怎么利用登高车智能优化平台得到一种能够快速获取应力的方法??      增城登高车租赁

       怎么利用登高车智能优化平台得到一种能够快速获取应力的方法??    增城登高车租赁,   增城登高车出租,   增城登高车    登高车工作装置结构复杂且优化过程繁琐，特别是在对动臂进行优化时，现有的优化方法需要反复调用有限元分析软件求解各部件的最大应力值，从而限制和调整最大应力值，这种方法工作效率较低。为此，需要寻找一种能够快速获取应力的方法，从而提高动臂结构优化设计效率，这对于实现工作装置高效设计具有重要的意义。本文以中小型登高车动臂为例，通过智能优化平台建立规定的4种高空作业工况的应力截面规则。划分的登高车动臂结构应力特征截面，应力选取规则为选取LCB(铰孔中心C到铰孔中心B的距离)和LBF(铰孔中心B到铰孔中心F的距离)建立分割截面，对LCB和LBF进行选取，并分别作垂直于铰孔C、铰孔B连线以及铰孔B、铰孔F连线的截面，将动臂分割为10个应力特征截面(K1～K10)。登高车智能优化平台是基于面向对象编程的C++语言所搭建的集成了数据库、Pro/Engineer和ANSYS软件的动臂智能优化设计平台。由于需要重复调用ANSYS软件，导致计算效率较低，有必要运用BP网络非线性映射能力对应力建立预测模型，提高优化设计效率。本文在每种工况下取10个危险截面作为神经网络的样本数据。

     神经网络具有一定的泛化能力、自适应性、鲁棒性和容错能力，这为解决复杂的非线性问题提供了可能性，其中BP神经网络的应用较为广泛。指出BP神经网络是由D．Ｒumellart等人提出的一种有监督的、按误差逆传播算法训练的多层前馈网络。BP神经网络的结构包括输入层、输出层和若干个隐含层。输入层和输出层的节点数由训练样本的维数决定，隐含层的节点数根据要求选定，层与层之间的节点设有连接权值，同层之间的节点不设有连接权值，隐含层和输出层的节点设有阈值。一个3层BP神经网络结构。网络结构BP神经网络主要包括2个过程:信息前向传播和误差的反向传播。首先将学习样本进行归一化处理，权值与阈值赋初始值;信息的前向传播是将信息通过输入层、隐含层和输出层逐层计算各层输出，并计算实际输出结果与理想结果的误差;误差的反向传播是将误差沿着误差减小的方向反馈给BP神经网络，从而调整输出层、隐含层的连接权值;输入一下个样本，直到训练次数或精度达到预设值，则停止运算。

    增城登高车租赁,   增城登高车出租,   增城登高车

     BP神经网络的学习规则设有一个3层BP神经网络，输入层有I个节点，输入为OP1j=xi(其中j=1，2，…，J;i=1，2，…，I);隐含层的作用函数为双曲正切函数，隐含层输出为OPmj;输出层的作用函数为线性函数，输出为y^lp。样本数据输入到BP神经网络中，逐层计算活化值hp(m+1)i，即:hp(m+1)i=∑Ii=1w(m)ijOmi(1)式中:p为训练样本数，p=1，2，…，P;m为神经网络层数;w(m)ij为第m层的第i个神经元对第m+1层的第j个神经元的连接权值;Omi为第m层第i个神经元的输出。BP神经网络常用的作用函数有S型函数和线性函数。本文隐含层采用双曲正切函数:f(x)=ex－e－xex+e－x, (2)第m层的输出为:Opmj=f(hpmj)   :f(hpmj)为第m层第j个神经元的输出。当样本输入产生的实际输出值与理想值存在偏差时，需要对权值进行校正。首先定义偏差函数Enp记作:Enp=12∑Ll=1(ylp－y^lp)2(4)式中:y^lp为网络实际输出;ylp为理想输出;l为输出的个数，l=1，2，…，L。每一轮样本输入后得到的实际输出值与理想输出值的偏差总和En为:En=∑Pp=1Enp,   其次，权值修改规则如下:w(n0+1)ij=w(n0)ij+ηEn,   wij(6)式中:η为学习率，一般取0＜η＜1;n0为第n0次迭代。输出层的权值调整:Enwij=－∑Pp=1(ylp－y^lp)y^lp(1－y^lp)OI(m－1)i(7)式中:OI(m－1)i为第I个节点在m－1层第i个神经元的输出。隐含层权值调整:wij=－∑Pp=1∑Ll=1(ylp－y^lp)y^lp(1－y^lp)OI(m－1)i(1－OI(m－1)i)x(p)i(8)式中:x(p)i为第p个样本中的第i个输出。

      网络的层数与隐含层节点数选择,  1989年证明了对于任何在闭区间的一个连续函数都可以用单隐层的BP神经网络来逼近目标输出，因而一个3层的BP神经网络可以完成任意的N维到M维的映射，因此在BP神经网络中多采用单隐层网络。隐含层数增多虽然会使误差减小，但会降低网络泛化能力，使计算过程复杂。本文采用3层的BP神经网络，即输入层、输出层和单隐含层。隐含层节点数的选择对于BP神经网络的准确性有着关键性作用。一般选择节点数都是根据经验公式，无论任何经验公式，节点数都和输入、输出节点数有着直接的关系。若选择的节点数太少，网络获取的解决问题的信息太少;若选择的节点数太多，不仅计算效率低，而且易降低网络的泛化能力，产生“过拟合”(overfitting)现象。本文选取经验公式:n=n1+:n为隐含层节点数;n1为输入层节点数;l为输出层节点数;a为［1，10］之间的常数。经参数的试凑，本文选取12个隐含层节点。初始权值在BP神经网络的反向传播中，初始权值与神经网络的迭代速度有着一定的关系。一般初始权值不取固定值，而是在一定区间随机取值。本文采用提出的初始权值在0．5～1．0之间随机取值的方式。

     增城登高车租赁,   增城登高车出租,   增城登高车