[关键词]龙门起重机；建模；神经网络
中图分类号：TP391文献标识码：A文章编号：1009-914X（2015）41-0100-02
一、引言
随着ANSYS等有限元分析软件的成熟和普及应用，利用ANSYS对龙门起重机结构进行强度和刚度校核，甚至完成简单优化分析已经越来越普遍。然而，随着有限元模型的越来越大，特别是有些模型中包含了板单元和实体单元，单次运算动辄需要几个小时，在优化过程中，ANSYS需要大量的反复多次运行计算来寻优，从时间成本上来考虑显然很不经济。因此，寻求一种方法建立能够快速响应设计参数与输出要求之间关系的数学模型，然后采用合适的优化方法对模型进行优化显得非常必要。试验证明，利用神经网络构建模型是一种有效可靠的方法。本文中将利用RBF径向基神经网络构建模型，从而代替传统的有限元模型，并可为后续优化奠定基础。
二、神经网络模型的特点
人工神经网络模型具有很强的非线性映射能力，非常适合描述及处理输入和输出之间不能通过显式函数表达式表达的系统，并且采用人工神经网络建立的模型从输入到输出的响应速度非常快[1]。利用神经网络构建的结构分析模型，可以非常快速、便捷地实现结构的各种特性重分析，为高速有效地获得优化目标做出显著贡献。
三、神经网络模型的实现
首先选取合适的网络模型，然后通过一系列样本对模型进行训练，最后通过测试样本对训练过的样本进行验证[2]。在本文中，通过ANSYS有限元分析软件完成龙门起重机的参数化建模并根据要求生成训练样本和测试样本，应用MATLAB软件中的RBF径向基神经网络工具箱完成所需建模任务。获得好的模型所需要的学习样本必须足够多且足够典型，在本研究中，将引用统计学里的正交设计思想来设计样本空间。
1.用多水平正交表设计神经网络样本
要构建准确的神经网络模型，其关键之处在于如何选择合适的样本供神经网络模型学习。当样本个数增加的时候，样本的排列组合数会急遽增加，此时不可能将所有的样本组合用于神经网络学习，这给神经网络的学习带来了极大的困难。因此，要建立准确有效的神经网络模型，选取一定量的均匀分布的样本组合非常重要。正交试验法提供了一种可行的样本选择方法，利用正交试验法选取样本，可以得到尽可能少的样本，并且这些样本分布均匀、全面[3]。
本文将以某公司的1600t龙门起重机为例，以龙门起重机的主梁截面参数为优化参数，见图1，在ANSYS中建立起重机的参数化有限元模型。
选取A2、B3、H8等3个主梁的输入截面参数，对3个输入参数各取了3个水平，用以生成训练样本，见表1。
利用正交表的性质生成训练样本组合，并通过ANSYS求解器求解，以得到在不同组合下的应力、静动态刚性及重量输出，得到的表2如下，用于模型训练。
2.选取MATLAB软件开展构建并对RBF神经网络进行训练
本文用函数建立RBF神经网络。输入矩阵为结构的截面参数，为矩阵。为了减少神经网络运算的复杂性，保证神经网络建立的准确性，对静变形、应力、质量和频率分别建立一个神经网络模型，输出矩阵皆为矩阵，取值分别为通过ANSYS计算出的结构的静变形、应力、质量和第一阶频率。并通过与由ANSYS得到的样本数据进行比对来调整神经网络的值，如下为在Matlab中建立以重量为目标的RBF神经网络模型过程：
同理，可以用类似方法分别建立频率、应力和静变形的神经网络模型，分别如下：
，频率的神经网络模型；
，应力的神经网络模型；
，静变形的神经网络模型；
为能够对网络仿真效果所具有的准确性进行验证，构建了2个对应的测试样本，依次采用训练过的RBF网络以及ANSYS开展计算。通过从两种不同模型中获得的结果开展对比，能够得到关于神经网络的逼近能力的评述。
测试样本和相应的测试结果如表3-表7所示。
从测试结果来看，质量建立的神经网络的网络仿真效果最好，静变形、应力建立的模型效果次之，频率建立的神经网络的仿真效果不是很好。这是由于质量并不依赖于ANSYS的网格划分，可以认为得到的重量是准确无误的，而其余三个的计算与ANSYS的网格密度有关，误差必然存在。从以上测试样本各个数据的对比来看，径向基函数神经网络具有较为良好的仿真效果，可以认为构建的较为成功。
三、结论
神经网络模型的求解非常迅速，已经在本试验中得到了验证。由其建立的模型，后续可以通过遗传算法等优化设计方法来进行优化。模型的精度与训练样本群的数量及神经网络模型函数的分布系数有关，只要有足够多的训练样本群，并通过调整值，完全可以得到足够精度的神经网络模型。
参考文献
[1]王学武，谭得健，神经网络的应用与发展趋势.计算机工程与应用，2003，39（3）：98～100.
