張洋梅

(福州大學(xué) 機械工程及自動化學(xué)院，福建 福州 350108)

基于應(yīng)力普查的挖掘機斗桿結(jié)構(gòu)智能優(yōu)化應(yīng)力約束模型

張洋梅

(福州大學(xué) 機械工程及自動化學(xué)院，福建 福州 350108)

摘要：針對挖掘機斗桿結(jié)構(gòu)智能優(yōu)化過程中，采用ANSYS有限元軟件進(jìn)行應(yīng)力約束處理的效率低，結(jié)構(gòu)應(yīng)力等強度化控制難度大，未能最大限度的實現(xiàn)省材等問題，提出了一種基于應(yīng)力普查的挖掘機斗桿結(jié)構(gòu)智能優(yōu)化應(yīng)力約束模型。通過多工況斗桿結(jié)構(gòu)應(yīng)力普查法，確定可準(zhǔn)確表征斗桿結(jié)構(gòu)應(yīng)力分布狀況的應(yīng)力特征截面，建立斗桿特征截面神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測模型。以中小型挖掘機耳板分離式斗桿結(jié)構(gòu)為例，構(gòu)建基于應(yīng)力普查的斗桿應(yīng)力約束模型，實現(xiàn)斗桿結(jié)構(gòu)應(yīng)力約束，提高斗桿結(jié)構(gòu)優(yōu)化速率。

關(guān)鍵詞：智能優(yōu)化；應(yīng)力約束模型；應(yīng)力特征截面；應(yīng)力普查

Stress Constraint Model of Intelligent Structure Optimization of Excavator

Stick Based on Stress Survey

ZHANG Yangmei

(School of Mechanical Engineering and Automation, Fuzhou University, Fuzhou 350108, China)

Abstract:In allusion to the deficiencies existing in current stress constraint processed by ANSYS software for excavator stick structural intelligent optimization such as the inefficiency in handling the stress constraint, the difficulty in realizing the stress intensity control and maximum saving material on the stick, the stress constraint model for the stick structural intelligent optimization is put forward based on stress survey. The stress character sections represented the distribution of stress are determined by the stress survey, then, the stress prediction model of NN for stick is established. Excavator ear-plate stick is taken as an example to illustrate the establishment of the stress constraint model and demonstrate the model can be used to effectively achieve the stress constraint of the stick structure, thus, improving the rate of stick structural intelligent optimization.

Keywords:intelligent optimization; stress constraint model; stress character section; stress survey

0引言

挖掘機工作裝置主構(gòu)件結(jié)構(gòu)復(fù)雜，各主構(gòu)件結(jié)構(gòu)優(yōu)化約束多樣：有應(yīng)力約束、幾何形狀約束、運動干涉約束、穩(wěn)定性約束等，其中應(yīng)力約束是構(gòu)件結(jié)構(gòu)優(yōu)化的關(guān)鍵約束，主要用于保證結(jié)構(gòu)在各種作業(yè)下的強度要求?，F(xiàn)有的結(jié)構(gòu)優(yōu)化方法，大多是通過反復(fù)的調(diào)用有限元軟件進(jìn)行各構(gòu)件最大應(yīng)力值的計算，并限制和調(diào)整最大值應(yīng)力[1-4]。這種約束處理方法耗時長，難以進(jìn)行結(jié)構(gòu)應(yīng)力等強度化控制，無法最大限度地減小構(gòu)件耗材量。需研究一種斗桿結(jié)構(gòu)應(yīng)力約束表達(dá)新方法，采用多工況樣本應(yīng)力普查法，確定可表征斗桿結(jié)構(gòu)應(yīng)力分布狀況的應(yīng)力特征截面方案，建立斗桿結(jié)構(gòu)特征截面的神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測模型，實現(xiàn)復(fù)雜斗桿結(jié)構(gòu)應(yīng)力約束的快速有效處理，使之能在斗桿結(jié)構(gòu)智能優(yōu)化過程中，通過預(yù)測模型計算各特征截面的最大應(yīng)力值，限制、調(diào)整各特征截面應(yīng)力值，使斗桿結(jié)構(gòu)應(yīng)力實現(xiàn)等強度控制。

1斗桿結(jié)構(gòu)應(yīng)力約束模型的構(gòu)建方法

斗桿結(jié)構(gòu)應(yīng)力約束模型的有效性及其處理速率都直接影響斗桿結(jié)構(gòu)智能優(yōu)化的優(yōu)化效率。因此，從高效、精確的角度出發(fā)，采用綜合多工況斗桿樣本應(yīng)力普查法和神經(jīng)網(wǎng)絡(luò)映射功能[5-6]，構(gòu)建斗桿應(yīng)力約束模型。

