本發(fā)明屬于結(jié)構(gòu)動(dòng)力學(xué)優(yōu)化研究領(lǐng)域，具體涉及一種橋式起重機(jī)多柔體動(dòng)力學(xué)結(jié)構(gòu)優(yōu)化方法。
背景技術(shù)：
：機(jī)械優(yōu)化設(shè)計(jì)是使某項(xiàng)機(jī)械設(shè)計(jì)在規(guī)定的各種設(shè)計(jì)限制條件下，優(yōu)選設(shè)計(jì)參數(shù)，使某項(xiàng)或幾項(xiàng)設(shè)計(jì)指標(biāo)獲得最優(yōu)值。工程設(shè)計(jì)上的“最優(yōu)值”或“最佳值”，指在滿足多種設(shè)計(jì)目標(biāo)和約束條件下所獲得的最令人滿意和最適宜的值。作為物料搬運(yùn)機(jī)械中從事起吊、空中搬運(yùn)的主要設(shè)備之一，橋式起重機(jī)行業(yè)也在隨著時(shí)代的發(fā)展不斷地改進(jìn)自己的設(shè)計(jì)模式，傳統(tǒng)的以經(jīng)驗(yàn)為主的設(shè)計(jì)模式漸漸淡出了起重機(jī)械行業(yè)的設(shè)計(jì)范圍，設(shè)計(jì)者們開(kāi)始向著無(wú)圖紙自動(dòng)化設(shè)計(jì)的方向努力，而隨著計(jì)算機(jī)發(fā)展的優(yōu)勢(shì)，這種優(yōu)化設(shè)計(jì)方法也慢慢成熟起來(lái)。代理模型是設(shè)計(jì)優(yōu)化中一種包含試驗(yàn)設(shè)計(jì)和近似方法等多項(xiàng)內(nèi)容的建模方法，它克服了工程優(yōu)化中計(jì)算量過(guò)大的問(wèn)題，在許多工程領(lǐng)域得到了廣泛的應(yīng)用?；谪惾~斯正則化算法的BP(Back-Propagation)神經(jīng)網(wǎng)絡(luò)是由非線性傳遞函數(shù)神經(jīng)元構(gòu)成的，采用誤差反向傳播作為其學(xué)習(xí)算法的前向網(wǎng)絡(luò)。它具有高度非線性映射能力和自學(xué)能力。采用該神經(jīng)網(wǎng)絡(luò)作為代理模型的近似模型建模環(huán)節(jié)能很好的擬合代理模型訓(xùn)練樣本庫(kù)的輸入輸出關(guān)系。多柔體系統(tǒng)動(dòng)力學(xué)技術(shù)較多剛體理論考慮了主梁等構(gòu)件的柔性變形對(duì)結(jié)構(gòu)動(dòng)態(tài)響應(yīng)的影響，廣泛應(yīng)用在重機(jī)設(shè)計(jì)及其性能指標(biāo)優(yōu)化中。但隨著橋式起重機(jī)性能要求和數(shù)值仿真精度技術(shù)要求的提高，現(xiàn)有的多柔體動(dòng)力學(xué)技術(shù)在工程應(yīng)用上面臨著更高的技術(shù)挑戰(zhàn)。但縱觀現(xiàn)有文獻(xiàn)，有關(guān)于柔性體構(gòu)件優(yōu)化設(shè)計(jì)的卻很少。主要是因?yàn)橛邢薅问饺嵝泽w和軟件自動(dòng)生成的柔體不能很好地滿足計(jì)算精度要求，故工程應(yīng)用層次的動(dòng)力學(xué)系統(tǒng)中的柔性體零部件一般通過(guò)模態(tài)中性文件生成，用假設(shè)模態(tài)分析法來(lái)描述構(gòu)件的振動(dòng)變形，故很難像對(duì)剛體一樣直接進(jìn)行參數(shù)化建模，不易直接進(jìn)行結(jié)構(gòu)優(yōu)化。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于提供一種橋式起重機(jī)多柔體動(dòng)力學(xué)結(jié)構(gòu)優(yōu)化方法，解決了起重機(jī)類(lèi)工程機(jī)械在多柔體動(dòng)力學(xué)計(jì)算和結(jié)構(gòu)動(dòng)力學(xué)優(yōu)化時(shí)柔性構(gòu)件很難進(jìn)行優(yōu)化的問(wèn)題。