随着社会工业化速度的不断加速，能源的竞争愈来愈激烈。生物质能源作为一种可再生的清洁能源被广泛认可，生物气化技术就是利用生物质能的一种有效手段，对经济的发展和环境的保护都起到积极作用。但是，生物气化技术是一种热化学处理技术，其工作过程十分复杂，包含着大量的不确定因素，这就需要运用生物质气化炉的智能控制系统来达到预期的控制效果。新形势下，积极运用模糊神经网络对生物质气化炉进行智能控制，是实现可靠控制效果的重要举措。
【关键词】模糊神经网络生物质气化炉智能控制
生物质气化过程是一项复杂化学反应过程，具有非线性、不稳定性、负荷干扰等特性，只有实行智能控制才能受到良好的控制效果。模糊神经网络作为智能研究比较活跃的领域，有效融合了神经网络和模糊理论的优点，能够有效的解决生物质气化过程中的非线性、模糊性等问题，既保证控制的精确度，又能进行快速地升降温。本文通过对模糊神经网络的内涵特征进行全面分析，阐述了基于模糊神经网络的生物质气化炉的智能控制，并通过仿真实验进行反复验证。
1模糊神经网络的内涵功能
简而言之模糊神经网络就是具有模糊权值和输入信号的神经网络。模糊神经网络是自动化控制领域内一门新兴技术，其本质上是将常规的神经网络输入模糊信号，因而模糊神经网络具备了模糊系统和神经网络的优势，集逻辑推理、语言计算等能力于一身，具有学习、联想、模糊信息处理等功能。模糊神经网络是智能控制和自动化不断发展的产物，在充分利用神经网络的并行处理能力的基础上，大大提高了模糊系统的推理能力。
模糊神经网络是科技发展的产物，有效吸收了神经网络系统和模糊系统的优点，在智能控制和自动化发展等方面有着重要的作用，能够有效地处理非线性、模糊性等诸多问题，在处理智能信息方面能够发挥巨大潜力。模糊神经网络形式多种多样，主要包括逻辑模糊神经网络、算术模糊神经网络、混合模糊神经网络等多种类型，被广泛的运用于模糊回归、模糊控制器、模糊谱系分析、整理逼近器等方面的研究中，随着智能控制和自动化领域的不断发展，模糊神经网络广泛应用于智能控制领域。
2基于模糊神经网络的生物质气化炉的智能控制系统
2.1温度智能控制系统
生物质热值、给料理以及一次风量等因素变化能够影响到生物质气化炉的炉温，但是最重要的影响因素是在气化炉工作过程中物料物理和化学反应的放热和吸热。由于生物质气化工作过程中的生物质热值的变化范围较小，在实际运行中很难测量与控制，有时可以忽略不计，同时，该工作过程中存在非线性和大滞后等问题，采用传统的数学模型达不到预期测量效果，因此需要利用模糊神经网络设计气化炉炉温控制系统，不断的提高温度的控制效果。模糊神经网络首先根据当前温度以及设定温度设，主控制器对最优的生物质物料添加量进行预测，然后由副控制根据该添加量，全面跟踪控制送料速度，从而能够进行精确上料和控制炉温。模糊神经网络系统十分庞大复，其中包含了大量错综复杂的神经元，蕴含对非线性的可微分函数训练权值的基本理念。模糊神经网络具有正向传递和反向传播两个不同的功能，在信息的正向传递中，采用逐步运算的方式对输入的数据信息进行处理，信息依次进入输入层、隐含层最终到达输出层。假如在输出层获得的输出信息没达到预期效果时，就会在计算输出层的偏差变化值后通过网络将偏差信号按原路反向传回，与此同时各层神经元的权值也会随之进行改变，直到符合预期的控制效果。
