基于多目標遺傳算法的印制電子噴印機結構輕量化設計

顧春榮，劉德仿,，周臨震，王 斌，廖 萍

GU Chun-rong1,LIU De-fang1,2,ZHOU Lin-zhen2,WANG Bin2,LIAO Ping1

（1.南通大學 機械工程學院，南通 226019；2.鹽城工學院 機械工程學院，鹽城 224051）

0 引言

隨著科技的發展，印制電路板進入印制電子時代，其中印制電子噴印技術的應用尤為廣泛[1]。印制電子噴印機利用其運動系統與噴頭，在預先編制程序的控制下將導電性墨水噴到基材上從而形成線路，能像傳統打印機那樣大批量地印制電路板[2]。由于印制電子電路生產工藝的要求，對噴印機的重量提出了較為苛刻的要求。目前，國外印制電子噴印產品重量只有國內同類產品的60%左右。為了降低生產成本，提高產品競爭力，使噴印機具有較小重量的同時保證整機打印精度，已成為國內印制電子噴印產品設計的迫切需求。

噴印機噴頭與大理石平臺上基材間的相對位置變化是影響打印精度的主要因素，即噴印機的剛度決定著整機打印精度，對噴印機進行輕量化設計實際上是在減重過程中滿足其剛度要求的多目標優化設計問題。目前，對于多目標優化問題，多目標遺傳算法(Multi-objective Genetic Algorithm，MOGA)[3]能快速有效地獲得Pareto最優解集，如李楠[4]等利用多目標遺傳算法對水陸兩棲機器人結構參數進行優化，并通過樣機的各項性能試驗，驗證了多目標遺傳算法在機器人結構設計中的適用性。王平[5]等采用試驗設計方法結合多目標遺傳算法來進行車身結構優化，可以控制系統的不確定性因素，保證最終優化結果的可靠。

簡要介紹了多目標遺傳算法與響應面法，制定了噴印機結構輕量化設計路線，以噴印機重量和剛度為優化目標，利用多目標遺傳算法，基于ANSYS Workbench協同仿真平臺，通過調整和優化其結構參數，實現產品輕量化設計。

1 多目標優化算法

1.1 多目標優化問題

在實際工程優化設計過程中，優化問題往往涉及多個設計指標，即多目標優化問題。其中各優化目標之間常常是相互聯系、制約的，一個目標性能的提升往往會降低其他目標的性能，因此一般不存在一個最優解使所有指標達到最優，而是通過求解得到由多個最優解組成的集合，稱為Pareto最優解集(非劣解)。這些最優解之間對于優化指標而言是無法進行比較的，需要決策者根據設計要求和工程經驗，通過協調與折中處理，從中選出一個或多個解來當作問題的最優解[6]。

對于印制電子噴印機結構優化問題，在輕量化設計過程中需要滿足其剛度要求，但增強結構剛度和減輕結構重量這兩個目標之間相互沖突，因此噴印機的優化設計就是找出重量與剛度這兩個對立目標最佳平衡點的多目標優化問題。

1.2 多目標遺傳算法

多目標遺傳算法將生物進化理論應用在現代優化問題上，可以在一次的優化過程中，搜索到大量的多目標優化問題Pareto最優解，是一種高效并行且魯棒性好的全局優化方法。

圖1 多目標遺傳算法流程圖

多目標遺傳算法將優化問題可行域中的解看作種群中的個體，并編譯成編碼符號串，對種群中的個體進行選擇、交叉及變異操作，通過種群排序和擁擠距離計算，以適應度為依據，種群內的個體一代代進化，逐漸逼近最優解[7]。其基本優化流程如圖1所示。

2 響應面方法

響應面法(Response Surface Methodology,RSM)[8]對指定設計點集合進行試驗設計，通過構造顯式近似表達式將涉及設計變量的目標與約束隱式函數替代為顯示函數關系，從而得到響應面模型來預測非試驗點的響應值。本文選用準確性較高的完全二階多項式響應面模型，對于n個設計變量可表示為：