構(gòu)建應(yīng)力約束模型的關(guān)鍵：應(yīng)力普查樣本是構(gòu)建應(yīng)力約束模型的基礎(chǔ)，采用拉丁超立方抽樣法對斗桿各結(jié)構(gòu)參數(shù)進(jìn)行均勻抽樣；確定斗桿應(yīng)力特征截面是構(gòu)建應(yīng)力約束模型的關(guān)鍵。通過動坐標(biāo)軸系應(yīng)力普查法確定特征截面確切位置，特征截面應(yīng)力預(yù)測模型是構(gòu)建應(yīng)力約束模型的重點，采用3層式BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練斗桿應(yīng)力預(yù)測模型。現(xiàn)以耳板分離式斗桿結(jié)構(gòu)為例(圖1)，說明基于應(yīng)力普查的斗桿結(jié)構(gòu)應(yīng)力約束模型的構(gòu)建方法。

圖1　耳板分離式斗桿結(jié)構(gòu)圖

2基于樣本應(yīng)力普查的斗桿應(yīng)力特征截面

選用合理的斗桿應(yīng)力普查樣本是進(jìn)行斗桿結(jié)構(gòu)應(yīng)力普查的首要任務(wù)。根據(jù)經(jīng)驗知識確定各斗桿結(jié)構(gòu)參數(shù)取值區(qū)間，通過拉丁超立方抽樣法對各結(jié)構(gòu)參數(shù)進(jìn)行均勻抽樣，生成斗桿樣本集。通過批量斗桿結(jié)構(gòu)參數(shù)化建模，篩除建模失敗或結(jié)構(gòu)畸形的斗桿樣本，得到177個幾何形狀合理的斗桿應(yīng)力普查樣本。

采用動坐標(biāo)系樣本應(yīng)力普查法對177個斗桿應(yīng)力普查樣本進(jìn)行多工況應(yīng)力普查，分析各結(jié)構(gòu)參數(shù)取值變化對4種典型挖掘工況下斗桿結(jié)構(gòu)應(yīng)力分布的影響。由圖1可知，結(jié)構(gòu)點A為動點，其位置依斗桿結(jié)構(gòu)幾何形狀而定。如圖2所示，以點A為坐標(biāo)原點，以點A與鉸孔Q圓心的連線為x軸，建立笛卡爾動坐標(biāo)軸系。從x負(fù)半軸的x1位置到正半軸的x2位置將斗桿結(jié)構(gòu)均勻分割成44個截面并進(jìn)行截面編號1～44。利用MFC類庫開發(fā)軟件和VC++6.0編程環(huán)境開發(fā)斗桿結(jié)構(gòu)應(yīng)力普查軟件，編寫APDL文件分析各斗桿應(yīng)力普查樣本在4種典型挖掘工況下的應(yīng)力分布狀況，提取各截面(1～44)的最大值應(yīng)力值(ms1～ms44)和應(yīng)力云圖，其部分斗桿應(yīng)力普查樣本的應(yīng)力云圖，如圖3所示。

圖2　動坐標(biāo)系斗桿應(yīng)力普查截面圖

圖3　斗桿結(jié)構(gòu)應(yīng)力云圖

分析提取得到的177個斗桿應(yīng)力普查樣本各應(yīng)力截面的應(yīng)力值和圖3所示的斗桿應(yīng)力云圖，總結(jié)斗桿結(jié)構(gòu)在4種典型挖掘工況下應(yīng)力較大值主要出現(xiàn)在以下幾個區(qū)域：

1)鉸孔E內(nèi)徑右側(cè)區(qū)域：截面2；

2)耳板E與彎板的鄰近位置：截面3；

3)耳板E與彎板的焊接區(qū)域：截面5，6；

4)耳板G與彎板的焊接區(qū)域：截面8；

5)鉸孔F的環(huán)形區(qū)域：截面12，13，14；

6) 鉸孔G內(nèi)徑區(qū)域：15；

7) 耳板G與上蓋板的焊接區(qū)域：17，18；

8) 斗桿結(jié)構(gòu)中部靠前的區(qū)域：截面35、36；

9)鉸孔N的左側(cè)區(qū)域：截面38；

10)鉸孔Q的左側(cè)區(qū)域：截面43。

根據(jù)上述分析得到的10個斗桿應(yīng)力較大值區(qū)域，確定斗桿結(jié)構(gòu)的10個應(yīng)力特征截面(S1～S10)，各特征截面的確切位置如圖4所示。

