【技术实现步骤摘要】
基于RBF-NN的桥式起重机主梁可靠性优化方法
本专利技术属于起重机械
，具体涉及一种基于径向基神经网络(RadialBasisFunctionNeuralNetwork，RBF-NN)的桥式起重机主梁可靠性优化方法。本专利技术方法适用于通用桥式起重机主梁RBF-NN的建模及基于RBF-NN模型的可靠性优化，也可适用于其它类型起重机主梁RBF-NN的建模及基于RBF-NN模型的可靠性优化。
技术介绍
起重机金属结构(cranemetalstructure)是起重机的机械骨架，其质量约占整机质量的60%～80%。因此，实现结构的轻量化对降低企业成本和提高经济效益具有重要意义。起重机金属结构是一种焊接结构，其不但需要承担自身重量，还要承受着循环反复的、具有冲击性质的工作载荷。这种复杂的外载荷加上焊接及材料本身的内部缺陷是造成起重机疲劳事故的主要诱因。因此，在金属结构的设计阶段就需要将经济性和安全性这两个要求同时考虑进来，进行起重机金属结构的可靠性优化设计，在保证结构安全性的同时，实现结构的最优设计。单一的优化设计没有考虑变量的不确定性，因此属于一种确定性的优化方...
【技术保护点】
1.一种基于RBF‑NN的桥式起重机主梁可靠性优化方法，其特征是包括以下步骤：1）确定输入变量与输出变量定义可靠性优化问题，以主梁截面面积最小为优化目标，以静强度可靠度、水平静刚度可靠度、垂直静刚度可靠度、动刚度可靠度为约束条件，随机变量为主梁截面尺寸、起重量及材料弹性模量；以随机变量为输入变量，静强度、垂直静刚度、水平静刚度、动刚度为输出变量建立主梁可靠性优化模型；其中，所述主梁截面尺寸具有双重性，在可靠度计算时作为随机变量，在优化时作为设计变量；2）拉丁超立方获取输入/输出训练样本数据根据步骤1）确定的输入变量与输出变量，运用拉丁超立方调用桥式起重机主梁有限元模型，获取...
【技术特征摘要】
1.一种基于RBF-NN的桥式起重机主梁可靠性优化方法，其特征是包括以下步骤：1）确定输入变量与输出变量定义可靠性优化问题，以主梁截面面积最小为优化目标，以静强度可靠度、水平静刚度可靠度、垂直静刚度可靠度、动刚度可靠度为约束条件，随机变量为主梁截面尺寸、起重量及材料弹性模量；以随机变量为输入变量，静强度、垂直静刚度、水平静刚度、动刚度为输出变量建立主梁可靠性优化模型；其中，所述主梁截面尺寸具有双重性，在可靠度计算时作为随机变量，在优化时作为设计变量；2）拉丁超立方获取输入/输出训练样本数据根据步骤1）确定的输入变量与输出变量，运用拉丁超立方调用桥式起重机主梁有限元模型，获取输入/输出训练样本数据；3）样本数据归一化处理将步骤2）得到的训练样本归一化；4）建立桥式起重机主梁的RBF-NN模型通过步骤3）获得的归一化训练样本，分别建立由步骤1）确定的输入变量与输出变量之间的RBF-NN模型，所述RBF-NN采用高斯函数作为径向基神经元传递函数，以实现非线性关系的映射；5）随机抽取测试样本数据进行模型精度验证通过调用有限元仿真模型，随机抽取一定数量的测试样本，利用拟合优度R2对步骤4）建立的RBF-NN模型进行精度验证；如R2大于0.9则进行下一步，否则返回到步骤2）重新更新代理模型；6）基于建立好的RBF-NN模型对桥式起重机主梁进行可靠性优化求解步骤1）中定义的主梁可靠性优化问题，可靠度计算运用蒙特卡洛法结合RBF-NN模型，即在极限状态函数求解时，通过调用RBF-NN模型而非有限元模型进行计算。2.根据权利要求1所述的优化方法，其特征是所述步骤1）中桥式起重机主梁可靠性优化的数学模型如下：随机变量：x=[x1,x2,x3,x4,x5,x6,x7]=[h,b,k,k1,k2,EX,Q]其中，EX为材料弹性模量，Q为起重量，h,b,k,k1,k2分别为主梁腹板高度，主梁腹板外间距，主梁翼缘板厚度，主梁主腹板厚度，主梁副腹板厚度；设计变量：x设=[x1,x2,x3,x4,x5]=[h,b,k,k1,k2]目标函数：minf(x设)=(2×x2+15x3+60)×x3+(x4+x5)×x1约束条件：R1(y1(x)＜[y1])＞R0...
【专利技术属性】
技术研发人员：范小宁，杜晨辉，孟晋华，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：山西,14
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。