CN101441728B - 门式起重机优化设计的神经网络方法 - Google Patents

Abstract

本发明涉及起重机设计技术领域，其特征是提供一种例如门式起重机结构参数优化设计的神经网络方法。根据起重机实际设计要求，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，需要设计的结构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，用神经网络的误差反向传播(BP)算法对神经网络进行训练；利用BP神经网络模型的泛化能力，进行起重机结构参数的优化设计。

Description

门式起重机优化设计的神经网络方法

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w_ij(i＝1，2，…，m，j＝1，2，…，h)，隐层到输出层的连接权值v_jl(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，…，x_m〕，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，…，y_n〕，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w_ij(i＝1，2，…，m，j＝1，2，…，h)，隐层到输出层的连接权为v_jl(j＝1，2，…，h，l＝1，2，…，n)，隐层和输出层结点的输出分别为：

$z_j=f(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i-{\mathrm{\θ}}_j),j=\mathrm{1,2},...,h---\left(1\right)$

其中θ_j是隐层结点的阈值；是输出层结点的阈值；f是函数：

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v_jl(j＝1，2，…，h，l＝1，2，…，n)然后修改输入层到隐层的连接权值w_ij(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：

v_jl(t+1)＝v_jl(t)+αd_lz_j    (3)

$d_l=-y_l(1-y_l)({\tilde{y}}_l-y_l)---\left(5\right)$

w_ij(t+1)＝w_ij(t)+βe_jx_i(6)

θ_j(t+1)＝θ_j(t)+βe_j  (7)

$e_j=z_j(1-z_j)\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{d}_l{v}_{\mathrm{jl}}---\left(8\right)$

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w_ij(i＝1，2，…，m，j＝1，2，…，h)，隐层到输出层的连接权值v_jl(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，…，x_m〕，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，…，y_n〕，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w_ij(i＝1，2，…，m，j＝1，2，…，h)，隐层到输出层的连接权为v_jl(j＝1，2，…，h，l＝1，2，…，n)，隐层和输出层结点的输出分别为：

$z_j=f(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i-{\mathrm{\θ}}_j),j=\mathrm{1,2},...,h---\left(1\right)$

其中θ_j是隐层结点的阈值；是输出层结点的阈值；f是函数：

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v_jl(j＝1，2，…，h，l＝1，2，…，n)然后修改输入层到隐层的连接权值w_ij(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：

v_jl(t+1)＝v_jl(t)+αd_lz_j    (3)

$d_l=-y_l(1-y_l)({\tilde{y}}_l-y_l)---\left(5\right)$

w_ij(t+1)＝w_ij(t)+βe_jx_i    (6)

θ_j(t+1)＝θ_j(t)+βe_j      (7)

$e_j=z_j(1-z_j)\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{d}_l{v}_{\mathrm{jl}}---\left(8\right)$

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。

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，…，x_m〕，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，…，y_n〕，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w_ij(i＝1，2，…，m，j＝1，2，…，h)，隐层到输出层的连接权为v_jl(j＝1，2，…，h，l＝1，2，…，n)，隐层和输出层结点的输出分别为：

其中θ_j是隐层结点的阈值；

是输出层结点的阈值；f是函数：

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v_jl(j＝1，2，…，h，l＝1，2，…，n)然后修改输入层到隐层的连接权值w_ij(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：

v_jl(t+1)＝v_jl(t)+αd_lz_j            (3)

w_ij(t+1)＝w_ij(t)+βe_jx_i            (6)

θ_j(t+1)＝θ_j(t)+βe_j              (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；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。

Images