本发明专利技术公开了一种基于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。本发明专利技术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。
【技术实现步骤摘要】
本专利技术具体涉及一种基于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。
技术介绍
钢轨焊缝精铣数控机床是一种集机、电、液、测控为一体的高度自动化的新型专用 设备，主要用于长钢轨焊后工作边、作业面的整形加工。横梁体作为该机床的重要支撑部 件，其结构合理与否直接影响机床的尺寸加工精度和运行稳定可靠性。横梁体结构形状复 杂，主要包括主横梁和副横梁，各部分尺寸布置对于整体的强度、刚度和重量具有重要影 响。如何优化布置各部分尺寸是横梁体设计过程中需要解决的一个重要问题。目前，横梁体 的优化主要基于经验设计，其往往需要通过反复试错进行优化，存在设计周期长、优化效果 不明显的缺点。
技术实现思路
本专利技术的目的在于提供一种基于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，它基于BP神经网络和遗传算法，综合优化横梁体各部分尺寸结构，可在 保证其结构强度的前提下，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。 本专利技术解决其技术问题所采用的技术方案是： -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 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Pi、 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，优化数学模型为其中，X为设计变量，F(emax，m)为目标函数，F(emax，m) = X1f(emax)+X2g(m)，为最大变形量，为允许最大变形量，m为总重量，为 许用最大重量山、λ2为优化权重系数，为最大应力，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Pi、P2、……、Pn作为输入层，将m、emax、〇 max作为输出层，中间层采 用单隐层，神经元个数，其中，m为输入层节点数，η。为输出层节点数，q为常 数，qe; 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适应度函数设计为 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。 按上述技术方案，在步骤S101中，选取横梁体中副横梁竖向边缘厚度的位置尺寸 Pl、副横梁横向边缘厚度的位置尺寸P2、副横梁中四个矩形尺寸ρ3χρ 4、副横梁垂直于图纸 表面方向的厚度内以及主横梁横向边缘厚度的位置尺寸P6作为设计变量。 按上述技术方案，所述P!的取值范围为2010~2050mm，所述P2的取值范围为115~ 135mm，所述P3的取值范围为800~880mm，所述P4的取值范围为90~110mm，所述?5的取值范 围为80~100mm，所述P 6的取值范围为50~70mm。按上述技术方案，在步骤S201中，在各设计变量的取值范围中选取5个水平，设计 六因素五水平的正交试验表，确定试验的组数为25组。 按上述技术方案，所述Pi的五个水平分别为2010、2020、2030、2040、2050，所述?2的 五个水平分别为115、120、125、130、135，所述？3的的五个水平分别为880、860、840、820、 800，所述?4的的五个水平分别为90、95、100、105、110，所述? 5的的五个水平分别为80、85、 90、95、100,所述P6的的五个水平分别为50、55、60、65、70。 按上述技术方案，在步骤S103中，^ = 0.5^2 = 0.5。 按上述技术方案，在步骤S301中，111=6，11〇 = 3,9 = 9，神经元个数 按上述技术方案，允许最大变形量 = 0.5mm，许用最大重量 = 1000kg，许用 应力 = 130MPa。 本专利技术产生的有益效果是:对于新型钢轨焊缝精铣数控机床而言，为提高机床设 计水平和增强产品市场竞争力，对设备结构进行优化设计是必然趋势，本专利技术选取横梁体 中用于支撑或加固整体的辅助结构尺寸作为设计变量，建立优化数学模型，进行多目标单 约束优化，再采用CAD参数化建模和CAE有限元仿真相结合、正交试验的方法获取训练样本， 对含单隐层的BP神经网络进行训练，本专利技术给出了神经网络神经元个数的确定方法，并添 加了最后的优化参数校核，在训练好BP神经网络后再进行遗传算法的优化，用BP神经网络 判断约束条件和确定遗传算法中的适应度，遗传算法在整个范围内搜索最优解。本专利技术将 BP神经网络和遗传算法结合在一起，可快速有效地对横梁体进行优化设计，能够在保证强 度要求的如提下，有效提尚结构刚度和减轻结构重量，有利于提尚精铁机床整体性能。【附图说明】下面将结合附图及实施例对本专利技术作进一步说明，附图中： 图1是本专利技术实施例中钢轨焊缝精铣数控机床的结构示意图； 图2是本专利技术实施例中横梁体的副横梁和主横梁的结构示意图； 图3是本专利技术实施例的流程图；图4是本专利技术实施例中BP神经网络的结构示意图。图中：1-机床底座;2-回转机构;3-横梁体;4-刀具;5-副横梁;6-主横梁。【具体实施方式】为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不 用于限定本专利技术。如图3、图4所示，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Pi、 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，优化数学模型为其中，X为设计变量，F(emax，m)为目标函数，F(emax，m) ，，emaxS最大变形量，为允许最大变形量，m为总重量，为 许用最大重量山、λ2为优化权重系数，本文档来自技高网...
【技术保护点】
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]Tmin F(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。...
【技术特征摘要】
【专利技术属性】
技术研发人员：毛华杰，华林，张保军，钱东升，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。