基于神經網絡的挖掘機斗桿結構應力約束模型

張洋梅，花海燕，沈振輝（.福建江夏學院，福州35008；.福建工程學院，福州35008）

基于神經網絡的挖掘機斗桿結構應力約束模型

張洋梅1，花海燕2，沈振輝1
（1.福建江夏學院，福州350108；2.福建工程學院，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，未能實現最大限度的省材等問題，提出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。本文，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

D01：10.19329/j.cnki.1673-2928.2016.04.013

0引言

挖掘機斗桿結構復雜，其結構優化約束繁多，主要有幾何形狀約束、結構強度約束、固有頻率約束、運動干涉約束、穩定性約束和可裝配性約束等。其中，斗桿結構應力約束是保證挖掘機斗桿結構強度要求的重要約束，建立合理的應力特征截面方案是構建斗桿結構應力約束模型的關鍵。當前挖掘機斗桿結構應力特征截面選取方法，大多都是選擇應力集中多發位置，如：各受力鉸孔周圍、各耳板焊接縫處、加強板焊縫處及各板件焊縫處等［1-5］。現有斗桿結構應力危險截面方案均是基于經驗所得，未經過充分的斗桿結構應力分析、總結與驗證。為了實現優化過程中斗桿結構應力的有效調整，有必要建立合理的斗桿結構應力特征截面方案，以有效表征綜合多工況斗桿結構應力分布狀況。為此，本文采用基于樣本應力普查的斗桿結構應力特征截面選取法［6-7］，確定斗桿結構應力特征截面的個數及其具體位置，以建立合理的斗桿結構應力特征截面方案，有效表征綜合多工況斗桿結構的應力分布狀況，并構建斗桿結構應力特征截面網絡應力預測束模型。

1斗桿結構應力特征截面方案的構建方法

合理的斗桿結構應力特征截面方案，不僅要有完整的應力特征截面個數，且各個應力特征截面應有確切的位置。為此，本文通過坐標原點為鉸接點的多工況樣本應力普查法，深入分析各斗桿結構參數取值變化對各工況斗桿結構應力分布狀況的影響，并明確斗桿結構在綜合多工況下的應力危險區域，以成功構建可有效表征綜合多工況斗桿結構應力分布狀況的應力特征截面方案。

挖掘機種類眾多，按斗容的大小可分為小型、中型和大型；按工作裝置類型可分為反鏟、正鏟、起重和抓斗。為滿足各種不同作業需求，同一種工作裝置的挖掘機斗桿結構也有多種基本結構類型，現對斗桿結構基本類型進行總結及分類，可歸納出圖1所示的斗桿結構基本類型分類網絡圖。

圖1　斗桿結構基本類型分類網絡圖

本文現以結構類型為普通型-整體式-整體無連接-油缸懸掛式-直型-耳板分離式的中小型反鏟挖掘機（標準斗容量≤1.4m3）斗桿結構為例（以下簡稱挖掘機斗桿，其結構圖，如圖2所示），探討綜合多工況挖掘機斗桿結構智能優化設計中應力約束模型的構建方法。通過坐標原點為鉸接點的多工況樣本應力普查法，構建基于樣本應力普查的斗桿結構應力特征截面方案。此斗桿結構應力特征截面方案具有一定的通用性，可適用于同結構類型、不同斗容大小的挖掘機斗桿結構。

選用合理的斗桿結構應力普查樣本集是確保樣本應力普查結果有效的關鍵，是構建合理斗桿結構應力特征截面方案的首要任務。利用斗桿結構方案詳細設計知識庫，確定該結構類型的挖掘機斗桿各結構參數取值區間，如表1所示。

圖2　耳板分離式中小型反鏟挖掘機斗桿結構圖

表1　耳板分離式中小型反鏟挖掘機斗桿結構參數取值區間　單位：mm

本文，采用拉丁超立方抽樣法［8］對表1中的28個斗桿結構參數取值區間進行均勻抽樣，通過斗桿結構參數化實體自動化建模，篩除建模失敗與結構畸形的斗桿結構參數樣本，得到177個幾何形狀合理的斗桿結構樣本，稱為斗桿結構應力普查樣本集。

1.1綜合多工況斗桿結構應力普查法

坐標原點為鉸接點的多工況斗桿結構應力普查法是以斗桿結構鉸孔圓心作為坐標原點，建立有限元應力計算坐標系，以計算不同工況下的斗桿結構應力。本文對圖2所示斗桿結構多工況應力普查分析，取斗桿結構鉸孔F的圓心作為有限元應力計算坐標系的原點，以鉸孔F圓心與鉸孔Q圓心的連線作為X軸，建立笛卡爾坐標系，稱之為坐標系F。從X負半軸的X1位置（即鉸孔E圓心在X軸上的投影點）到X正半軸的X2位置（即鉸孔Q的圓心）將斗桿結構均勻分割成50個截面，并對截面進行編號，即截面1～50，稱之為斗桿結構F坐標系應力普查方案，如圖3所示。

