CN101441728B - 门式起重机优化设计的神经网络方法 - Google Patents
门式起重机优化设计的神经网络方法 Download PDFInfo
- Publication number
- CN101441728B CN101441728B CN2007101805008A CN200710180500A CN101441728B CN 101441728 B CN101441728 B CN 101441728B CN 2007101805008 A CN2007101805008 A CN 2007101805008A CN 200710180500 A CN200710180500 A CN 200710180500A CN 101441728 B CN101441728 B CN 101441728B
- Authority
- CN
- China
- Prior art keywords
- layer
- output
- neural network
- input
- hidden layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Jib Cranes (AREA)
Abstract
Description
技术领域
本发明涉及起重机设计技术领域,其特征是用人工神经网络模型进行门式起重机优化设计。
背景技术
优化设计是在现代计算机广泛应用的基础上发展起来的一项新技术,是在计算机上采用优化数学方法半自动或自动进行设计,以达到在现有工程条件下选出最佳设计方案的目的。目前,优化设计在机械设计领域有广泛的应用,在门式起重机机械设计中,对于结构参数进行优化设计,可收到良好的经济效益。不仅可以减轻机械设备自重,降低材料消耗与制造成本,而且可以提高产品的质量和性能,同时也可以使设计者从大量繁琐和重复的计算工作中解脱出来,使之有更多的精力从事创造性设计。误差反向传播(BP)神经网络是人工神经网络中应用最为广泛的技术之一,它属于一种非线性动力系统,具有高度非线性映射能力和泛化能力,广泛用于自动控制、优化设计、模式识别、预测等各个领域。
发明内容
本发明的目的在于克服现有门式起重机设计技术的不足,提供一种门式起重机优化设计的神经网络方法。
本发明的技术方案是:根据门式起重机结构设计的实际要求,确定设计参数变量及影响因素变量,将影响因素变量设计为神经网络的输入层的输入变量,设计参数变量设计为神经网络的输出层的输出变量,采用含有一层隐层的三层前馈型网络结构,层与层之间采用全互连方式连接,同一层结点之间无连接,神经元的激活函数采用函数利用起重机设计实例的数据作为神经网络训练的样本数据,运用公式对训练样本数据进行归一化处理,使其值在[0,1]之间。用神经网络的误差反向传播(BP)算法对神经网络进行训练,误差精度取为1e-3,确定隐层神经元个数h,输入层到隐层的连接权值wij(i=1,2,…,m,j=1,2,…,h),隐层到输出层的连接权值vjl(j=1,2,…,h,l=1,2,…,n)及各层神经元的阈值,神经网络训练过程由正向传播和反向传播两部分组成:
(1)正向传播
给定一个训练样本的输入X=〔x1,x2,…,xm〕,首先由输入层单元传到隐层单元,经隐层单元处理后再传送到输出层,最后由输出层单元处理并产生一个输出Y=〔y1,y2,…,yn〕,设输入层、隐层、输出层结点数分别为m、h、n,输入层到隐层的连接权为wij(i=1,2,…,m,j=1,2,…,h),隐层到输出层的连接权为vjl(j=1,2,…,h,l=1,2,…,n),隐层和输出层结点的输出分别为:
(2)反向传播
按先修改隐层到输出层的连接权值vjl(j=1,2,…,h,l=1,2,…,n)然后修改输入层到隐层的连接权值wij(i=1,2,…,m,j=1,2,…,h)的与正向传播相反的顺序更新连接权及各层神经元的阈值:
vjl(t+1)=vjl(t)+αdlzj (3)
wij(t+1)=wij(t)+βejxi(6)
θj(t+1)=θj(t)+βej (7)
其中α和β一般为大于0小于1的正数,(l=1,2,…,n)为输出层神经元的期望输出。对每一个训练样本重复进行正向和反向传播运算,直至对每一个训练样本的输入,经神经网络正向传播计算得出的输出值均满足误差精度的要求,从而得到从影响因素变量到设计参数变量映射的BP神经网络模型。将需设计的门式起重机的影响因素变量输入到训练得到的BP神经网络模型,计算出BP神经网络模型的输出,便是门式起重机结构参数的优化设计值。
本发明提供的门式起重机优化设计的神经网络方法,可以利用计算机半自动地实现门式起重机结构参数优化设计,使设计者摆脱大量繁琐和重复计算,特别是可以减轻机械设备自重,降低材料消耗与制造成本,提高产品的质量和性能。
附图说明
图1:门式起重机优化设计流程图。
图2:门式起重机4个变幅结构参数臂架长度、臂架下绞点位置、动滑轮位置、定滑轮位置的设计期望输出值与BP神经网络回检输出值对照图。
具体实施方式
1、确定神经网络的拓扑结构