實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：一種橋式起重機(jī)多柔體動(dòng)力學(xué)結(jié)構(gòu)優(yōu)化方法，方法步驟如下：步驟S1，按照優(yōu)化需求確定優(yōu)化目標(biāo)，并對(duì)影響優(yōu)化目標(biāo)的各結(jié)構(gòu)參數(shù)進(jìn)行結(jié)構(gòu)靈敏度分析，從而選取影響較大的3-5個(gè)設(shè)計(jì)變量，各設(shè)計(jì)變量的取值范圍按其初值上下浮動(dòng)5％～10％；根據(jù)起重機(jī)設(shè)計(jì)方法，橋式起重機(jī)設(shè)計(jì)約束考慮強(qiáng)度、剛度、工藝以及截面尺寸取值約束。步驟S2，根據(jù)各設(shè)計(jì)變量的取值范圍，運(yùn)用最優(yōu)拉丁超立方算法對(duì)設(shè)計(jì)變量進(jìn)行試驗(yàn)設(shè)計(jì)，得到若干組設(shè)計(jì)變量的試驗(yàn)設(shè)計(jì)值，從而創(chuàng)建了設(shè)計(jì)變量的樣本空間。步驟S3，創(chuàng)建橋式起重機(jī)的多柔體動(dòng)力學(xué)模型，根據(jù)每組設(shè)計(jì)變量的試驗(yàn)設(shè)計(jì)值，修改柔性體對(duì)應(yīng)的模態(tài)中性文件，生成新的柔性體部件覆蓋原有柔性體部件，再通過(guò)對(duì)新的多柔體動(dòng)力學(xué)模型進(jìn)行數(shù)值仿真計(jì)算，得到對(duì)應(yīng)的優(yōu)化目標(biāo)值。步驟S4，根據(jù)步驟S2中的每組設(shè)計(jì)變量的試驗(yàn)設(shè)計(jì)值，得到代理模型的樣本數(shù)據(jù)庫(kù)的輸入，根據(jù)步驟S3中的每組設(shè)計(jì)變量的試驗(yàn)設(shè)計(jì)值對(duì)應(yīng)的優(yōu)化目標(biāo)值，得到代理模型的樣本數(shù)據(jù)庫(kù)的輸出。步驟S5，依據(jù)上述樣本數(shù)據(jù)庫(kù)的輸入和輸出，建立基于貝葉斯正則化算法的BP神經(jīng)網(wǎng)絡(luò)擬合其輸入和輸出間的非線性映射關(guān)系。步驟S6，運(yùn)用粒子群優(yōu)化算法優(yōu)化上述BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，并進(jìn)行網(wǎng)絡(luò)訓(xùn)練。步驟S7，對(duì)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)進(jìn)行精度驗(yàn)證：選用復(fù)合相關(guān)指數(shù)R2和均方差MSE來(lái)對(duì)模型進(jìn)行測(cè)試評(píng)價(jià)，若滿足精度要求，轉(zhuǎn)入步驟S8，否則返回步驟S6。步驟S8，保存上述滿足精度要求的BP神經(jīng)網(wǎng)絡(luò)及其結(jié)構(gòu)參數(shù)。步驟S9，結(jié)合上述BP神經(jīng)網(wǎng)絡(luò)，運(yùn)用NSGA-II遺傳算法對(duì)橋式起重機(jī)結(jié)構(gòu)進(jìn)行多目標(biāo)優(yōu)化，得到優(yōu)化后的Pareto解集。步驟S10，將S9優(yōu)化所得的Pareto解集對(duì)應(yīng)數(shù)據(jù)保存，運(yùn)用Max-min準(zhǔn)則從保存的Pareto解集中優(yōu)選出一個(gè)可行解。本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)是：(1)克服了以往柔性體不能進(jìn)行結(jié)構(gòu)優(yōu)化的難題。(2)將貝葉斯正則化算法的BP神經(jīng)網(wǎng)絡(luò)代理模型用于多柔體動(dòng)力學(xué)結(jié)構(gòu)優(yōu)化中，計(jì)算量較小，可以實(shí)現(xiàn)快速結(jié)構(gòu)優(yōu)化。(3)采用NSGA-II遺傳算法進(jìn)行橋式起重機(jī)結(jié)構(gòu)優(yōu)化，避免了以往多目標(biāo)優(yōu)化權(quán)重系數(shù)需人工預(yù)設(shè)，遺傳算法易出現(xiàn)早熟問(wèn)題。