CN109344502A - 基于ga-bp算法的船舶轴系中间轴承安装变位调整方法 - Google Patents

基于ga-bp算法的船舶轴系中间轴承安装变位调整方法 Download PDF

Info

Publication number
CN109344502A
CN109344502A CN201811155038.0A CN201811155038A CN109344502A CN 109344502 A CN109344502 A CN 109344502A CN 201811155038 A CN201811155038 A CN 201811155038A CN 109344502 A CN109344502 A CN 109344502A
Authority
CN
China
Prior art keywords
intermediate bearing
neural network
value
displacement value
support reaction
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.)
Granted
Application number
CN201811155038.0A
Other languages
English (en)
Other versions
CN109344502B (zh
Inventor
邓义斌
徐韩韩
杨小钢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201811155038.0A priority Critical patent/CN109344502B/zh
Publication of CN109344502A publication Critical patent/CN109344502A/zh
Application granted granted Critical
Publication of CN109344502B publication Critical patent/CN109344502B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Feedback Control In General (AREA)

Abstract

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。

Description

基于GA-BP算法的船舶轴系中间轴承安装变位调整方法
技术领域
本发明属于海洋工程中间轴承安装变位技术领域，具体地指一种基于GA-BP算法的船舶轴系中间轴承安装变位调整方法。
背景技术
随着船舶建造的大型化、智能化发展趋势，推进轴系的合理安装校中问题显得尤为重要。在推进轴系的安装过程中，中间轴承的变位调整是重要环节，根据《钢质海船入级规范》要求，轴系安装后，需要采用顶举法检验轴承实际支反力，确保其不超出主机厂设计工况计算值的±20％。因此如何快速求得各轴承实际所需调整变位值，缩短安装校中时间，提高轴系安装质量成为研究热点。目前大多数船厂解决轴系安后不对中问题，普遍采用试凑法来调整中间轴承变位值，该方法对安装工人的经验要求很高，安装周期过长。而现有轴系安装校中变位调整缺乏具体参数指导，且各中间轴承实际支反力与变位值间呈非线性特点。
发明内容
本发明的目的就是要针上述技术的不足，提供了一种基于GA-BP算法的船舶轴系中间轴承安装变位调整方法，为轴系安装校中提供变位值参数指导，有助于提高安装质量和缩短安装时间。
为实现上述目的，本发明所设计的基于GA-BP算法的船舶轴系中间轴承安装变位调整方法，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。
进一步地，所述步骤1)中，归一化处理的具体公式如下：
式中：x为中间轴承支反力、x'为归一化处理后的中间轴承支反力、xmin为中间轴承支反力的最小值、xmax为中间轴承支反力的最大值；
或者，x为中间轴承变位值、x'为归一化处理后的中间轴承变位值、xmin为中间轴承变位值的最小值、xmax为中间轴承变位值的最大值。
进一步地，所述步骤2a)中，输入层包括n个输入节点数，输入向量组的每个向量元素是1#中间轴承支反力、2#中间轴承支反力、3#中间轴承支反力……n#中间轴承支反力；输出层包括m个输出节点数，输出向量组的每个向量元素是1#中间轴承变位值、2#中间轴承变位值、3#中间轴承变位值……m#中间轴承变位值；隐含层节点数n、m均为自然数，a为0至10之间的整数。
进一步地，所述步骤2b)中，一次BP神经网络性能函数MSE，迭代次数为P次、学习率为0.05、预设精度目标值为0.0001，P为自然数。
进一步地，所述步骤3a)中，交叉概率η为0.1～0.4、突变概率P为0.1～0.2。
进一步地，所述步骤4a)中，输入层包括n个输入节点数，输入向量组的每个向量元素是1#中间轴承支反力、2#中间轴承支反力、3#中间轴承支反力……n#中间轴承支反力；输出层包括m个输出节点数，输出向量组的每个向量元素是1#中间轴承变位值、2#中间轴承变位值、3#中间轴承变位值……m#中间轴承变位值；隐含层节点数n、m均为自然数，a为0至10之间的整数。
进一步地，所述步骤4b)中，二次BP神经网络性能函数MSE，迭代次数为P次、学习率为0.05、预设精度目标值为0.0001，P为自然数。
本发明与现有技术相比，具有以下优点：通过现场测量的中间轴承支反力和中间轴承变位值数据，然后建立船舶轴系中间轴承支反力与中间轴承变位值拟合关系，最后利用该拟合关系基于设计支反力计算得到所需调整变位值，为轴系安装校中提供变位值参数指导。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。
附图说明
图1为实施例中拟合中间轴承变位置误差曲线图；
图2为实施例中中间轴承支反力误差百分比曲线图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明，便于更清楚地了解本发明，但它们不对本发明构成限定。
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，具体调整方法如下：
