基于應力普查的挖掘機斗桿結構智能優化應力約束模型

張洋梅

(福州大學 機械工程及自動化學院，福建 福州 350108)

基于應力普查的挖掘機斗桿結構智能優化應力約束模型

張洋梅

(福州大學 機械工程及自動化學院，福建 福州 350108)

摘要：針對挖掘機斗桿結構智能優化過程中，采用ANSYS有限元軟件進行應力約束處理的效率低，結構應力等強度化控制難度大，未能最大限度的實現省材等問題，提出了一種基于應力普查的挖掘機斗桿結構智能優化應力約束模型。通過多工況斗桿結構應力普查法，確定可準確表征斗桿結構應力分布狀況的應力特征截面，建立斗桿特征截面神經網絡應力預測模型。以中小型挖掘機耳板分離式斗桿結構為例，構建基于應力普查的斗桿應力約束模型，實現斗桿結構應力約束，提高斗桿結構優化速率。

關鍵詞：智能優化；應力約束模型；應力特征截面；應力普查

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件結構復雜，各主構件結構優化約束多樣：有應力約束、幾何形狀約束、運動干涉約束、穩定性約束等，其中應力約束是構件結構優化的關鍵約束，主要用于保證結構在各種作業下的強度要求。現有的結構優化方法，大多是通過反復的調用有限元軟件進行各構件最大應力值的計算，并限制和調整最大值應力[1-4]。這種約束處理方法耗時長，難以進行結構應力等強度化控制，無法最大限度地減小構件耗材量。需研究一種斗桿結構應力約束表達新方法，采用多工況樣本應力普查法，確定可表征斗桿結構應力分布狀況的應力特征截面方案，建立斗桿結構特征截面的神經網絡應力預測模型，實現復雜斗桿結構應力約束的快速有效處理，使之能在斗桿結構智能優化過程中，通過預測模型計算各特征截面的最大應力值，限制、調整各特征截面應力值，使斗桿結構應力實現等強度控制。

1斗桿結構應力約束模型的構建方法

斗桿結構應力約束模型的有效性及其處理速率都直接影響斗桿結構智能優化的優化效率。因此，從高效、精確的角度出發，采用綜合多工況斗桿樣本應力普查法和神經網絡映射功能[5-6]，構建斗桿應力約束模型。

構建應力約束模型的關鍵：應力普查樣本是構建應力約束模型的基礎，采用拉丁超立方抽樣法對斗桿各結構參數進行均勻抽樣；確定斗桿應力特征截面是構建應力約束模型的關鍵。通過動坐標軸系應力普查法確定特征截面確切位置，特征截面應力預測模型是構建應力約束模型的重點，采用3層式BP神經網絡訓練斗桿應力預測模型。現以耳板分離式斗桿結構為例(圖1)，說明基于應力普查的斗桿結構應力約束模型的構建方法。

圖1　耳板分離式斗桿結構圖

2基于樣本應力普查的斗桿應力特征截面

選用合理的斗桿應力普查樣本是進行斗桿結構應力普查的首要任務。根據經驗知識確定各斗桿結構參數取值區間，通過拉丁超立方抽樣法對各結構參數進行均勻抽樣，生成斗桿樣本集。通過批量斗桿結構參數化建模，篩除建模失敗或結構畸形的斗桿樣本，得到177個幾何形狀合理的斗桿應力普查樣本。

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

圖2　動坐標系斗桿應力普查截面圖

圖3　斗桿結構應力云圖

分析提取得到的177個斗桿應力普查樣本各應力截面的應力值和圖3所示的斗桿應力云圖，總結斗桿結構在4種典型挖掘工況下應力較大值主要出現在以下幾個區域：

1)鉸孔E內徑右側區域：截面2；

2)耳板E與彎板的鄰近位置：截面3；

3)耳板E與彎板的焊接區域：截面5，6；

4)耳板G與彎板的焊接區域：截面8；

5)鉸孔F的環形區域：截面12，13，14；

6) 鉸孔G內徑區域：15；

7) 耳板G與上蓋板的焊接區域：17，18；

8) 斗桿結構中部靠前的區域：截面35、36；

9)鉸孔N的左側區域：截面38；

10)鉸孔Q的左側區域：截面43。

根據上述分析得到的10個斗桿應力較大值區域，確定斗桿結構的10個應力特征截面(S1～S10)，各特征截面的確切位置如圖4所示。

圖4　斗桿結構應力特征截面

3斗桿結構應力特征截面神經網絡應力值預測模型

利用BP神經網絡模型的分類映射功能，實現斗桿結構各特征截面的應力預測。建立具有一個隱含層的三層式BP網絡模型，根據斗桿結構參數對斗桿應力的靈敏度分析結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個神經元分別映射斗桿結構的10個特征截面的應力值，即：S1～S10。