(4)采用Max-min準(zhǔn)則，可以從Pareto解集中快速找到一個(gè)兼顧各優(yōu)化目標(biāo)的可行解。附圖說(shuō)明圖1為本發(fā)明中橋式起重機(jī)多柔體動(dòng)力學(xué)結(jié)構(gòu)優(yōu)化方法的流程圖。圖2為本發(fā)明中橋式起重機(jī)多柔體動(dòng)力學(xué)結(jié)構(gòu)優(yōu)化方法步驟S3的流程圖。圖3為本發(fā)明實(shí)施例1中主梁截面示意圖。圖4為本發(fā)明實(shí)施例1中優(yōu)化所得Pareto解集分布圖。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述。本發(fā)明的原理在于：工程應(yīng)用層次的大型多柔體動(dòng)力學(xué)模型中使用的柔性體多使用有限元?jiǎng)澐志W(wǎng)格進(jìn)行模態(tài)計(jì)算所得模態(tài)中性文件生成，故也不易直接參數(shù)化和結(jié)構(gòu)優(yōu)化。本發(fā)明綜合采用了多柔體系統(tǒng)動(dòng)力學(xué)技術(shù)、最優(yōu)拉丁超立方算法、粒子群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型、NSGA-II遺傳算法和Maxi-min優(yōu)選準(zhǔn)則技術(shù)，解決了以往多柔體動(dòng)力學(xué)優(yōu)化時(shí)柔性體部件不易優(yōu)化的難題。通過(guò)修改有限元參數(shù)改變模態(tài)中性文件信息來(lái)改變動(dòng)力學(xué)模型中設(shè)計(jì)變量值，利用基于貝葉斯正則化算法的BP神經(jīng)網(wǎng)絡(luò)建立代理模型，并以粒子群算法優(yōu)化其初始權(quán)值和閾值以獲得較好的擬合精度，擬合柔性體各設(shè)計(jì)變量與多柔體動(dòng)力學(xué)模型中優(yōu)化目標(biāo)值間的非線性關(guān)系，接著采用NSGA-II遺傳算法對(duì)該代理模型進(jìn)行多目標(biāo)優(yōu)化得到Pareto解集，運(yùn)用Max-min準(zhǔn)則找到一個(gè)兼顧各優(yōu)化目標(biāo)的可行解。一種橋式起重機(jī)多柔體動(dòng)力學(xué)結(jié)構(gòu)優(yōu)化方法，方法步驟如下：步驟S1，按照優(yōu)化需求確定優(yōu)化目標(biāo)，并對(duì)影響優(yōu)化目標(biāo)的各結(jié)構(gòu)參數(shù)進(jìn)行結(jié)構(gòu)靈敏度分析，從而選取影響較大的3-5個(gè)設(shè)計(jì)變量，各設(shè)計(jì)變量的取值范圍按其初值上下浮動(dòng)5％～10％；根據(jù)起重機(jī)設(shè)計(jì)方法，橋式起重機(jī)設(shè)計(jì)約束考慮強(qiáng)度、剛度、工藝以及截面尺寸取值約束。步驟S2，根據(jù)各設(shè)計(jì)變量的取值范圍，運(yùn)用最優(yōu)拉丁超立方算法對(duì)設(shè)計(jì)變量進(jìn)行試驗(yàn)設(shè)計(jì)，得到若干組(越多越有有利于神經(jīng)網(wǎng)絡(luò)訓(xùn)練精度)設(shè)計(jì)變量的試驗(yàn)設(shè)計(jì)值，從而創(chuàng)建了設(shè)計(jì)變量的樣本空間。步驟S3，創(chuàng)建橋式起重機(jī)的多柔體動(dòng)力學(xué)模型，根據(jù)每組設(shè)計(jì)變量的試驗(yàn)設(shè)計(jì)值，修改柔性體對(duì)應(yīng)的模態(tài)中性文件，生成新的柔性體部件覆蓋原有柔性體部件，再通過(guò)對(duì)新的多柔體動(dòng)力學(xué)模型進(jìn)行數(shù)值仿真計(jì)算，得到對(duì)應(yīng)的優(yōu)化目標(biāo)值：所述步驟S3，具體包括：步驟S31，運(yùn)用Hyperworks軟件分別對(duì)橋式起重機(jī)各零部件進(jìn)行有限元網(wǎng)格劃分。