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；其中，训练样本用于对BP神经网络进行训练，并建立中间轴承支反力与中间轴承变位值之间的拟合关系，测试样本用于检验该拟合关系的计算精度；
并对所有数据样本(包括训练样本和测试样本)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]；归一化处理能够消除数据间的量级、单位差别，另外，又由于BP神经网络的隐含层节点转移函数多采用对数S型函数，归一化还可以抑制输入的数据绝对值过大而出现神经元饱和状况，避免权值调整进入误差曲面的平缓区；
归一化处理的具体公式如下：
式中：x为中间轴承支反力、x'为归一化处理后的中间轴承支反力、xmin为中间轴承支反力的最小值、xmax为中间轴承支反力的最大值；
或者，x为中间轴承变位值、x'为归一化处理后的中间轴承变位值、xmin为中间轴承变位值的最小值、xmax为中间轴承变位值的最大值；
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
如图2所示，一次BP神经网络拓扑结构包括输入层、隐含层和输出层；其中，输入层包括n个输入节点数，输入向量组的每个向量元素是1#中间轴承支反力、2#中间轴承支反力、3#中间轴承支反力……n#中间轴承支反力；输出层包括m个输出节点数，输出向量组的每个向量元素是1#中间轴承变位值、2#中间轴承变位值、3#中间轴承变位值……m#中间轴承变位值；隐含层节点数
n、m均为自然数，a为0至10之间的整数，计算得出隐藏层节点数l为2至11之间常数，并结合网络实际训练误差确定合适的隐层节点数目；
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，并设定一次BP神经网络性能函数MSE，迭代次数为P次、学习率为0.05、预设精度目标值为0.0001，P为自然数；
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(遗传)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(计算均方误差和的方法详细步骤参见教材MATLAB神经网络案列分析page2)；均方误差和由小到大依次排序，选取均方误差和(即适应度值大)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，其中，交叉概率η为0.1～0.4、突变概率P为0.1～0.2，采用GA算法的最终目的是将最优权值阈值赋给BP神经网络，提高BP神经网络的泛化能力，避免陷入局部最优的弊端；
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
如图2所示，二次BP神经网络拓扑结构包括输入层、隐含层和输出层；其中，输入层包括n个输入节点数，输入向量组的每个向量元素是1#中间轴承支反力、2#中间轴承支反力、3#中间轴承支反力……n#中间轴承支反力；输出层包括m个输出节点数，输出向量组的每个向量元素是1#中间轴承变位值、2#中间轴承变位值、3#中间轴承变位值……m#中间轴承变位值；隐含层节点数
n、m均为自然数，a为0至10之间的整数，计算得出隐藏层节点数l为2至11之间常数，并结合网络实际训练误差确定合适的隐层节点数目；
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，并设定二次BP神经网络性能函数MSE，迭代次数为P次、学习率为0.05、预设精度目标值为0.0001，P为自然数；
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(详细步骤参见教材MATLAB神经网络案列分析page6)；
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，该拟合中间轴承变位值是根据设计校中计算书给出的中间轴承支反力得到的，即根据该拟合中间轴承变位值进行中间轴承变位调整。
通过现场测量的中间轴承支反力和中间轴承变位值数据，然后建立船舶轴系中间轴承支反力与中间轴承变位值拟合关系，最后利用该拟合关系基于设计支反力计算得到所需调整变位值，为轴系安装校中提供变位值参数指导。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。
下面结合具体例子进一步详细阐述基于GA-BP算法的船舶轴系中间轴承安装变位调整方法。
表1为80组数据样本和所有数据样本归一化后的相应数据，其中，选取前72组数据样本作为神经网络的训练样本、后8组数据样本作为神经网络的测试样本。
表1
确定步骤2)中BP神经网络拓扑结构中输入层包括3个输入节点数，输出层包括3个输出节点数，隐含层节点数位7个，预设精度目标值为0.0001，通过步骤3)计算出如表2的最优个体。
表2
其中，输入层节点数(3)×隐含层节点数(7)＝21，对应第一行数据；隐含层节点数(7)＝7，对应第二行数据；隐含层节点数(7)×输出层节点数(3)＝21，对应第三行数据；输出层节点数(3)＝3。
结合表2中的最优个体通过步骤4)建立拟合关系，拟合关系的数值模型具体形式如下，将最优个体分别赋值以下四部分：输入层与隐含层连接权值ωij，隐含层阈值aj，隐含层与输出层连接权值ωjk，输出层阈值bk。以下符号分别代表，l为隐含层节点数，n为输入层节点数，m为输出层节点数，j为隐含层节点数。选取隐含层激励函数f，激励函数的表达形式：
其拟合关系建立过程也是数学公式的表达过程，其具体计算过程：
1.隐含层输出值Hj的计算：
2.拟合输出值Ok的计算：
由xi计算拟合值Ok的拟合关系：
通过步骤5)检验步骤4)中的拟合关系精度，如图1和图2所示，图1为拟合中间轴承变位置误差，图2为中间轴承支反力误差百分比，均满足《钢质海船入级规范》要求±20％。
拟合关系的应用
将该轴系设计工况中间轴承支反力导入所建立的拟合关系，计算得到中间各轴承相应的实际所需调整中间轴承变位值(拟合值)，根据得到的中间轴承变位值数据对中间轴承径向高度进行调整，调整后轴承实际支反力与设计工况支反力如表3所示：
表3中间轴承变位调整后支反力和误差

