中间轴承变位值，将拟合中间轴承变位值进行反归一化处理，与测试样本中的输出向量进行对比，若拟合关系的精度误差满足《钢质海船入级规范》要求±20％则该拟合关系符合要求，若拟合关系的精度误差不满足《钢质海船入级规范》要求±20％，则跳转至步骤3)，继续执行步骤3)和步骤4)得到中间轴承支反力与中间轴承变位值之间拟合关系的精度误差直至满足《钢质海船入级规范》要求±20％；6)拟合关系的应用将设计校中计算书给出的中间轴承轴承支反力，作为输入向量输入步骤4d)所建立的拟合关系，计算得到拟合中间轴承变位值。