步驟S32，在各零部件與相鄰部件連接處建立界面節(jié)點(diǎn)并于其設(shè)置邊界條件，檢查有限元網(wǎng)格質(zhì)量，運(yùn)用模態(tài)綜合法對(duì)每個(gè)零部件分別進(jìn)行模態(tài)計(jì)算，得到其模態(tài)中性文件：所述步驟S32中，各零部件的各界面節(jié)點(diǎn)處邊界條件與其在裝配體中的實(shí)際連接關(guān)系保持一致。步驟S33，將各模態(tài)中性文件優(yōu)化處理后導(dǎo)入多體計(jì)算軟件(如ADAMS、RecurDyn等)，創(chuàng)建柔性體部件：所述步驟S33中，各模態(tài)中性文件在導(dǎo)入多柔體動(dòng)力學(xué)模型前，均在Adams/Flex2015中進(jìn)行了信息優(yōu)化處理，并獲取其柔性體質(zhì)量、質(zhì)心、轉(zhuǎn)動(dòng)慣量、頻率、振型、對(duì)載荷的參與因子和應(yīng)力變形特性信息；各模態(tài)中性文件在導(dǎo)入多柔體動(dòng)力學(xué)模型后，根據(jù)模態(tài)貢獻(xiàn)因子理論，采用前幾階模態(tài)貢獻(xiàn)因子大的模態(tài)參數(shù)而忽略其余階模態(tài)，創(chuàng)建柔性體部件。步驟S34，根據(jù)實(shí)際情況設(shè)置部件連接關(guān)系、邊界條件，施加工作載荷，從而得到橋式起重機(jī)的多柔體動(dòng)力學(xué)模型。步驟S35，根據(jù)每組設(shè)計(jì)變量的試驗(yàn)設(shè)計(jì)值，修改柔性體對(duì)應(yīng)的模態(tài)中性文件，生成新的柔性體部件覆蓋原有柔性體部件，再通過(guò)對(duì)各多柔體動(dòng)力學(xué)模型進(jìn)行數(shù)值仿真計(jì)算，得到對(duì)應(yīng)的優(yōu)化目標(biāo)值。步驟S4，根據(jù)步驟S2中的每組設(shè)計(jì)變量的試驗(yàn)設(shè)計(jì)值，得到代理模型的樣本數(shù)據(jù)庫(kù)的輸入，根據(jù)步驟S3中的每組設(shè)計(jì)變量的試驗(yàn)設(shè)計(jì)值對(duì)應(yīng)的優(yōu)化目標(biāo)值，得到代理模型的樣本數(shù)據(jù)庫(kù)的輸出；步驟S5，依據(jù)上述樣本數(shù)據(jù)庫(kù)的輸入和輸出，建立基于貝葉斯正則化算法的BP神經(jīng)網(wǎng)絡(luò)擬合其輸入和輸出間的非線性映射關(guān)系；步驟S6，運(yùn)用粒子群優(yōu)化算法優(yōu)化上述BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，并進(jìn)行網(wǎng)絡(luò)訓(xùn)練；步驟S7，對(duì)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)進(jìn)行精度驗(yàn)證：選用復(fù)合相關(guān)指數(shù)R2和均方差MSE來(lái)對(duì)模型進(jìn)行測(cè)試評(píng)價(jià)，若滿足精度要求，轉(zhuǎn)入步驟S8，否則返回步驟S6。步驟S8，保存上述滿足精度要求的BP神經(jīng)網(wǎng)絡(luò)及其結(jié)構(gòu)參數(shù)。步驟S9，結(jié)合上述BP神經(jīng)網(wǎng)絡(luò)，運(yùn)用NSGA-II遺傳算法對(duì)橋式起重機(jī)結(jié)構(gòu)進(jìn)行多目標(biāo)優(yōu)化，得到優(yōu)化后的Pareto解集：所述步驟S9中，優(yōu)化時(shí)采用NSGA-II遺傳算法進(jìn)行結(jié)構(gòu)優(yōu)化，其適應(yīng)度評(píng)估采用如下式所示的適應(yīng)度函數(shù)Fit(fi(x))=Ci,max-f(x)fi(x)≤Ci,max0fi(x)>Ci,max]]>式中：Fit(x)表示適應(yīng)度函數(shù)，fi(x)為各目標(biāo)函數(shù)值，Ci,max為fi(x)的最大估計(jì)值。所述目標(biāo)函數(shù)fi(x)的表達(dá)式為fi(x)=|FiF0,i|]]>式中：Fi為各優(yōu)化目標(biāo)的值，F(xiàn)0,i為各優(yōu)化目標(biāo)的初始值。