160t类椭圆起重机吊臂的拓扑优化研究

首次将拓扑优化应用于吊臂的整体设计,从一个新的方向来研究吊臂的轻量化设计。首先选取类椭圆截面作为吊臂截面形式,在前处理器Patram中建立三节吊臂的有限元模型,设置好各项参数后提交Nastran尽兴有限元分析,得出各截臂应力。而后返回Patran,设置拓扑优化所需参数,提交Nastran进行计算,得出各截臂材料分布,结合实际情况,给出一种合理的材料分布方案,并重新建立模型求解,对比两次静力学分析结果,从而证明该拓扑优化是可行的。     

类椭圆截面吊臂的约束扭转特性研究

综合分析常见椭圆截面和大圆角矩形截面大吨位起重机吊臂结构力学性能,提出了一种类椭圆截面起重机吊臂结构。根据吊臂旋转平面受力状态,可将基本臂简化为闭口曲边截面悬臂薄壁梁力学模型。然后基于乌曼斯基理论,推导了该力学模型的约束扭转特性计算公式。并基于MSC.PATRAN/NASTRAN有限元数值分析验证了理论计算公式的正确性。通过算例分析,获取了一类椭圆截面吊臂的约束扭转翘曲正应力和翘曲位移等重要分析参数。研究表明,推导的理论公式可为类椭圆起重机吊臂的约束扭转分析提供一种简便可行的计算方法。     

吊管机吊臂结构有限元优化及研究

以ANSYS Workbench软件为工具,对吊管机吊臂进行三维实体建模、网格划分、载荷和约束处理,并对吊臂3种基本工况进行有限元分析。在保证吊臂安全性的前提下,选取吊臂截面的宽度、高度和厚度作为参数,以吊臂质量最小为目标进行有限元优化,优化后明显减轻了吊臂材料的消耗,为吊管机吊臂的设计和改进提供了理论依据。     

有限元优化技术在起重机吊臂结构设计中的应用

以ANSYS软件为工具,以结构自重为优化目标,以截面尺寸为优化设计变量,以强度、刚度为约束条件,对起重机吊臂进行有限元优化设计,为起重机吊臂的设计和改造提供理论依据。     

基于遗传算法和神经网络算法的吊车结构优化设计与实现

论文综合利用BP神经网络、遗传算法有限元法以及正交试验法对吊车结构系统进行优化研究。利用遗传算法和BP神经网络建立复杂结构系统动态优化的计算模型,该模型可代替系统原来的有限元模型。首先对吊车起重机结构系统进行模态分析及谐响应动力学分析,找出对结构动态特性影响最大的模态频率,再利用灵敏度分析,确定对动态特性较敏感的设计变量作为神经网络的输入变量,并利用正交试验法确定神经网络训练样本,用有限元模型计算出样本点数据,建立反映结构振动特性的人工神经网络模型,最后利用遗传算法对所建立的神经网络模型寻优,得到使结构动态性能最优的设计参数。     

32T随车起重机吊臂有限元分析及优化

以32T随车起重机吊臂为分析对象,以有限元分析软件的Workbench为平台,进行强度、刚度计算,通过分析受力最危险工况,证明吊臂设计满足要求;并在平台中将一节基本臂参数化建模,以减少质量为目标函数,以满足强度、刚度要求为约束条件,对其臂厚进行尺寸优化,计算出最合理的结构,以节省生产成本。     

1000 t大型海工绕桩式起重机吊臂轻量化设计与优化分析

吊臂是起重机的最主要承载构件之一,吊臂的分析研究对于起重机的结构优化起着重要作用。以研制的1 000 t大型海工绕桩式起重机吊臂为研究对象,建立了数学模型和三维实体模型,优化了吊臂的设计结构。通过软件Ansys Workbench对吊臂结构的全伸臂工况进行有限元分析,得到相应的应力云图,验证了优化后的吊臂满足使用强度要求。     

