基于GA-ANN的高速烟支切割支撑装置结构优化‘刘子建f，李珍珠，赵世宜（湖南大学机械与汽车工程学院，湖南长沙410082）……定义各种工况参数，运行模型得到仿真结果。
1―绞盘；2连杆；3―支撑块；4―上夹板7 5，6―下夹板；7碳纤维支撑扦刚柔耦合仿真虚拟样机模型仿真结果重现了碳纤维支撑杆实际工作中出现的“s”型弯曲，并且显示了与实际破坏情况相符的杆件应力危险区，从而验证了建模与仿真过程的正确性。能为参数优化设计仿真提供可靠依据。
切割机构振动片在高速运动时发生断裂与其所受应力应变密切相关，振动片在切割过程中的*大应力越小，则断裂的可能性也越小。通过仿真分析，偏移量、杆长和刚接区3个变量对振动片的应力场影响*大。因此本文中设置偏移量、杆长和刚接区为变量，记录振动片的*大应力，通过动力学仿真得到64组结果数据形成的仿真试验样本，如表1所示。
编号偏移量/mm杆长/mm刚接区/mm*大应力/MPa续表编号偏移量/mm杆长/mm刚接区/mm*大应力/MPa 2基于神经网络的优化模型前向神经网络适合于预测、模式识别、非线性函数逼近。根据本文研究对象的特性，采用BP神经网络来建模将会得到较好的效果。以仿真得到的64组样本作为网络学习样本，是基于神经网络的烟支切割支撑机构模型软件设计流程图。
2.1神经网络用于建立优化模型BP神经网络由输人层、隐层和输出层3层神经元组成。输人层接收输人信号，经加权后传递到隐层（可为一层或多层），隐层传递函数均采用Sigmoid函数，隐层的节点经加权处理和去阈值处理后传递到输出层，输出层的传递函数一般采用线性函数，层间的传递函数为的输出，同时为下一节点的输入。
一个经过训练的BP网络相当于一个函数，能够根据输人给出合适的输出，这个特性使得BP网络很适合采用输入/目标对进行训练，而不需要训练所有可能的输人/目标对。
本文就是采用BP网络在MATLAB环境中编程来实现对烟支切割机构支撑系统的数学建模，以偏移量、杆长x2、刚接区作为输人，以振动片的*大应力S作为输出，即实现了输人到输出的映射：S其中：net为新建立的网络；minmax（X）为输人向量X的取值区间，10和1分别为**和第二层网络层神经兀的数目；*logsigtansig*则分别为网络层的传输函数；trainscg为训练函数。本文中网络的学习首先取用仿真获得的64组数据中的60组，尽量包括输人向量的各种模式。
2.2网络结构的确定通过改变网络的各网络层神经元的数目、传输函数、训练函数实现对网络性能的调节。但是这些参数的设置并没有一定的准则，只能依靠经验设置。
一般说来，隐结点数越多，训练误差越小，但泛化误差越大。训练误差即逼近误差就是网络对训练样本的输出误差平方和，泛化误差是网络对测试样本的输出误差平方和。
传输函数采用S函数，才能实现从iT空间到空间的任意非线性映射。MATLAB神经网络工具箱中的S函数有对数S形传输函数（logsig）和双曲正切S形传输函数（tansig）。
标准BP算法收敛太慢，因此出现了很多的改进算法，到底采用哪种训练方法*好，需要综合各方面的因素和试验经验。本文用到的训练函数trainscg采用的是变梯度（SCG）算法。SCG算法应用于函数逼近问题时，收敛速度很快，特别是对于一些规模大的网络。
此外，还需设定一些其他的参数：修正权值的学习速率lr，期望误差*小值err-goal，*大循环次数maxepoch，显7K间隔次数show.其中，学习率较小时，误差稳步收敛，过大时误差在开始时急剧下降，但后期收敛较慢。因此一般选择较小的学习率。其他参数可接受默认值也可根据实际需要更改。
2.3测评结果分析把剩余4组仿真样本作为测试样本集对训练好的网络做仿真测试。
真输出，nei为训练好的网络，tl为测试样本输出。误差性能函数采用平方和误差性能函数sse，测评计算网络的泛化误差的平方和误差0.003 2.测评结果比较好，网络基本上能够满足函数逼近的要求。
3基于遗传算法的参数优化3.1遗传算法第1步，随机产生初始种群，每个个体表示为染色体的基因编码；第2步，计算个体的适应度，判断是否符合优化准则，若符合，输出*佳个体及*优解，结束计算；否则，到第3步；第3步，根据适应度选择再生个体，适应度高的个体被选择的概率高；第4步，按照一定的交叉概率和交叉方法生成新个体；第5步，按照一定的变异概率和变异方法生成新个体；第6步，交叉和变异产生新个体，返回第2步。
其中，选择、交叉和变异构成了遗传算法的遗传操作。
3.2用遗传算法进行优化）由目标函数（objectivefunction）和约束条件（constraints）两部分构成。本文中待优化目标函数和约束条件分别是：优化参数的变化范围。
参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定5个要素是遗传算法的核心内容。
参数编码方式有二进制编码和浮点数编码。本文选择浮点数编码。
上下界的矩6阵；fimessmh为适应度函数。
因为遗传算法在进化搜索中基本不利用外部信息，仅以适应度函数为依据，利用种群中每个个体的适应度值进行搜索。而适应度函数是由目标函数变换而成的。本文的目标函数就是由神经网络建立起来的网络net，所以适应度函数也是由它转化的。适应度计算函数为：通过神经网络的仿真函数sim调用已建立的网络net，计算个体sol的适应度值eval.利用遗传算法进行优化的过程中，群体适应度越来越高，*终达到收敛，则为求*大问题。对于本文来说，目标函数为*小问题，所以首先需要在程序中将适应度函数转换为*大值问题，但又同时考虑个体的适应值非负的特性，本文采用界限构造法。
由仿真结果知应力的*大值不超过1，则适应度函数变换为3.3优化结果把参数设定好后，运行遗传算法主程序。适应度函数定义中，设置输出soil对应*优个体及其适应度值。本文运算采用主频2.4G，内存1G的电脑，数即在偏移量为8.2803mm，杆长为356.2008mm，刚接区为32.3236mm时，振动片的*大应力*小为：再用神经网络进行测试和动力学仿真，得到的应力值也是相同的。与表1中64组数据相比，该应力值*小，则相应的参数值也就是*优的参数。
4结论对于如烟支切割机构支撑装置这类复杂结构的优化问题，由于参数与目标值间存在着非线性映射关系，所以无法直接用传统的方法进行优化。
本文将神经网络和遗传算法有机结合完成了支撑装置的优化工作，得到以下结论：通过BP神经网络建立的支撑装置的数学模型，能够较好的实现从结构参数到振动片的非线性映射。
遗传算法完成了参数优化工作，对所得*优参数进行动力学仿真，仿真结果与优化结果相符。优化得到振动片的应力场中*大应力值比原样本集中*小样本值小，仅为其1/5.由于神经网络模型的准确程度与输人的训练样本数量有着密切关系，因此，适当增加训练样本，所得到的结果也会更好。