根据门式起重机结构设计的实际要求,确定设计参数变量及影响因素变量。影响因素变量x1、x2、x3、x4、x5,设计为神经网络的输入层的输入变量,需设计的结构参数变量y1、y2、y3、y4,设计为神经网络的输出层的输出变量,其中x1为起升载荷,x2为最大幅度,x3为最小幅度,x4为补偿倍率,x5为起升倍率,y1为臂架长度,y2为臂架下绞点位置,y3为动滑轮位置,y4为定滑轮位置。采用含有一层隐层的三层前馈型网络结构,层与层之间采用全互连方式连接,同一层结点之间无连接,神经元的激活函数采用函数
2、对神经网路进行训练
利用门式起重机设计实例的数据作为神经网络训练的样本数据,运用公式对训练样本数据进行归一化处理,使其值在[0,1]之间。用神经网络的误差反向传播(BP)算法对神经网络进行训练,误差精度取为1e-3,确定隐层神经元个数h,输入层到隐层的连接权值wij(i=1,2,…,m,j=1,2,…,h),隐层到输出层的连接权值vjl(j=1,2,…,h,l=1,2,…,n)及各层神经元的阈值,神经网络训练过程由正向传播和反向传播两部分组成:
(1)正向传播
给定一个训练样本的输入X=〔x1,x2,…,xm〕,首先由输入层单元传到隐层单元,经隐层单元处理后再传送到输出层,最后由输出层单元处理并产生一个输出Y=〔y1,y2,…,yn〕,设输入层、隐层、输出层结点数分别为m、h、n,输入层到隐层的连接权为wij(i=1,2,…,m,j=1,2,…,h),隐层到输出层的连接权为vjl(j=1,2,…,h,l=1,2,…,n),隐层和输出层结点的输出分别为:
(2)反向传播
按先修改隐层到输出层的连接权值vjl(j=1,2,…,h,l=1,2,…,n)然后修改输入层到隐层的连接权值wij(i=1,2,…,m,j=1,2,…,h)的与正向传播相反的顺序更新连接权及各层神经元的阈值:
vjl(t+1)=vjl(t)+αdlzj (3)
wij(t+1)=wij(t)+βejxi (6)
θj(t+1)=θj(t)+βej (7)
对每一个训练样本重复进行正向和反向传播运算,直至对每一个训练样本的输入,经神经网络正向传播计算得出的输出值均满足误差精度的要求,从而得到从影响因素变量到设计参数变量映射的BP神经网络模型。
3、门式起重机结构参数优化设计
用BP神经网络模型的泛化能力,进行门式起重机结构参数优化设计。将需设计的起重机的影响因素变量x1、x2、x3、x4、x5,输入到训练得到的BP神经网络模型,按正向传播过程计算出BP神经网络的输出,便是门式起重机的结构设计参数y1、y2、y3、y4。
门式起重机优化设计举例
设门式起重机变幅结构设计的影响因素变量为x1、x2、x3、x4、x5,需设计的结构参数变量为y1、y2、y3、y4,其中x1为起升载荷,x2为最大幅度,x3为最小幅度,x4为补偿倍率,x5为起升倍率,y1为臂架长度,y2为臂架下绞点位置,y3为动滑轮位置,y4为定滑轮位置。x1,x2,x3,x4,x5的值设计为神经网络的输入,y1、y2、y3、y4设计为神经网络的输出,按照实施方式1中所述的方法建立神经网络结构。隐层选取18个神经元;采用12组门式起重机变幅结构设计的历史数据作为样本,按照实施方式2中所述的训练方法对其进行网络训练,经过6次循环运算后,得到达到要求误差精度的BP神经网络模型。图2给出了BP神经网络模型回检试验的门式起重机变幅结构参数臂架长度、臂架下绞点位置、动滑轮位置、定滑轮位置的设计期望输出值与BP神经网络模型实际输出值的对照结果。
Claims (1)
1.一种门式起重机优化设计方法,根据门式起重机实际设计要求,确定设计参数变量及影响因素变量,影响因素变量x1、x2、x3、x4、x5,设计为神经网络的输入层的输入变量,设计参数变量y1、y2、y3、y4,设计为神经网络的输出层的输出变量,其中x1为起升载荷,x2为最大幅度,x3为最小幅度,x4为补偿倍率,x5为起升倍率,y1为臂架长度,y2为臂架下绞点位置,y3为动滑轮位置,y4为定滑轮位置,其特征在于采用具有含一层隐层的三层前馈型网络结构,层与层之间采用全互连方式连接,同一层结点之间无连接,神经元的激活函数采用函数利用门式起重机设计实例的数据作为神经网络训练的样本数据,运用公式对训练样本数据进行归一化处理,使其值在[0,1]之间,用神经网络的误差反向传播(BP)算法对神经网络进行训练,误差精度设为1e-3,神经网络训练过程由正向传播和反向传播两部分组成:
(1)正向传播
给定一个训练样本的输入X=〔x1,x2,…,xm〕,首先由输入层单元传到隐层单元,经隐层单元处理后再传送到输出层,最后由输出层单元处理并产生一个输出Y=〔y1,y2,…,yn〕,设输入层、隐层、输出层结点数分别为m、h、n,输入层到隐层的连接权为wij(i=1,2,…,m,j=1,2,…,h),隐层到输出层的连接权为vjl(j=1,2,…,h,l=1,2,…,n),隐层和输出层结点的输出分别为:
如果输出层没有得到期望的输出,则转入反向传播;
(2)反向传播
按先修改隐层到输出层的连接权值vjl(j=1,2,…,h,l=1,2,…,n)然后修改输入层到隐层的连接权值wij(i=1,2,…,m,j=1,2,…,h)的与正向传播相反的顺序更新连接权及各层神经元的阈值:
vjl(t+1)=vjl(t)+αdlzj (3)
wij(t+1)=wij(t)+βejxi (6)
θj(t+1)=θj(t)+βej (7)
对每一个训练样本重复进行正向和反向传播运算,直至对每一个训练样本的输入,经神经网络正向传播计算得出的输出值均满足误差精度的要求;将需设计的起重机的影响因素变量x1、x2、x3、x4、x5,输入到经过训练得到的神经网络,按正向传播过程计算神经网络的输出,便可得到门式起重机的优化设计参数变量y1、y2、y3、y4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2007101805008A CN101441728B (zh) | 2007-11-21 | 2007-11-21 | 门式起重机优化设计的神经网络方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2007101805008A CN101441728B (zh) | 2007-11-21 | 2007-11-21 | 门式起重机优化设计的神经网络方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101441728A CN101441728A (zh) | 2009-05-27 |
CN101441728B true CN101441728B (zh) | 2010-09-08 |
Family
ID=40726150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2007101805008A Expired - Fee Related CN101441728B (zh) | 2007-11-21 | 2007-11-21 | 门式起重机优化设计的神经网络方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101441728B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184454B (zh) * | 2011-05-26 | 2014-05-07 | 浙江迦南科技股份有限公司 | 基于神经网络系统的制粒机配方生成方法 |
CN103426027B (zh) * | 2013-07-24 | 2016-01-20 | 浙江大学 | 一种基于遗传神经网络模型的正常蓄水位智能优选方法 |
US9305256B2 (en) * | 2013-10-02 | 2016-04-05 | Qualcomm Incorporated | Automated method for modifying neural dynamics |
CN104283393B (zh) * | 2014-09-25 | 2017-02-15 | 南京工程学院 | 一种单绕组磁悬浮开关磁阻电机结构参数的优化方法 |
CN104573819A (zh) * | 2015-01-26 | 2015-04-29 | 河海大学常州校区 | 利用ekf算法建立疏浚动态作业的演化模型方法及系统 |
CN104657777B (zh) * | 2015-03-16 | 2017-06-16 | 长春工业大学 | 基于混沌小波神经网络的车用电线挤塑工艺参数优化方法 |
CN105446821B (zh) * | 2015-11-11 | 2019-05-17 | 哈尔滨工程大学 | 一种基于改进神经网络的智能水下机器人推进器故障诊断方法 |
CN105787558B (zh) * | 2016-04-11 | 2018-07-06 | 江苏科技大学 | 基于ads的知识神经网络微带滤波器设计方法 |
CN106094519A (zh) * | 2016-06-27 | 2016-11-09 | 哈尔滨理工大学 | 一种基于神经网络算法的桥式起重机防摇摆控制方法 |
CN108280746B (zh) * | 2018-02-09 | 2022-05-24 | 艾凯克斯(嘉兴)信息科技有限公司 | 一种基于双向循环神经网络的产品设计方法 |
CN112712068B (zh) * | 2021-03-19 | 2021-07-06 | 腾讯科技(深圳)有限公司 | 一种关键点检测方法、装置、电子设备及存储介质 |
CN114626291B (zh) * | 2022-02-18 | 2023-03-24 | 杭州杰牌传动科技有限公司 | 一种传动系统需求适配评估的模型设计方法和系统 |
CN114692514B (zh) * | 2022-05-27 | 2022-08-09 | 西南交通大学 | 一种抗滑桩的设计方法、装置、设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1349198A (zh) * | 2001-12-04 | 2002-05-15 | 上海交通大学 | 基于结构的神经网络建模与优化方法 |