一种新型起重机吊臂的轻量化设计与研究

首先提出一种新型类椭圆吊臂,以有限元分析软件ANSYS Workbench协同仿真平台为工具,利用其DM(几何建模)、Mechanica(l结构有限元分析)及DX(优化设计)三大模块之间无缝接口,完成了吊臂的参数化建模、结构分析和轻量化设计。针对优化过程中设计变量非线性程度高的特点,利用DX模块,将基于神经网络的响应面法与MOGA(多目标遗传算法)相结合,对吊臂结构进行了优化,有效地降低了吊臂的重量。结果表明该方法合理可行,为今后包括大型起重机在内的相关工程机械设计提供了参考方法。     

重型清障车吊臂结构设计与优化

在对某一托吊分离式重型清障车吊臂结构设计的基础上,利用ANSYS软件对一定滑块尺寸的设计结构进行静力分析,对局部强度不足部位提出了改进措施。以滑块的长度尺寸和宽度尺寸为参数,以吊臂与滑块接触部位的最大应力满足强度要求为约束条件,应用ANSYS软件中提供的参数化设计语言(APDL)对滑块的结构尺寸进行参数化建模与求解。得到了滑块两个几何尺寸单独变化和联合变化时对应的应力变化曲线,找到了如何通过增大滑块尺寸来减少吊臂接触部位应力的最有效办法。     

基于ANSYS Workbench的梨形截面伸缩吊臂轻量化设计

梨形截面伸缩吊臂具有当前最先进的截面形式,探讨其轻量化设计方法具有重要意义。在通用有限元软件ANSYS Workbench中建立梨形截面伸缩吊臂的参数化模型,在Static Structural模块完成梨形截面伸缩吊臂强度、刚度分析,利用Linear Buckling模块对梨形截面伸缩吊臂整体稳定性进行探讨。在此基础上,将吊臂强度、刚度及整体稳定性作为约束条件,构建以自重最轻为目标的优化设计模型。借助GDO模块响应面技术实现梨形截面伸缩吊臂的优化。这种轻量化设计方法对今后大吨位铁路起重机的设计具有实际的指导与借鉴作用。     

基于神经网络和遗传算法的集装箱龙门起重机结构系统优化研究

论文综合利用有限元方法、正交试验法、人工神经网络以及遗传算法对龙门起重机结构系统进行优化研究。首先利用有限元模型对结构进行灵敏度分析,确定对结构系统特性敏感的设计变量作为神经网络的输入变量。然后利用正交试验法确定神经网络训练样本,并利用有限元模型计算出样本数据,建立人工神经网络模型。最后利用遗传算法对所建立的神经网络模型寻优。     

基于遗传算法和BP神经网络的花盘结构优化设计

综合利用有限元法、正交试验法、BP神经网络以及遗传算法对大重型数控转台的花盘结构系统进行优化研究。首先对花盘结构系统进行谐响应动力学分析,找出对结构动态特性影响最大的模态频率,并确定BP神经网络的输入变量,然后利用正交试验法和有限元分析法确定出BP神经网络样本点数据,建立反映花盘结构特性的BP神经网络模型,最后利用遗传算法对建立的BP神经网络优化。仿真结果表明,花盘第一阶固有频率提高15.5%,其自重降低9.8%。     

基于遗传算法及BP网络的主轴热误差建模

针对基于多输入多输出(MIMO)反向传播(BP)神经网络的热误差建模方法过度依赖于训练样本、通用性与收敛性较差的问题,利用灰色聚类分组与相关分析法对温度变量进行分组并提取热敏感点,利用遗传算法(GA)将预测输出与期望输出的误差绝对值和的倒数作为判断隐含层节点数的准则,对MIMO-BP网络的拓扑结构进行优化,设定输出层残差误差限,实现了网络阈值与权值的有效优化。建立了基于MIMOM-BP与GA-BP的主轴轴向热伸长与径向热倾角的热误差模型。以精密坐标镗床主轴为研究对象,采用五点法对热误差进行测量,验证了测量及建模方法的有效性,表明GA-BP模型可实现不同工况下主轴空间位姿状态的高精度预测,更适合作为热误差补偿模型。     

