本文選題：液壓支架 + 疲勞壽命�。� 參考：《工礦自動化》2017年03期

【摘要】：針對常規(guī)的液壓支架壽命近似分析方法需對危險點進行循環(huán)加載和獲取,導(dǎo)致計算機負載增加的問題,提出了一種基于遺傳算法與BP神經(jīng)網(wǎng)絡(luò)的壽命估算模型。利用遺傳算法的全局搜索性優(yōu)化BP神經(jīng)網(wǎng)絡(luò),使其不易陷入局部最小點;利用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)建立危險點結(jié)構(gòu)參量到疲勞壽命的網(wǎng)絡(luò)映射模型。針對樣本容量和隱含層節(jié)點數(shù)進行了測試,測試結(jié)果表明,樣本容量為40、隱含層節(jié)點數(shù)為7時,模型估算精度較高;液壓支架平均壽命估算值為36 456次,與理論值的最大相對誤差為5.27%。
[Abstract]:In order to solve the problem that the conventional approximate analysis method of the life of hydraulic support needs to load and obtain the dangerous point in circulation, which leads to the increase of computer load, a life estimation model based on genetic algorithm and BP neural network is proposed. The global search of genetic algorithm is used to optimize BP neural network to make it difficult to fall into the local minimum point, and the optimized BP neural network is used to establish the network mapping model from the structural parameters of dangerous points to fatigue life. The test results show that the sample size is 40, the hidden layer node number is 7, the model estimation accuracy is high, the average life of hydraulic support is 36,456 times. The maximum relative error with the theoretical value is 5.27.
【作者單位】： 南京工業(yè)大學(xué)機械與動力工程學(xué)院;
【基金】：“十二五”國家科技支撐計劃項目(2013BAF02B11)
【分類號】：TD355.4

【參考文獻】

相關(guān)期刊論文 前10條

1 王京濤;陸金桂;趙東波;;液壓支架掩護梁結(jié)構(gòu)優(yōu)化及疲勞壽命預(yù)測[J];礦業(yè)研究與開發(fā);2016年09期

2 趙東波;陸金桂;姚靈靈;;液壓支架頂梁疲勞壽命的改進神經(jīng)網(wǎng)絡(luò)預(yù)測[J];礦業(yè)研究與開發(fā);2015年12期

3 孫權(quán);劉混舉;李博;;淺埋深工作面液壓支架疲勞壽命分析[J];機械工程與自動化;2015年05期

4 閆楚良;郝云霄;劉克格;;基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的材料疲勞壽命預(yù)測[J];吉林大學(xué)學(xué)報(工學(xué)版);2014年06期

5 武曉旭;龔孔成;賈明濤;;煤礦事故預(yù)測的指數(shù)平滑-BP神經(jīng)網(wǎng)絡(luò)混合模型研究[J];中國安全生產(chǎn)科學(xué)技術(shù);2014年09期

6 王國法;;工作面支護與液壓支架技術(shù)理論體系[J];煤炭學(xué)報;2014年08期

7 寧武龍;劉桓龍;彭衛(wèi)池;柯堅;于蘭英;;基于BP神經(jīng)網(wǎng)絡(luò)的軸承壽命預(yù)測程序設(shè)計[J];現(xiàn)代機械;2014年03期

8 王江榮;王s，

本文編號：1942845