基于BP神经网络的通用门式起重机金属结构安全评价.pdf

第36卷第3期
华电技术
Vol 36 No. 3
2014年3月
Huadian Technology
Mar.2014
基于BP神经网络的通用门式起重机
金属结构安全评价
张骞,李太周,姚俊威,赵小伟
(郑州科润机电工程有限公司,郑州456015)
摘要:为适成门式起重机金属结构安全评价的需求,在BP神经网络对动态系统适应性和不完全可知性的基础上,构
建了通用门式起重机金属结构安全评价模型,提出了便于统计和赋值的结构安全评价指标体系。运用 Matlab7.0软件
编制的程序对网络进行训练,通过对检测样本的训练,验证了门式起重机评价模型的可行性,为通用门式起重机金属结
构的安全评价提供了评价依据和方法。
关键词:BP神经网络;通用门式起重机;金属结构;安全评价
中图分类号:TV34文献标志码:A文章编号:1674-1951(2014)03-0024-05
0引言
2通用门机结构BP网络安全评价模型与算法
通用门式起重机(以下简称门机)由于自身结2.1BP网络评价模型
构导致的事故从未间断过,给国家建设带来了巨大
通用门机的金属结构组成主要有主梁、支腿、端
的损失。因此,需要从起重机本身结构引发事故的梁和下横梁。从事故发生的情况看,导致事故发生
可能性出发,采用系统工程去分析和评价结构自身的结构破坏和焊缝开裂发生在主梁和支腿上,因此,
基于BP神经网络的通用门机金属结构安全评价模
或外部引发的危险因素。目前,起重机安全评价
型主要考虑主梁和支腿结构,评价模型如图1所示。
方法以事故树、故障类型和层次分析法2为主。从
用户
金属结构设计的3S( Strength, Stiffness,abiy)3
余评价参数
參数输入
模式转换
准则考虑,引发结构安全的不确定因素较多,以上分
结果输
输入网络
模式转换
析法在统计原理上简单易行,但是它们对事故分析
学习样本
太过简单。基于人工神经网络( Artificial Neural Net
输入安全评
参数预处理
训
通用门机金
练」属结构安全安全评价结
学「评价知识库
works)自身的适应性和非线性动态处理的特点,可
价特性参数
网络结构
及权值)
输出安全
不受通用门机结构评价因素不完全可知性的限制
生成新的7
平价措施
因此这种方法逐渐被引入到起重机安全评价领域。
学习样本
本文采用传统和 Levenberg- Marquardt的神经
图1通用门机金属结构安全评价模型
网络算法建立通用门机金属结构安全评价模型,并2.2评价模型建立
通过实例运算对模型进行可行性验证。
2.2.1通用门机结构的安全评价指标
1BP神经网络的基本原理
建立恰当、准确的评价指标是安全评价的基础,
对评价结果的影响较大。安全评价指标的选取应能
BP神经网络是一种采用误差逆向传播训练的合理反映门机结构特征,以结构可能发生的事故为
多层前向反馈神经网络,其自身学习规律是最速下目标。综合考虑影响结构的各因素,以无悬臂通用
降法2,经过误差的反向传播调整BP网络的权值门机结构为例,将结构的评价指标划分成一个总体
和阈偵。BP神经网络的拓扑结构由输入层、隐含层目标,5个一级指标,20个二级指标。运动分级标准
和输出层三层网络组成。通过数值的正向传递与误量理论把要评价的安全级别分为安全、比较安全、
差的反向传播,使网络逼近一个有理函数。
般安全、不安全和极不安全。每个级别的专家评分
为100~91,90~81,80~71,70~61和60~0,具体
收稿日期:2013-03-26;修回日期:2013-12-15
划分如图2所示?。
第3期
张骞,等:基于BP神经网络的通用门式起重机金属结构安全评价
通用门机金属结构安全性
强度
刚度
拱度
稳定性
主梁与支
腿的连接
主梁
艾腿
焊接
螺栓连接
主点点「主「主翼横隔支」「支主桥门支
主主1主支支
腹②1③「梁日梁山缘」板下「腿」「腿「梁架架『腿
梁」梁梁‖腿腿
板应应‖跨‖跨‖焊端焊的
的「的的的刚
整局‖整局
カカ端端山缝」缝与』「强」稳「静日水「水架
拱
体部‖体部
主翼主腹度定「挠平平‖的
度
稳稳‖稳川稳
边缘点①应力
腹缘打疲板连
性」度「惯门惯‖水
定定定定
板门板‖劳接处
强
性性平
性性‖性性
切剪强1⑤
度
位位惯
连接板焊缝长度和质量一
应切‖度
移移‖性
位
连接板上螺栓的许用承载力
图2通用门式起重机金属结构安全评价指标体系
2.2.2通用门机结构的BP网络结构
点个数j=1,2,…,0)、隐含层的阈值U(y
在安全评价当中,BP网络是非线性可微分函数隐含层到输出层权值"、输出层的阈值(y=3
进行权值训练的多层网络“。网络输入层的神经赋予(-1,1)区间的任意值。其中:W,”为样本η第
元个数根据评价指标确定。隐含层个数由经验公式个输人层节点到j个隐含层节点的权值;V'为隐含
确定。隐含层数多会降低训练的网络误差,用以提层第j个节点的阈值;W"为样本P第j个隐含层节点
高安全评价结果的精度。但是隐含层过多,会导致
到k个输出层节点的权值;U"为输出层第k个节点
计算过程繁琐,训练样本的时间增加。采用三层的
的國值;阈值为网络y层第x个节点的阈值(y为
BP神经网络对连续映射的逼近能力已达到很好的神经网络层数,y=1代表输人层,y=2代表隐含
效果。
层,y=3代表输出层)。
根据图2,通用门机结构的安全指标有20个,
(4)计算隐含层各节点的输入值S,”和输出
因此输人层神经元的节点数就为20个。评价的等值h
级为5级,则输出层网络的节点数就为5个。单隐
含层的节点个数用如下经验公式计算
S"=∑W"R"+U'(y=1)
n+0.618(m-n
≥
ん”=f(S)"+V)=1/L
0.618(m-n)
exp
3
式中:0为隐层节点个数;n为输出节点个数;m为输
入节点个数
(5)计算输出层各节点的输入值S"和输出值
由式(1)计算得出的隐层节点个数为14,因此
无悬臂的通用门机结构的BP网络拓扑结构为(20,
S”=∑v"b”+,
(4
14,5)。安全评价指标体系中主梁应力点①~⑤见
h2"=f(S1)=1/L1+exp(-S")]。(5)
文献[3
2.3BP算法
(6)网络误差计算。输出层误差
A
2.3.1传统BP神经网络学习步骤
隐含层误差
(1)由安全评价指标确定网络的输入层节点数
输出层节点数n,隐含层节点数。
8”=「∑"vb"(1ーb")。(7)
(2)选取网络的学习样本对(R",AA"),为输入

展开阅读全文