基于遗传算法的BP神经网络滚动轴承故障诊断

针对滚动轴承的故障诊断问题,提出了一种基于遗传算法的BP神经网络滚动轴承故障诊断方法。以BP神经网络的误差为目标函数,利用遗传算法进行BP神经网络的权值和阈值优化,并用优化后的BP神经网络进行故障诊断。通过MATLAB仿真,结果表明遗传算法优化的BP神经网络相比传统的BP神经网络具有更好的诊断效率和准确度。     

基于遗传算法的BP神经网络在塔式起重机故障诊断中的应用

为解决BP神经网络存在的收敛速度慢、易陷入局部极小点等不足,利用遗传算法随机搜索性强,易收敛到全局最优解的优点对其进行改进,通过误差平方和的倒数建立遗传算法与BP神经网络的联系,以改进网络权值、阈值为目标,优化神经网络结构,以更加有效地应用改进网络进行预测、识别,将其应用于塔式起重机的状态识别中,可很好地对塔式起重机进行故障诊断.     

基于神经网络算法的桥式起重机防摇摆控制

针对桥式起重机运行过程中载荷摆动造成的运行精度差和工作效率低下问题,提出了一种神经网络直接逆模型控制方法,以降低载荷摆动。介绍了该控制系统中的神经网络逆模型控制器与辨识器的结构和算法;采用了带动量因子的BP算法调整权值,提高了神经网络学习速度;最后,应用Matlab对所设计系统进行了仿真测试。仿真实验结果表明,在不同载荷、绳长情况下,相对于PID控制方法,该方法具有更好的控制性能和鲁棒性。     

一种基于改进遗传算法的神经网络优化算法研究

遗传算法是目前优化搜索算法中应用比较广泛的一种,但基本遗传算法存在收敛速度慢、易于陷入局部最优等缺点。针对上述问题对遗传算法(GA)的选择算子进行改进,在最优保存策略的基础上将每代种群按照适应度由小到大排序,平均分成前中后3段,按照0.6、0.8、1的比例进行选择;从尾段中随机抽取个体来补足种群由于选择操作而损失的个体;既利用了最优保存策略的全局收敛特性同时也保持了种群的多样性;用改进的遗传算法调整神经网络的权值形成了新的改进遗传算法优化BP神经网络(IGA-BP);通过与选择算子为适应度比例选择算子的GA-BP网络进行比较,结果表明算法改进后缩短了收敛时间同时减少了运行误差;最后将该改进算法应用于水泥回转窑的故障诊断中,验证了算法的可行性。     

基于BP神经网络的触摸屏校准算法

由于触摸屏的密度不一致,采用简单线性转换限制了校准精度的提高。为了获得更高的校准精度,提出了基于BP神经网络的电阻型触摸屏校准方法,构建了神经网络模型,并利用BP算法的非线性隐射能力对触摸屏标定数据进行了输入一输出的非线性逼近。仿真实验结果表明,与两点比例校准相比该校准方法在校准精度上大约提高了3倍,明显优于同类算法。     

应用BP网络和遗传算法的快速分析与优化

将BP神经网络和遗传算法相结合运用于快速设计的结构优化问题。利用已有的实例对神经网络进行训练达到要求精度,使神经网络能够代替有限元分析达到快速分析的目的。用神经网络计算遗传算法的适应度,对结构进行优化。把BP神经网络和遗传算法相结合进行分析和优化符合快速设计的思想。此方法运用于某拱梁的快速优化设计中效果良好。     

BP神经网络分步赋初值算法的研究

为解决BP神经网络的实际应用问题,将算法优化技术应用到该项研究中.在分析了多种BP算法的优化算法之后,提出了一种优化的分步赋初值算法,在对各种BP优化算法进行分析的基础上,着重研究了初值和BP算法的关系,并建立了神经网络的线性方程,通过求解方程得到了BP神经网络的最优初始权值.研究结果表明:优化算法不仅降低了BP算法的训练时间,使其由13 s缩短到1s以内,同时,BP赋初值算法的误差曲线由平缓变为直线下降,解决了传统BP算法易陷入局部极小值的问题.