對于生成的響應面模型，采用擬合優度(Goodness of Fit)來評價其對試驗設計數據的擬合程度，通常用復相關系數R2表示，其數值在[0,1]變化，且越接近1，說明誤差越小，即響應面越準確。

3 輕量化設計

3.1 噴印機結構輕量化設計流程

基于多目標遺傳算法的印制電子噴印機結構輕量化設計思路如下：首先，根據噴印機結構，明確影響優化指標的關鍵因素，在NX 7.0平臺建立三維參數化模型，通過CAD與CAE軟件間的無縫連接接口，將參數化模型導入ANSYS Workbench并進行有限元分析，為后續的優化設計提供依據。然后選用中心復合試驗(Central Composite Designs,CCD)[9]來確定試驗點，并進行有限元分析計算，通過這些試驗點數據建立響應面模型。接著，運用轉移哈默斯利(Shifted Hammersley)序列抽樣技術抽取樣本點，當作多目標遺傳算法的初始種群。最后，通過多目標遺傳算法，得到輕量化設計的最優解。具體噴印機結構輕量化設計流程如圖2所示。

圖2 噴印機結構輕量化設計流程圖

3.2 噴印機結構有限元模型

通過建立噴印機結構的有限元模型并進行分析，可以得到其穩定性與剛度特性，明確結構的薄弱環節，為后續的輕量化設計提供依據。

1）三維參數化模型的建立

印制電子噴印機機械結構主要分為床身、工作臺及基座三部分，如圖3所示。噴印機共有三個方向運動：X向為含有噴頭的Z模組工作運動；Y向為放置基材的工作臺運動；Z向為噴頭上下運動，用于調整基材的厚度。

為提高分析效率、改善網格劃分質量，需要簡化或去除模型中對分析結果影響較小的零部件或細節特征（如工藝孔、倒角等）。

采用NX 7.0建立噴印機簡化后的三維參數化模型，完成后通過修改模型中的關鍵尺寸參數名稱(加前綴“DS_”)，將其導入ANSYS Workbench的Design Modeler模塊中，實現模型與設計變量的無縫連接。建好的三維參數化模型如圖4所示。

圖3 印制電子噴印機機械結構圖

圖4 簡化后的三維參數化模型

2）載荷與約束處理

運用Mechanical模塊進行噴印機機械結構的靜力學有限元分析。大理石平臺、龍門橫梁及兩個立柱采用濟南花崗石，墊板與基座采用結構鋼。零部件之間采用默認的綁定接觸方式。由于ANSYS Workbench有著強大的智能網格劃分功能，采用默認網格劃分，單元尺寸設置為30mm。整個結構依靠四個基座立柱的底面支撐，故對四個底面進行固定約束。該打印機的受力情況比較復雜，但對于整機剛度影響較大的是X模組與Y模組的負載，因此重點對龍門橫梁和大理石平臺進行受力分析，其中龍門橫梁承載的總重約為15Kg，在受力面加力F=150N(g=10N/Kg)，大理石平臺承載的床身的負荷約為50Kg，加力大小為F=500N(g=10N/Kg)，方向均為-Z。載荷與約束如圖5所示。

圖5 結構的載荷與約束

3）有限元分析結果

將結構的總變形設置為輸出結果，求解結果如圖6所示。從圖可知，最大變形為0.0028mm，出現在龍門橫梁中上部位置且呈現繞X軸的扭轉變形，大理石平臺中間部位向下變形，其余零部件的變形較小，故整個結構具有較大優化空間。

圖6 床身的變形云圖

3.3 噴印機多目標優化數學模型

以噴印機結構主要零部件尺寸及其之間的距離為設計變量(取值范圍在設計變量的10%左右)，提取的設計變量如表1所示。以降低噴印機重量和提高結構剛度為雙優化目標，其中提高結構的剛度即減小結構最大變形。

具體的噴印機多目標優化設計數學模型描述如下：

表1 床身關鍵結構設計參數（mm）

式中，y1(X)為噴印機結構重量，y2(X)為結構最大變形，X為決策向量，xL、xU分別為設計變量的下限值和上限值。

3.4 優化過程與分析

通過實驗設計DOE中的中心復合試驗設計生成151個試驗點及其有限元分析響應結果，再通過二次插值函數生成響應面與局部靈敏度模型。采用擬合度曲線來評價響應面擬合優度，如圖7所示，重量和最大變形樣本點均在對角線附近，表示響應面擬合優度較高。