將斗桿應力普查樣本作為特征截面應力預測模型的訓練樣本，以訓練樣本結構參數值作為應力預測模型的輸入值。以上述提取得到的各樣本應力特征截面的應力值作為應力預測模型各訓練樣本對應的輸出值。中間層神經元激活函數采用對稱型Sigmoid函數，輸出層神經元激活函數采用線性函數。中間層神經元個數根據經驗公式確定為14～20個，分別訓練不同中間層神經元個數的網絡模型，取誤差最小網絡模型作為斗桿應力特征截面神經網絡應力預測模型，各工況的訓練結果如表1所示。圖5給出了工況1網絡訓練的誤差曲線，而其他3個工況的網絡訓練誤差曲線類似。

表1　斗桿特征截面神經網絡應力預測模型訓練結果

圖5　神經網絡訓練誤差曲線(工況1)

4實例驗證與分析

斗桿結構神經網絡應力預測模型對各特征截面應力最大值的預測精度是保證斗桿應力約束模型有效性的關鍵，直接影響到斗桿結構智能優化效果。有必要對已建立的4種典型挖掘工況下斗桿特征截面應力預測模型進行準確度驗證。

選用合理的斗桿樣本是進行斗桿結構神經網絡應力預測模型準確度測試的首要任務。采用拉丁超立方抽樣法對斗桿各結構參數合理取值區間進行均勻抽樣，生成斗桿神經網絡應力預測模型的測試樣本集，通過斗桿批量參數化建模，篩除建模失敗和結構畸形的樣本，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力預測模型映射各斗桿測試樣本在4種典型挖掘工況下各應力特征截面的最大應力值(S1～S10)，利用ANSYS有限元分析軟件計算各斗桿測試樣本在4種工況下各應力特征截面的最大應力值(R1～R10)。計算不同工況下斗桿測試樣本各應力特征截面最大應力的預測值(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網絡映射求得各應力特征截面的最大應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。

以斗桿結構在挖掘工況1下計算所得數據為例，說明斗桿特征截面應力預測模型的高效性和準確度，其特征截面應力預測值的誤差曲線如圖6所示，而時間對比結果如表2所示。

圖6　斗桿結構應力預測模型的預測誤差曲線

方法時間/min網絡映射0.5ANSYS計算32

由表2可見，通過應力預測模型計算斗桿特征截面的最大應力值大約需要0.5min，而采用ANSYS軟件計算則需耗費大約32min的時間。可見在斗桿結構智能優化中采用應力預測模型求解斗桿應力，可大大縮短約束處理時間。圖6給出了斗桿應力預測模型對50個斗桿測試樣本

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

5結論

文中所構建的基于應力普查的斗桿結構應力約束模型是通過建立斗桿結構應力特征截面神經網絡應力預測模型代替調用有限元軟件計算斗桿結構應力，實現復雜斗桿結構智能優化中斗桿結構應力約束的表達。以中小型挖掘機耳板分離式斗桿結構為例的驗證表明：斗桿應力預測模型的應力計算速度與軟件計算相比約提高了64倍，應力預測值的準確度可達93.9%。因此，在斗桿結構智能優化中，基于應力普查的斗桿結構應力約束模型可實現快速、準確的斗桿特征截面最大應力值的預測，通過各特征截面的應力值約束及調整，實現斗桿結構應力等強度化控制，解決了復雜斗桿結構應力約束通過反復有限元軟件求解應力耗時較長、無法實現斗桿結構應力等強度化控制等問題，可大幅度地提高斗桿結構智能優化速率。

參考文獻:

[1] 劉剛強. 液壓挖掘機工作裝置特性分析與優化設計[D]. 武漢: 華中科技大學,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計關鍵技術研究[D]. 吉林: 吉林大學,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神經網絡的側碰多目標優化設計[J]. 中國機械工程, 2012, (23):2122-2127.

收稿日期：2014-01-21

中圖分類號：TH122

文獻標志碼：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。