Claims (7)

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。
2.根据权利要求1所述基于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：所述步骤1)中，归一化处理的具体公式如下：
式中：x为中间轴承支反力、x'为归一化处理后的中间轴承支反力、xmin为中间轴承支反力的最小值、xmax为中间轴承支反力的最大值；
或者，x为中间轴承变位值、x'为归一化处理后的中间轴承变位值、xmin为中间轴承变位值的最小值、xmax为中间轴承变位值的最大值。
3.根据权利要求1所述基于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：所述步骤2a)中，输入层包括n个输入节点数，输入向量组的每个向量元素是1#中间轴承支反力、2#中间轴承支反力、3#中间轴承支反力……n#中间轴承支反力；输出层包括m个输出节点数，输出向量组的每个向量元素是1#中间轴承变位值、2#中间轴承变位值、3#中间轴承变位值……m#中间轴承变位值；隐含层节点数n、m均为自然数，a为0至10之间的整数。
4.根据权利要求1所述基于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：所述步骤2b)中，一次BP神经网络性能函数MSE，迭代次数为P次、学习率为0.05、预设精度目标值为0.0001，P为自然数。
5.根据权利要求1所述基于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：所述步骤3a)中，交叉概率η为0.1～0.4、突变概率P为0.1～0.2。
6.根据权利要求1所述基于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：所述步骤4a)中，输入层包括n个输入节点数，输入向量组的每个向量元素是1#中间轴承支反力、2#中间轴承支反力、3#中间轴承支反力……n#中间轴承支反力；输出层包括m个输出节点数，输出向量组的每个向量元素是1#中间轴承变位值、2#中间轴承变位值、3#中间轴承变位值……m#中间轴承变位值；隐含层节点数n、m均为自然数，a为0至10之间的整数。
7.根据权利要求1所述基于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：所述步骤4b)中，二次BP神经网络性能函数MSE，迭代次数为P次、学习率为0.05、预设精度目标值为0.0001，P为自然数。
CN201811155038.0A 2018-09-30 2018-09-30 基于ga-bp算法的船舶轴系中间轴承安装变位调整方法 Active CN109344502B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811155038.0A CN109344502B (zh) 2018-09-30 2018-09-30 基于ga-bp算法的船舶轴系中间轴承安装变位调整方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811155038.0A CN109344502B (zh) 2018-09-30 2018-09-30 基于ga-bp算法的船舶轴系中间轴承安装变位调整方法

Publications (2)