圖7 擬合度曲線

生成的響應面與局部靈敏度模型如圖8、圖9所示。由圖8可知，大理石平臺X向長度P1與Y向長度P2對結構重量影響最大，這是因為大理石平臺的尺寸對噴印機結構的整體大小起決定性作用。

圖8 響應面

圖9 局部靈敏度

圖9靈敏度分析說明了對結構剛度影響較大的是大理石平臺Y向長度P2，龍門立柱Z向長度P6次之，另外，由于基座立柱采用空心結構，基座立柱邊長P8對結構剛度有負面影響。

利用多目標遺傳算法(MOGA)對目標函數優化求解，設定初始樣本數為100，最大迭代次數為20，收斂準則為70%，結構重量與最大變形的權重大小一致，經過計算得到Pareto最優解集[10]，如圖10所示。

表2 關鍵結構設計參數優化前后值(mm)

圖10 重量與最大變形最優解集

由圖可知，可行解位于坐標系原點附近，這符合優化目標最小化期望。從最優解集中選取效果較好的一組作為最優解，并以其為設計點驗證優化后的效果。優化前后與圓整后結果如表2、表3所示。

表3 優化前后結果對比

從表3可以看出，優化并經圓整后的結構重量為496.31Kg，比優化前降低了15.5%；而最大變形為0.002166mm，比優化前減小了23.3%，噴印機的結構性能得到較大提升，滿足了產品輕量化設計要求。

4 結論

基于協同仿真平臺ANSYS Workbench，以減輕印制電子噴印機重量和提高結構剛度為目標，采用多目標遺傳算法對噴印機的機械結構參數進行了優化設計，優化后的結構重量比優化前減小了23.3%，實現了噴印機的輕量化設計要求，為結構的優化設計提供了參考依據；

采用多目標遺傳算法，能夠實現全局搜索尋優，在可行域內快速準確地獲得噴印機結構輕量化設計問題的Pareto最優解集，提高了多目標優化設計效率。

[1]龔永林.印制電子綜述(2)[J].印制電路信息,2009(8):12-17.

[2]程偉.印制電子噴墨打印機力學性能分析與結構優化[D].上海:華東理工大學,2013:1-7.

[3]Fonseca C M,Fleming P J.Multi-objective Optimization and multiple constraint handling with Evolutionary algorithms-part I:A unified formulation[J].IEEE Transactions on Systems,Man,and Cybernetics,Part A:Systems and Humans,1998,28(1):26-37.

[4]李楠,王明輝,馬書根.基于多目標遺傳算法的水陸兩棲可變形機器人結構參數設計方法[J].機械工程學報,2012,48(17):11-20.

[5]王平,鄭松林,吳光強.基于協同優化和多目標遺傳算法的車身結構多學科優化設計[J].機械工程學報,2011,47(2):102-108.

[6]于海蓮,王永泉,陳花玲.響應面模型與多目標遺傳算法相結合的機床立柱參數優化[J].西安交通大學學報,2012,46(11):80-85.

[7]虞召源.高速精密自動光學檢測機的結構分析與優化[D].廣州:華南理工大學,2012:31-36.

[8]BEYENG D Y,KYUNG K C.A new response surface methodology for reliability-based design optimization[J].Computers &Structures,2004,82:241-256.

[9]Mehdi Asadollahzadeh,Hamed Tavakoli,Meisam Torab-Mostaedi,et al.Response surface methodology based on central composite design as a chemometric tool for optimization of dispersive-solidification liquid-liquid microextraction for speciation of inorganic arsenic in environmental water samples[J].Talanta,2014,123:25-31.

[10]Deb K.,Partap A.,Agarwals S.,et al.A fast and elitist multiobjective genetic algorithm:NSGA-Ⅱ[J].IEEE Transactions on Evolutionary Computation,2002,6(2):182-197.