步驟S10，將S9優(yōu)化所得的Pareto解集對(duì)應(yīng)數(shù)據(jù)保存，運(yùn)用Max-min準(zhǔn)則從保存的Pareto解集中優(yōu)選出一個(gè)可行解。所述步驟S10中，Max-min優(yōu)選準(zhǔn)則其表達(dá)式如下：max[min(fi,max-fi,jfi,max-fi,min)],i=1,2,...,n;j=1,2,...,m]]>式中，fi,j表示Pareto解集中各可行解的值，其下標(biāo)i為優(yōu)化目標(biāo)的編號(hào)，n為優(yōu)化目標(biāo)的總個(gè)數(shù)，下標(biāo)j為Pareto解集中可行解的編號(hào)，m為解的總個(gè)數(shù)；fi,max為解集中第i個(gè)優(yōu)化目標(biāo)的可行解的最大值，fi,min為解集中第i個(gè)優(yōu)化目標(biāo)的可行解的最小值。實(shí)施例1結(jié)合圖1至圖4，本發(fā)明實(shí)施例1中提供了一種橋式起重機(jī)多柔體動(dòng)力學(xué)結(jié)構(gòu)優(yōu)化方法，方法步驟如下：步驟S1，按照優(yōu)化需求確定優(yōu)化目標(biāo)，起重機(jī)的設(shè)計(jì)追求的是質(zhì)量最小，反映在計(jì)算問(wèn)題模型上便是體積最小，為了橋機(jī)工作時(shí)的安全，避免共振，應(yīng)該使影響橋機(jī)動(dòng)態(tài)性能最大的第5階同有頻率盡量最大值，因此取橋式起重機(jī)的體積、第5階固有頻率及其最大應(yīng)力為優(yōu)化目標(biāo)函數(shù)。對(duì)影響優(yōu)化目標(biāo)的各結(jié)構(gòu)參數(shù)進(jìn)行結(jié)構(gòu)靈敏度分析，從而選取合適的設(shè)計(jì)變量。本實(shí)施例的研宄對(duì)象是橋式起重機(jī)結(jié)構(gòu)系統(tǒng)，所以主要設(shè)計(jì)變量為各主梁的截面尺寸。根據(jù)結(jié)構(gòu)靈敏度分析結(jié)果，分別選用X1、X3和X6(其中尺寸參數(shù)X1為翼緣板寬度，X2和X5分別為上下蓋板的厚度，X4和X6分別為腹板厚度及高度，X5為兩腹板間距；)。各設(shè)計(jì)變量的取值范圍按其初值上下浮動(dòng)5％～10％，其取值范圍如下：X1∈[650,850]X3∈[680,780]X6∈[1900,2100]性能參數(shù)的約束：本實(shí)施例選取橋式起重機(jī)在工作時(shí)小車(chē)跨中滿載時(shí)主梁的最大垂位移和最大應(yīng)力作為其性能參數(shù)的約束，最大垂直位移取許用撓度34.5mm為上限，最大許用應(yīng)力取175MPa。步驟S2，結(jié)合設(shè)計(jì)變量的步驟S1所得取值范圍，運(yùn)用最優(yōu)拉丁超立方算法對(duì)設(shè)計(jì)變量進(jìn)行試驗(yàn)設(shè)計(jì)，得到150組設(shè)計(jì)變量值，從而創(chuàng)建了設(shè)計(jì)變量的樣本空間；步驟S3，創(chuàng)建橋式起重機(jī)的多柔體動(dòng)力學(xué)模型，根據(jù)每組設(shè)計(jì)變量的試驗(yàn)設(shè)計(jì)值，修改柔性體對(duì)應(yīng)的模態(tài)中性文件，修改柔性體對(duì)應(yīng)的模態(tài)中性文件生成新的柔性體部件覆蓋原有柔性體部件。通過(guò)對(duì)新的動(dòng)力學(xué)模型進(jìn)行數(shù)值仿真計(jì)算，得到對(duì)應(yīng)的優(yōu)化目標(biāo)值。該具體步驟包括：步驟S31，運(yùn)用Hyperworks軟件分別對(duì)橋式起重機(jī)各零部件進(jìn)行有限元網(wǎng)格劃分。特別地，為了更好描述各零部件的應(yīng)力分布情況，各零部件使用有限元六面體單元，且零部件每個(gè)面均用至少3層網(wǎng)格。步驟S32，在各零部件與相鄰部件連接處建立界面節(jié)點(diǎn)并于其設(shè)置邊界條件，檢查有限元網(wǎng)格質(zhì)量，運(yùn)用模態(tài)綜合法對(duì)每個(gè)零部件分別進(jìn)行模態(tài)計(jì)算，得到其模態(tài)中性文件；步驟S33，將各模態(tài)中性文件均在Adams/Flex2015中進(jìn)行了信息優(yōu)化處理，并獲取其柔性體質(zhì)量、質(zhì)心、轉(zhuǎn)動(dòng)慣量、頻率、振型、對(duì)載荷的參與因子和應(yīng)力變形特性信息；各模態(tài)中性文件在導(dǎo)入多體計(jì)算軟件ADAMS所建立的多柔體動(dòng)力學(xué)模型后，根據(jù)模態(tài)貢獻(xiàn)因子理論，采用前幾階模態(tài)貢獻(xiàn)因子大的模態(tài)參數(shù)而忽略其余階模態(tài)，創(chuàng)建柔性體部件。步驟S34，根據(jù)實(shí)際情況設(shè)置的部件連接關(guān)系、邊界條件，施加工作載荷，從而得到橋式起重機(jī)的多柔體動(dòng)力學(xué)模型；步驟S35，根據(jù)每組設(shè)計(jì)變量的試驗(yàn)設(shè)計(jì)值，修改柔性體對(duì)應(yīng)的模態(tài)中性文件，生成新的柔性體部件覆蓋原有柔性體部件，再通過(guò)對(duì)各多柔體動(dòng)力學(xué)模型進(jìn)行數(shù)值仿真計(jì)算，得到對(duì)應(yīng)的優(yōu)化目標(biāo)值。步驟S4，根據(jù)步驟S2中的每組設(shè)計(jì)變量的試驗(yàn)設(shè)計(jì)值，得到代理模型的樣本數(shù)據(jù)庫(kù)的輸入，根據(jù)步驟S3中的每組設(shè)計(jì)變量的試驗(yàn)設(shè)計(jì)值對(duì)應(yīng)的優(yōu)化目標(biāo)值，得到代理模型的樣本數(shù)據(jù)庫(kù)的輸出；步驟S5，依據(jù)上述樣本數(shù)據(jù)庫(kù)的輸入和輸出，建立基于貝葉斯正則化算法的BP神經(jīng)網(wǎng)絡(luò)擬合其輸入和輸出間的非線性映射關(guān)系；步驟S6，運(yùn)用粒子群優(yōu)化算法優(yōu)化上述BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，并進(jìn)行網(wǎng)絡(luò)訓(xùn)練；步驟S7，對(duì)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)進(jìn)行精度驗(yàn)證：選用復(fù)合相關(guān)指數(shù)R2和均方差MSE來(lái)對(duì)模型進(jìn)行測(cè)試評(píng)價(jià)，若滿足精度要求，轉(zhuǎn)入步驟S8，否則返回步驟S6；本實(shí)施例得到的復(fù)合相關(guān)指數(shù)分別為0.9987、0.9876和0.9863，均大于0.95，均方差MSE為1.12e-5、1.16e-5和1.27e-5。這說(shuō)明建立的神經(jīng)網(wǎng)絡(luò)模型具有良好的泛化能力和較高的預(yù)測(cè)精度。步驟S8，保存上述滿足精度要求的BP神經(jīng)網(wǎng)絡(luò)及其結(jié)構(gòu)參數(shù)；步驟S9，結(jié)合上述神經(jīng)網(wǎng)絡(luò)代理模型，運(yùn)用NSGA-II遺傳算法對(duì)橋式起重機(jī)結(jié)構(gòu)進(jìn)行多目標(biāo)優(yōu)化，得到優(yōu)化后的Pareto解集，其分布如圖4所示；步驟S10，將S9優(yōu)化所得的Pareto解集對(duì)應(yīng)數(shù)據(jù)保存。運(yùn)用Max-min準(zhǔn)則從保存的Pareto解集中優(yōu)選出一個(gè)可行解。即為圖4中S點(diǎn)。本發(fā)明克服了以往柔性體不能進(jìn)行結(jié)構(gòu)優(yōu)化的難題，將貝葉斯正則化算法的BP神經(jīng)網(wǎng)絡(luò)代理模型用于多柔體動(dòng)力學(xué)結(jié)構(gòu)優(yōu)化中，計(jì)算量較小，可以實(shí)現(xiàn)快速結(jié)構(gòu)優(yōu)化。當(dāng)前第1頁(yè)1 2 3