基于BP神经网络模型的磨床部件动态灵敏度分析VIP免费

第32卷第4期2002年7月东南大学学报(自然科学版)JOURNALOFSOUTHEASTUNIVERSITY(NaturalScienceEdition)Vol132No14July2002基于BP神经网络模型的磨床部件动态灵敏度分析伍建国孙庆鸿毛海军周德廉郁文凯蔡英(东南大学机械工程系,南京210096)(无锡机床股份有限公司,无锡210061)摘要:利用ANSYS的APDL语言建立磨床部件的参数化模型,计算出磨床部件的动态特性,快速采样得到BP神经网络模型的学习样本,建立基于BP神经网络的动态分析模型,将磨床部件结构参数与其动态特性之间的关系反映为神经网络模型的网络输入与网络输出之间的数学关系,从而方便地、快速地对磨床部件进行了动态灵敏度分析.结果表明,在BP神经网络模型上进行磨床结构优化要比在有限元模型上方便、快速,该方法特别适用于对大型复杂结构的优化设计计算.关键词:BP神经网络;动态设计;灵敏度;采样中图分类号:TB115文献标识码:A文章编号:1001-0505(2002)0420601204DynamicsensitivityanalysisofgrinderpartsbasedontheBPneuralnetworkmodelWuJianguo1SunQinghong1MaoHaijun1ZhouDelian1YuWenkai2CaiYing2(1DepartmentofMechanicalEngineering,SoutheastUniversity,Nanjing210096,China)(2WuxiMachineToolLtd.,Wuxi210061,China)Abstract:Withthehelpofparametrizationmodel,thedynamicpropertiesofthegrinderpartwerecalcu2latedandthetrainsampleoftheBPneuralnetworkwasobtainedquickly.Thedynamicanalysismodelsbasedontheneuralnetworkarebuiltup.Therelationshipbetweendimensionsanddynamicpropertiesofthegrinder’spartisdefinedasthemathematicrelationshipbetweeninputsandoutputsoftheBPneuralnet2work.Thustheanalysisofdynamicsensitivityforgrinder’spartcanbecarriedoutconvenientlyandquick2ly.Thismethodisparticularlysuitableforcalculationofdesignoptimizationforlargeandcomplexparts.Keywords:BPneuralnetwork;dynamicdesign;sensitivity;sampling收稿日期:2002201204.基金项目:江苏省“九五”重大工业攻关资助项目(GB98002-2).作者简介:伍建国(1960—),男,高级访问学者;孙庆鸿(联系人),男,教授,博士生导师,me205@seu.edu.cn.随着神经网络技术的应用,在机床部件动态优化设计中,用相应的BP神经网络模型替代原来的有限元模型进行优化设计,越来越显示出其优越性.虽然用这种方法仍需要多次反复计算,但优化过程却相当快.只要建立起结构参数(网络输入)与动态特性参数(网络输出)之间的BP神经网络模型,就可在该模型上进行优化计算,计算简单、高效,是一种全新意义的动态优化设计方法[1～5].建立BP神经网络模型的实质是将系统结构参数与系统动态特性参数之间的物理关系反映为神经网络模型的网络输入与网络输出的数学关系[6].利用学习完的模型进行结构的灵敏度分析及结构优化直接而简单,其计算速度要大大快于用其他模型(如有限元模型)进行优化计算的速度.而这种处理思路特别适应于结构基本拓扑形式基本不变,而一些基本尺寸参数常常需要优化的领域,如机床部件的优化设计等.图1所示为利用BP神经网络对磨床部件进行动态灵敏度分析的流程图.其中参数化建模、计算动态特性、BP神经网络学习样©1994-2008ChinaAcademicJournalElectronicPublishingHouse.Allrightsreserved.http://www.cnki.net本的工作在ANSYS软件中完成,其余任务在MAT2LAB软件中进行.图1利用BP神经网络进行灵敏度分析的流程图1采用APDL参数设计语言进行样本采样的方法高精度内圆磨床结构主要由床身、工作台、桥板、箱体滑板、床头箱、磨架支座滑板、底座等大件组成.首先利用多水平正交表选取学习样本,分别建立以上各部件的BP神经网络模型,得到相应的BP神经网络模型的各层神经元数目、权重系数与阈值的数据文件,然后将其放入数据库的相应地址.以此为基础,进一步对部件进行结构参数的灵敏度分析与优化计算.在建立BP神经网络模型时所用的学习样本与测试样本均是由有限元法计算得到的.显然,建立BP神经网络模型的主要工作量就是学习样本的计算.内圆磨床各部件均为体结构,对这些结构进行有限元分析的常用手段是先在CAD软件上进行三维实体造型,然后将其转换成3.igs...