2.2含氧量智能控制系统
在生物质气化工作过程中，可燃气体的含氧量是衡量其生产质量的重要依据，能够严重影响气化产物的安全使用，因此，通过模糊神经网络实现生物质气化炉含氧量的智能控制十分重要。其含氧量智能控制系统的目的是为了合理控制可燃气体的含氧量，从而稳定气化炉的温度。但是，一次风进风量是影响可燃气体的含氧量的重要因素，所以可以把控制一次风量作为主要调节手段，有效地解决含氧量控制和炉温控制之间的矛盾，在控制炉温的前提条件下，最大程度地降低可燃气体含氧量，进而有效控制气化产物含氧量的。生物质气化炉含氧量的智能控制系统是严格运用模糊神经网络控制原理，主控制器采用温度模糊免疫PID控制，根据炉内含氧量和温度的偏差进行推算，查找出鼓风机转速的最优状态，副控制则以此为根据，全面跟随与控制鼓风机的速度，确保鼓风机转速。生物质气化炉工作过程中的不同阶段和部件具有不同的控制要求，模糊神经网络就要充分发挥被控对象的优良性能，根据不同的控制要求，合理运用模糊神经网络控制原理对PID参数模型中的数据信息进行在线修改，从而达到预期的控制效果。
3基于模糊神经网络的生物质气化炉智能控制系统的仿真实验
为了验证运用模糊神经网络进行生物质气化炉的智能控制的真实效果，对生物质气化炉的温度智能控制系统进行仿真实验，并进行详细地分析。为了保证生物质气化炉能够在条件大体一致的状态下进行运行状况，仿真实验可以采用组合预测算法。首先要到某厂气化炉现场采集2000组干燥层温度数据，并且从中选取连续1500组作为仿真实验样本数据，然后对剩余500组实验样本数据进行研究，通过两组数据的分析建立预测模型。然后采用模糊神经网络对生物质气化炉的温度控制系统进行三次模拟化实验，三种不同情况下的仿真试验结果为：在无外界任何干扰的情况下，模糊神经网络控制无论在超调量还是其他方面，都比单纯的模糊控制效果好；在生物质给料量扰动的情况下，模糊神经网络控制要比单纯的模糊控制所受的影响要小很多；在发生一次风量搅动的情况下，模糊神经网络控制仍受到极小的影响。从三种不同情况下的仿真试验中可以看出基于模糊神经网络的生物质气化炉的炉温智能控制系统效果较好，具有极强的抗干扰性，能够有效地预测气化炉温度实时值，把平均误差控制在很小范围内，并且智能控制系统能实时跟踪实际温度的变化，根据实际温度的变化做出相应的变化，从而能够有效地控制气化炉温度和可燃气体含氧量。
4结束语
总之，基于模糊神经网络的生物质气化炉的智能控制系统具有较好的控制效果，有效的解决了生物质气化过程中的一系列问题，能够十分精确地控制生物质气化炉的炉温及可燃气体的含氧量，对于保证社会经济的稳定发展以及生态环境的改善发挥了重要作用。
参考文献
[1]王春华.基于模糊神经网络的生物质气化炉的智能控制[J].动力工程，2009（09）：828-830.
[2]王中贤.热管生物质气化炉的模拟与试验[J].江苏大学学报：自然科学版，2008，29（6）：512-515.
评价体系是指由领导部门、督导团、同事同仁、教师自身和学生等全方位各角度地来了解教师的工作绩效。通过这种绩效评价，被评教师可以从上级领导、督导团、自身和学生处获取多角度的反馈，从而更清楚地知道自己的不足、长处，从而为后期的发展及职业规划提供依据。事实证明，这种全方位的评价体系是全面而有效的。全方位高校教学质量综合评价体系包括授课评价体系和学习评价体系。授课评价体系中的评价对象是高校教师，评价主体有督导、同行、学生和教师本人。学习评价体系中，评价的对象是学生，评价主体有督导、教师、其他同学和学生本人。对于授课评价体系的指标有教师互评、教师自评、督导评教和学生评教等;对于学习评价体系的指标有同学互评、学生自评、督导评学和教师评学等。各指标相互联系、相互影响构成了全方位高校教学质量评价体系。
2神经网络用于教学质量评价体系的可行性
作为研究非线性拟合与分类的有力工具，神经网络在模式识别、自动控制、预测等方面已凸显了其优越性。神经网络针对已有的训练数据，通过不断的学习和训练，能从已有的大量复杂数据中挖掘出规律性的东西，从而达到探求未知的目的。它尤其能处理任意类型的数据，这是许多传统方法无法达到的，因而其准确度较高。同时，它还能处理多元输入，并兼顾各个输入对输出的影响。因此，将神经网络用于高校教学质量评价体系，不仅可以解决综合评价指标体系中的定性指标与定量指标的问题，也可解决传统评价体系的复杂建模问题，避免了人为的主顾随意度，保证了有效的评估结果。BP神经网络是通过反向传播误差来修正模型权值和阈值的一种应用较广泛的神经网络。将BP神经网络用于高校教学质量评估时，将全方位高校教学质量综合评价体系中的各个指标作为神经元输入，将评价的最终结果作为输出，从而建立评估模型。训练过程中，若输出的量值和预期的量值之间存在误差，且超出了规定的范围，则按照误差反向传递的方法调整各层之间的连接权值及隐层和输出层节点的阈值，直到系统误差控制在可接受的范围内，则训练停止。此时的权值和阈值将不再改变，所得的网络是经过自适应学习的正确表示，训练好的神经网络便可以作为一种定性与定量相结合的有效工具为训练数据以外的对象做出正确评价。
3教学质量评价指标体系的建立
本文根据全方位高校教学质量评价体系所包含的2个体系下的7个二级指标，将这7个指标分别当作7个二级系统，即教师互评系统、教师自评系统、督导评教系统、学生评教系统、教师评学系统、督导评学系统、学生自评系统。每个二级系统下又存在不同的评价指标。将这些评价指标作为二级系统的输入，二级系统的输出作为教学质量评价体系神经网络的输入，教学质量综合评价体系神经网络的输出则是高校教师教学质量评价的最终结果。
4BP神经网络模型的确定
首先对BP神经网络的输入数据(训练样本)进行归一化处理，这样做可有效避免隐层S函数的饱和区，同时能加快学习速度(Matlab中一般采用premnmx函数进行归一化处理)。输入层的神经元只具备数据传送的功能，一般采用线性函数作为传递函数，其学习过程中不会发生饱和现象。隐含层中的神经元一般采用饱和非线性的S函数。同时，鉴于神经网络训样本数据经过了归一化处理，则测试样本数据也需要采取相同的预处理，即采用tram-nmx函数进行数据的归一化，再用postmnmx函数对系统输出值进行反归一化处理。BP神经网络的输出层神经元数目是根据7个二级系统来确定的。本文输出选取层的神经元个数为1。隐含层数目为7，各二级系统的隐含层数目为其对应的二级指标数3，学习率取0．3，动量项系数为0．95，收敛误差界值设置为0．0001。使用了Matlab2012神经网络工具箱中的trainlm函数进行训练，通过Levenberg－Marquardt算法完成网络训练。网络的隐含层神经元传递函数为tansig函数，输出层神经元的传递函数为purelin函数。训练过程见图3。从神经网络的训练过程可以看出:使用BP网络进行建模时，训练少于200次即可实现较为完美的拟合效果。预测结果与专家评估结果的对比。
5结束语