圖4　斗桿結(jié)構(gòu)應(yīng)力特征截面

3斗桿結(jié)構(gòu)應(yīng)力特征截面神經(jīng)網(wǎng)絡(luò)應(yīng)力值預(yù)測模型

利用BP神經(jīng)網(wǎng)絡(luò)模型的分類映射功能，實現(xiàn)斗桿結(jié)構(gòu)各特征截面的應(yīng)力預(yù)測。建立具有一個隱含層的三層式BP網(wǎng)絡(luò)模型，根據(jù)斗桿結(jié)構(gòu)參數(shù)對斗桿應(yīng)力的靈敏度分析結(jié)果確定模型的輸入變量有：D_E1、D_F1、D_G1、D_N1、D_Q1、D_F2、D_G2、DIS_SP、DIS_EG、THICK_TP、THICK_DP、THICK_SP、THICK_WP、THICK_E、THICK_G、ARC_E、ARC_G、D_RPF、ARC_RPF、THICK_SF、D_A、H_KF、H_AF、S_KE和S_AE，而輸出變量則選用10個神經(jīng)元分別映射斗桿結(jié)構(gòu)的10個特征截面的應(yīng)力值，即：S1～S10。

將斗桿應(yīng)力普查樣本作為特征截面應(yīng)力預(yù)測模型的訓(xùn)練樣本，以訓(xùn)練樣本結(jié)構(gòu)參數(shù)值作為應(yīng)力預(yù)測模型的輸入值。以上述提取得到的各樣本應(yīng)力特征截面的應(yīng)力值作為應(yīng)力預(yù)測模型各訓(xùn)練樣本對應(yīng)的輸出值。中間層神經(jīng)元激活函數(shù)采用對稱型Sigmoid函數(shù)，輸出層神經(jīng)元激活函數(shù)采用線性函數(shù)。中間層神經(jīng)元個數(shù)根據(jù)經(jīng)驗公式確定為14～20個，分別訓(xùn)練不同中間層神經(jīng)元個數(shù)的網(wǎng)絡(luò)模型，取誤差最小網(wǎng)絡(luò)模型作為斗桿應(yīng)力特征截面神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測模型，各工況的訓(xùn)練結(jié)果如表1所示。圖5給出了工況1網(wǎng)絡(luò)訓(xùn)練的誤差曲線，而其他3個工況的網(wǎng)絡(luò)訓(xùn)練誤差曲線類似。

表1　斗桿特征截面神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測模型訓(xùn)練結(jié)果

圖5　神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線(工況1)

4實例驗證與分析

斗桿結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測模型對各特征截面應(yīng)力最大值的預(yù)測精度是保證斗桿應(yīng)力約束模型有效性的關(guān)鍵，直接影響到斗桿結(jié)構(gòu)智能優(yōu)化效果。有必要對已建立的4種典型挖掘工況下斗桿特征截面應(yīng)力預(yù)測模型進(jìn)行準(zhǔn)確度驗證。

選用合理的斗桿樣本是進(jìn)行斗桿結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測模型準(zhǔn)確度測試的首要任務(wù)。采用拉丁超立方抽樣法對斗桿各結(jié)構(gòu)參數(shù)合理取值區(qū)間進(jìn)行均勻抽樣，生成斗桿神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測模型的測試樣本集，通過斗桿批量參數(shù)化建模，篩除建模失敗和結(jié)構(gòu)畸形的樣本，得到50個幾何形狀可行的斗桿測試樣本。

采用建立的斗桿特征截面應(yīng)力預(yù)測模型映射各斗桿測試樣本在4種典型挖掘工況下各應(yīng)力特征截面的最大應(yīng)力值(S1～S10)，利用ANSYS有限元分析軟件計算各斗桿測試樣本在4種工況下各應(yīng)力特征截面的最大應(yīng)力值(R1～R10)。計算不同工況下斗桿測試樣本各應(yīng)力特征截面最大應(yīng)力的預(yù)測值(S1～S10)與實際值之間的誤差；并對比50個斗桿測試樣本通過神經(jīng)網(wǎng)絡(luò)映射求得各應(yīng)力特征截面的最大應(yīng)力值所用的時間與采用ANSYS有限元分析軟件計算所耗費的時間。