Publication Number Publication Date
CN109344502A true CN109344502A (zh) 2019-02-15
CN109344502B CN109344502B (zh) 2022-11-29

Family

ID=65308338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811155038.0A Active CN109344502B (zh) 2018-09-30 2018-09-30 基于ga-bp算法的船舶轴系中间轴承安装变位调整方法

Country Status (1)

Country Link
CN (1) CN109344502B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705797A (zh) * 2019-10-09 2020-01-17 浙江海洋大学 一种基于船舶传感网的船舶油耗数据预测方法
CN111950093A (zh) * 2020-08-31 2020-11-17 武汉理工大学 基于不同置信度训练样本优化轴系神经网络的方法
CN113657021A (zh) * 2021-07-15 2021-11-16 交通运输部水运科学研究所 一种基于bp神经网络的海洋测量周期评定方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104034514A (zh) * 2014-06-12 2014-09-10 中国科学院上海技术物理研究所 大视场相机非线性畸变校正装置与方法
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN105913150A (zh) * 2016-04-12 2016-08-31 河海大学常州校区 一种基于遗传算法的bp神经网络光伏电站发电量预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN104034514A (zh) * 2014-06-12 2014-09-10 中国科学院上海技术物理研究所 大视场相机非线性畸变校正装置与方法
CN105913150A (zh) * 2016-04-12 2016-08-31 河海大学常州校区 一种基于遗传算法的bp神经网络光伏电站发电量预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705797A (zh) * 2019-10-09 2020-01-17 浙江海洋大学 一种基于船舶传感网的船舶油耗数据预测方法
CN110705797B (zh) * 2019-10-09 2023-09-22 浙江海洋大学 一种基于船舶传感网的船舶油耗数据预测方法
CN111950093A (zh) * 2020-08-31 2020-11-17 武汉理工大学 基于不同置信度训练样本优化轴系神经网络的方法
CN111950093B (zh) * 2020-08-31 2023-03-14 武汉理工大学 基于不同置信度训练样本优化轴系神经网络的方法
CN113657021A (zh) * 2021-07-15 2021-11-16 交通运输部水运科学研究所 一种基于bp神经网络的海洋测量周期评定方法

Also Published As

Publication number Publication date
CN109344502B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN110110930B (zh) 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法
CN109344502A (zh) 基于ga-bp算法的船舶轴系中间轴承安装变位调整方法
CN104636985B (zh) 一种改进bp神经网络的输电线路无线电干扰预测方法
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN107316099A (zh) 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法
CN107909149A (zh) 一种基于遗传bp神经网络的日光温室温度预测方法
CN107346459B (zh) 一种基于遗传算法改进的多模式污染物集成预报方法
CN110866640A (zh) 一种基于深度神经网络的电力负荷预测方法
CN112686481A (zh) 一种径流量预报方法、处理器
CN109242136A (zh) 一种微电网风电功率混沌遗传-bp神经网络预测方法
CN106991493A (zh) 基于灰色神经网络组合模型的污水处理出水参数预测方法
CN106779065A (zh) 一种光伏阵列的最大功率点跟踪方法及系统
CN112765902A (zh) 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用
CN113836791A (zh) 一种基于遗传算法的移动半隐式粒子法关键参数优化方法
Kaveh et al. Feasibility of pso-anfis-pso and ga-anfis-ga models in prediction of peak ground acceleration
Wei An improved whale optimization algorithm with cultural mechanism for high-dimensional global optimization problems
CN115310348A (zh) 基于Stacking的灌浆量集成代理预测模型及预测方法
Zhu et al. Structural safety monitoring of high arch dam using improved ABC-BP model
CN102707623A (zh) 一种预应力网格结构张拉全过程的反馈控制方法
CN116956744A (zh) 基于改进粒子群算法的多回路沟槽电缆稳态温升预测方法
CN117252085A (zh) 基于神经网络与粒子群的斜拉桥索力容差优化方法及系统
CN111310974A (zh) 一种基于ga-elm的短期需水预测方法
Zhang et al. Rolling force prediction in heavy plate rolling based on uniform differential neural network
CN113743003B (zh) 考虑温度、湿度影响的高压线路对地电场强度计算方法
CN113654143B (zh) 一种基于神经网络的空调水系统泵阀联动控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant