[发明专利]基于RBF-NN的桥式起重机主梁可靠性优化方法

说明书

本发明公开了一种基于RBF‑NN的桥式起重机主梁可靠性优化方法，包括：1）确定输入变量与输出变量；2）拉丁超立方获取输入/输出训练样本数据；3）样本数据归一化处理；4）建立RBF‑NN模型；5）随机抽取测试样本数据进行模型精度验证；6）基于建立的RBF‑NN模型对桥式起重机主梁进行可靠性优化。本发明建立了输入与输出的显式数学模型，减少了运用有限元模型进行可靠性优化过程中的模型调用次数，大大缩短了迭代过程中计算响应值的时间，极大地提高了可靠性优化设计的效率。

技术领域

本发明属于起重机械技术领域，具体涉及一种基于径向基神经网络(RadialBasis Function Neural Network，RBF-NN)的桥式起重机主梁可靠性优化方法。本发明方法适用于通用桥式起重机主梁RBF-NN的建模及基于RBF-NN模型的可靠性优化，也可适用于其它类型起重机主梁RBF-NN的建模及基于RBF-NN模型的可靠性优化。

背景技术

起重机金属结构(crane metal structure)是起重机的机械骨架，其质量约占整机质量的60%～80%。因此，实现结构的轻量化对降低企业成本和提高经济效益具有重要意义。

起重机金属结构是一种焊接结构，其不但需要承担自身重量，还要承受着循环反复的、具有冲击性质的工作载荷。这种复杂的外载荷加上焊接及材料本身的内部缺陷是造成起重机疲劳事故的主要诱因。因此，在金属结构的设计阶段就需要将经济性和安全性这两个要求同时考虑进来，进行起重机金属结构的可靠性优化设计，在保证结构安全性的同时，实现结构的最优设计。

单一的优化设计没有考虑变量的不确定性，因此属于一种确定性的优化方法。而可靠性优化是在确定性优化的基础上，考虑了变量的随机性，将因变量的固有随机性而导致的结构可靠性约束加到原确定性优化的约束中，故而是一种更符合实际的优化设计方法。

蒙特卡洛模拟法是一种基于抽样的可靠度计算方法，当抽样达到一定数量时，可以准确地计算结构的可靠度。在可靠性优化中，应用蒙特卡洛法进行可靠度计算时，要在每个迭代点进行一次蒙特卡洛模拟，以计算当前迭代点的可靠度。因此，当失效概率很小时，这种模拟法的计算工作量将会很大，尤其对于约束条件多的情况，更是增加了算法模拟的计算成本。

另外，随着计算机辅助工程的普遍运用，基于有限元法的结构可靠性优化已成为可能，但针对起重机这种大型结构的有限元分析十分耗时，使得基于有限元分析的结构可靠性优化的计算时间难以承受。

发明内容

本发明的目的是解决基于有限元仿真技术的可靠性优化中蒙特卡洛模拟计算可靠度调用模型次数过多，造成计算成本难以承受的问题，提供一种基于RBF-NN的桥式起重机主梁可靠性优化方法，通过少量的数据样本对桥式起重机主梁进行有限元分析并获取相应的性能响应值，进行结构的可靠性优化。

本发明所述的基于RBF-NN的桥式起重机主梁可靠性优化方法是按照以下步骤进行的。

1）确定输入变量与输出变量。

定义可靠性优化问题，以主梁截面面积最小为优化目标，以静强度可靠度、水平静刚度可靠度、垂直静刚度可靠度、动刚度可靠度为约束条件，随机变量为主梁截面尺寸、起重量及材料弹性模量；以随机变量为输入变量，静强度、垂直静刚度、水平静刚度、动刚度为输出变量建立主梁可靠性优化模型；根据上述问题确定输入变量与输出性能参数，为下一步获取样本数据做好准备。

其中，所述主梁截面尺寸包括主梁腹板高度、主梁腹板外间距、主梁翼缘板厚度、主梁主腹板厚度和主梁副腹板厚度。

所述主梁截面尺寸具有双重性，即在可靠度计算时为随机变量，在优化时为设计变量。

以下为桥式起重机主梁可靠性优化的数学模型。