以斗桿結(jié)構(gòu)在挖掘工況1下計算所得數(shù)據(jù)為例，說明斗桿特征截面應(yīng)力預(yù)測模型的高效性和準(zhǔn)確度，其特征截面應(yīng)力預(yù)測值的誤差曲線如圖6所示，而時間對比結(jié)果如表2所示。

圖6　斗桿結(jié)構(gòu)應(yīng)力預(yù)測模型的預(yù)測誤差曲線

方法時間/min網(wǎng)絡(luò)映射0.5ANSYS計算32

由表2可見，通過應(yīng)力預(yù)測模型計算斗桿特征截面的最大應(yīng)力值大約需要0.5min，而采用ANSYS軟件計算則需耗費大約32min的時間?？梢娫诙窏U結(jié)構(gòu)智能優(yōu)化中采用應(yīng)力預(yù)測模型求解斗桿應(yīng)力，可大大縮短約束處理時間。圖6給出了斗桿應(yīng)力預(yù)測模型對50個斗桿測試樣本

的各特征截面最大應(yīng)力的預(yù)測值與實際值之間的誤差曲線，其應(yīng)力預(yù)測值的誤差均集中在-15～15MPa之間。用于分析的斗桿材料為Q345，其許用應(yīng)力為246MPa，經(jīng)計算可得，其預(yù)測準(zhǔn)確度為93.9%，可準(zhǔn)確預(yù)測斗桿各特征截面的最大應(yīng)力值。綜上分析，采用基于應(yīng)力普查的斗桿特征截面預(yù)測模型處理斗桿智能優(yōu)化過程中的應(yīng)力約束，可大大提高結(jié)構(gòu)優(yōu)化效率。

5結(jié)論

文中所構(gòu)建的基于應(yīng)力普查的斗桿結(jié)構(gòu)應(yīng)力約束模型是通過建立斗桿結(jié)構(gòu)應(yīng)力特征截面神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測模型代替調(diào)用有限元軟件計算斗桿結(jié)構(gòu)應(yīng)力，實現(xiàn)復(fù)雜斗桿結(jié)構(gòu)智能優(yōu)化中斗桿結(jié)構(gòu)應(yīng)力約束的表達(dá)。以中小型挖掘機耳板分離式斗桿結(jié)構(gòu)為例的驗證表明：斗桿應(yīng)力預(yù)測模型的應(yīng)力計算速度與軟件計算相比約提高了64倍，應(yīng)力預(yù)測值的準(zhǔn)確度可達(dá)93.9%。因此，在斗桿結(jié)構(gòu)智能優(yōu)化中，基于應(yīng)力普查的斗桿結(jié)構(gòu)應(yīng)力約束模型可實現(xiàn)快速、準(zhǔn)確的斗桿特征截面最大應(yīng)力值的預(yù)測，通過各特征截面的應(yīng)力值約束及調(diào)整，實現(xiàn)斗桿結(jié)構(gòu)應(yīng)力等強度化控制，解決了復(fù)雜斗桿結(jié)構(gòu)應(yīng)力約束通過反復(fù)有限元軟件求解應(yīng)力耗時較長、無法實現(xiàn)斗桿結(jié)構(gòu)應(yīng)力等強度化控制等問題，可大幅度地提高斗桿結(jié)構(gòu)智能優(yōu)化速率。

參考文獻(xiàn):

[1] 劉剛強. 液壓挖掘機工作裝置特性分析與優(yōu)化設(shè)計[D]. 武漢: 華中科技大學(xué),2011.

[2] LuigiSolazzi. Design of boom and arm for an excavator[J]. Journal of Terramechanics. 2010, 47(7): 201-207.

[3] MehmetYener. Design of a computer interface for automatic finite element analysis of an excavator boom[J]. Middle East Technical University, TURKEY, 2005.

[4] 杜文靖. 液壓挖掘機工作裝置設(shè)計關(guān)鍵技術(shù)研究[D]. 吉林: 吉林大學(xué),2007.

[5] VincentA.Akpan,George D.Hassapis. Nonlinear model identification and adaptive model predictive control using neural networks [J]. ISA Transactions , 2011, 50(18):177-194.

[6] 周利輝, 成艾國. 基于BP神經(jīng)網(wǎng)絡(luò)的側(cè)碰多目標(biāo)優(yōu)化設(shè)計[J]. 中國機械工程, 2012, (23):2122-2127.

收稿日期：2014-01-21

中圖分類號：TH122

文獻(xiàn)標(biāo)志碼：B

文章編號：1671-5276(2015)04-0105-03

作者簡介：張洋梅(1989-)，女，福建莆田人，碩士研究生，研究方向為機械制造智能研究。