CN1728152A (zh) * | 2004-03-03 | 2006-02-01 | 雅马哈发动机株式会社 | 用于使用软计算优化器的机动车的智能强健控制系统 |
CN1750010A (zh) * | 2005-10-09 | 2006-03-22 | 万向钱潮股份有限公司 | 一种计算机辅助的汽车底盘选型方法 |
CN1945602A (zh) * | 2006-07-07 | 2007-04-11 | 华中科技大学 | 一种基于人工神经网络的特征选择方法 |
-
2007
- 2007-11-21 CN CN2007101805008A patent/CN101441728B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1349198A (zh) * | 2001-12-04 | 2002-05-15 | 上海交通大学 | 基于结构的神经网络建模与优化方法 |
CN1728152A (zh) * | 2004-03-03 | 2006-02-01 | 雅马哈发动机株式会社 | 用于使用软计算优化器的机动车的智能强健控制系统 |
CN1750010A (zh) * | 2005-10-09 | 2006-03-22 | 万向钱潮股份有限公司 | 一种计算机辅助的汽车底盘选型方法 |
CN1945602A (zh) * | 2006-07-07 | 2007-04-11 | 华中科技大学 | 一种基于人工神经网络的特征选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101441728A (zh) | 2009-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101441728B (zh) | 门式起重机优化设计的神经网络方法 | |
CN106202731B (zh) | 桥式起重机多柔体动力学结构优化方法 | |
CN101807159B (zh) | 一种自适应任务调度方法 | |
CN101598109B (zh) | 一种风力发电机偏航系统的智能控制方法 | |
WO2021073090A1 (zh) | 基于强化学习的风电机组实时变桨距鲁棒控制系统及方法 | |
CN103729695A (zh) | 基于粒子群和bp神经网络的短期电力负荷预测方法 | |
CN112012875B (zh) | 一种水轮机调节系统pid控制参数的优化方法 | |
CN105302966A (zh) | 发夹变异操作rna遗传算法的桥式吊车神经网络建模方法 | |
CN112564189B (zh) | 一种有功无功协调优化控制方法 | |
CN107301478A (zh) | 一种电缆线路短时负荷预测方法 | |
CN101540504B (zh) | 一种基于变步长神经网络的潮流分析装置及方法 | |
Zong | Marine resource exploration streamer control model based on artificial neural network | |
CN113408839A (zh) | 一种基于区块链的工业机械的智能化生产模型 | |
WO2024026985A1 (zh) | 一种主动型船用波浪补偿防摇方法 | |
CN111538232A (zh) | 基于自适应神经模糊控制的无人行车防摇定位方法及系统 | |
Adnan et al. | Artificial neural network for software reliability assessment | |
CN111339083A (zh) | 基于压载方案数据库检索的压载水调拨优化系统 | |
CN115360768A (zh) | 基于muzero和深度强化学习的电力调度方法、装置及存储介质 | |
CN112363392B (zh) | 一类模型未知的多智能体分群一致性控制方法 | |
CN104915503B (zh) | 一种两栖车辆全承载车身的仿真方法 | |
CN111556107A (zh) | 一种基于“应激-反射”模型的智能物联网应用方法 | |
Yu et al. | To improve the training time of BP neural networks | |
CN105260556A (zh) | 发夹变异操作rna遗传算法的桥式吊车建模方法 | |
Mingguang et al. | Artificial neural network co-optimization algorithm based on differential evolution | |
CN108280791B (zh) | 基于潮流变化的污水深海优化排放响应关系确定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100908 Termination date: 20161121 |
|
CF01 | Termination of patent right due to non-payment of annual fee |