如何基于BP神经网络预测登高车动臂应力??    广州荔湾登高车租赁

      如何基于BP神经网络预测登高车动臂应力??     广州荔湾登高车租赁,   广州登高车租赁,   广州登高车出租      学习效率在BP神经网络的反向传播中，学习效率的选取对于收敛速度有着重要的影响。本文根据应力预测模型分别取不同的学习效率，学习率对迭代精度的影响，选择迭代精度最小的学习率为较优，最后选择学习率为0．9。

     训练算法的选择,  本文选择Trainlm学习算法，其训练速度相对较快，收敛误差小，具有良好的稳定性。

      应力预测模型,   学习样本的选取及归一化处理液压登高车动臂结构智能优化平台主界面，采用液压登高车动臂结构优化设计软件来获取BP神经网络的样本。由于登高车在工况2时动臂液压缸力臂最大、斗杆液压缸力臂最大且挖掘阻力对称，所以从平台上抽取工况2的300个样本数据作为神经网络的实验样本。首先以动臂的14个参数(ＲAD1，ＲAD2，P_D1，P_D2，P_D3，P_D4，COＲ，BOＲ，XＲF，WEB_THICK，TOP_THICK，SIDE_THICK，F_THICK，SIDE_DIS)和截面应力作为学习样本建立BP网络，对样本进行归一化处理，然后进行网络的学习;最后在用验证样本进行验证。本文BP神经网络的作用函数采用式(2)，要求输出范围为－1～1之间，因此必须对样本数据进行归一化处理，即:z'=2(z－zmin)/(zmax－zmin)－1    z为归一化处理前的数据值;z'归一化处理后的数据值;zmin为样本数据最小值;zmax为样本数据最大值。建立的BP网络进行训练后输出的实际值范围为－1～1之间，还要对数据进行反归一化处理，根据式计算得到:z=(z'+1)(zmax－zmin)/2+zmin.

    广州荔湾登高车租赁,   广州登高车租赁,   广州登高车出租

        应力预测结果及分析,   在300个数据样本中，取其中290个作为学习样本，10个作为测试样本。以动臂的14个参数为输入、每个工况的10个截面的应力为输出。由于不同工况的动臂应力差距较大，建立4个BP神经网络对4个工况分别进行预测。本文以工况2为例具体分析。在MATLAB中编写程序，将样本文件放在工作目录下，依据Trainlm法分析得到的训练性能误差曲线。在登高车动臂结构优化平台上导出，依据ANSYS软件分析得到实际分析的截面应力值作为样本，其中290个作为训练样本，10个作为测试样本。将测试样本输入到训练好的BP神经网络中，测试样本的预测值与实际值对比。预测结果，BP神经网络预测的偏差值在1．3～11．8MPa之间，最大误差为6．80%(即应力预测值的准确度为93．2%)，最小误差为0．94%，平均误差为4．25%，可见BP神经网络预测的应力误差处于比较合理范围(相对于截面应力值，编号2的偏差最大为11．75MPa)。动臂的材料为Q345，截面的最大应力值小于其许用应力246MPa。实际应力值与预测应力值的误差在允许范围内，因此可运用BP神经网络来预测应力最大值，从而解决反复调用的难题。运用登高车智能优化平台和运用BP神经网络计算动臂截面应力的效率对比。不调用有限元分析软件时每代平均运行时间。若调用有限元分析软件，则每代平均运行时间约129．53min，即使隔三代调用一次有限元分析软件，群体中50个个体循环搜索100代，已经需要花费56．21h，优化周期极长，优化效率极低。对于本文方法，平均每代运行时间只要0．055min，相比方案一中的每代平均运行时间减少了99．84%，在群体规模和循环代数相同的情况下，总运行周期仅需0．82h。本文方法是方案一的70倍，优化效率显著提高。

       本文运用液压登高车动臂结构优化设计软件来获取BP神经网络的训练样本，建立的动臂应力预测模型得到如下结论:1)通过对比试验的方法选择隐含层节点数和学习率，建立比较合理的BP神经网络，提高BP神经网络的泛化能力和运算速度，具有一定的参考价值;   2)建立的BP神经网络能较为准确的预测动臂截面的应力，而且计算速度是登高车动臂智能优化软件的70倍，应力预测值的准确度为93．2%，能有效的预测动臂各截面的最大应力值，因此，应力预测模型能解决在动臂优化设计中反复调用有限元软件的问题，提高优化设计效率。对以后动臂的优化设计具有一定的参考价值。

       广州荔湾登高车租赁,   广州登高车租赁,   广州登高车出租