為確定斗桿結構在不同工況下的應力分布狀況，本文以GB9141-88中規定的4種挖掘工況和2種提升工況作為斗桿結構應力普查的6種典型工況。在這6種典型工況下，分別運用斗桿結構F坐標系應力普查方案對斗桿結構應力普查樣本集進行有限元應力分析計算，提取各斗桿結構應力普查樣本各應力截面最大應力，即：MaxStress1～MaxStress50，并保存樣本應力云圖，以確定此斗桿在6種典型工況下的結構應力分布特征。

圖3　F坐標系斗桿結構應力普查方案

為實現斗桿結構應力普查法通用性與高效性，本文運用MFC類庫和VC++6.0編程環境開發了斗桿結構動靜態特性分析軟件模塊（如圖4所示），以實現斗桿結構單個或批量自動化有限元應力分析，提取各工況下不同斗桿結構應力普查方案中的斗桿各截面最大應力值及應力云圖。為了便于對各斗桿結構樣本的應力數據及應力云圖進行查看與分析，開發了可視化界面（如圖5所示），通過軟件界面上的樣本列表（如t1.prt.1）、分析項目（如F坐標系應力普查［F］）及工況選擇框（如挖掘工況一）的配合使用，便可查看挖掘工況一下斗桿結構樣本t1.prt.1在斗桿結構應力普查方案一下各截面最大應力MaxStress1～MaxStress50。

圖4　斗桿結構動靜態性能分析軟件模塊

對上述分析得到的177個斗桿應力普查樣本在6種典型工況下各截面最大應力值MaxStress1～MaxStress50進行數據處理，分別提取各斗桿應力普查樣本在6種典型工況下的最大應力值DC1～DC4、LC1、LC2，并繪制出各工況下177個斗桿應力普查樣本的最大應力值曲線，如圖6所示。

在圖6中，紅色曲線DC1、黑色曲線DC2、綠色曲線DC3和藍色曲線DC4分別為斗桿結構應力普查樣本集在4種典型挖掘工況下的最大應力值曲線，其最大應力范圍為130～500Mpa。玫紅色曲線LC1和青綠色曲線LC2為斗桿結構應力普查樣本集在2種提升工況下的最大應力值曲線，其最大應力值范圍為 20～100Mpa。與許用應力［σ］≈246Mpa相比，提升工況下的結構最大應力均很安全，只需重點分析斗桿結構在4種典型挖掘工況下的應力分布狀況。重點分析挖掘工況下各斗桿應力普查樣本的前5大應力值所在截面和前15大應力值所在截面，并將這兩類截面的應力狀態稱為危險級別1和危險級別2。統計在挖掘工況一下各斗桿應力普查樣本的50個截面的應力狀態分別為危險級別1和危險級別2的次數，如圖7所示。同理，分別另3個挖掘工況下的統計結果，圖略。

圖5　可視化界面軟件模塊

由各挖掘工況統計結果可知，在4種典型挖掘工況下斗桿各截面的應力狀態屬于危險級別1或危險級別2的次數各不相同。其中，應力狀態為危險級別1的截面主要有1～14和39～42，應力狀態為危險級別2的截面主要有1～23、33～46和49。根據圖示中各挖掘工況下斗桿截面1～50的應力狀態分別為危險級別1和危險級別2的次數大小，對斗桿結構應力普查方案一的50個截面進行分類，即：應力危險截面1～5、9～12；待分析截面6～8、13～15、37～44、49；應力安全截面16、20～36、45～48，如表2所示。

由表2可知，在4種挖掘工況下各斗桿結構應力普查樣本的應力分布狀況相似，其應力危險區域為在以下幾個區域：

1） 鉸孔E附近區域：截面1、2，如圖8（a）中樣本t97應力云圖所示；

2） 耳板E與彎板的焊接區域：截面3、4、5，如圖8（b）中樣本t45應力云圖所示；

3） 鉸孔F的加強板左側區域：9，如圖8（b）中樣本t45應力云圖所示；

4） 鉸孔F的環形區域：截面10、11、12，如圖8（c）中樣本t55應力云圖所示；

5）耳板G與彎板的焊接區域：6、7、8，如圖8（d）中樣本t31應力云圖所示；

6）鉸孔G的左側區域：13、14、15，如圖8（d）中樣本t31應力云圖所示；

7）耳板G與上蓋板的焊接區域：17、18、19，如圖8（e）中樣本t3應力云圖所示；

8）斗桿結構中部靠前區域：截面37、38、39，如圖8（e）中樣本t3應力云圖所示；

9）鉸孔N的左側區域：截面43、44，如圖8（f）中樣本t157應力云圖所示；

10）鉸孔Q的左側區域：截面49，如圖8（f）中樣本t157應力云圖所示。

圖6　不同工況下斗桿應力普查樣本的最大應力值

圖7　斗桿各截面在挖掘工況一下出現危險的次數統計情況

表2　4種挖掘工況下斗桿截面1～50的應力狀態分類

分析上述總結的10個綜合多工況斗桿結構應力值較大區域，確定綜合多工況的斗桿結構應力特征截面方案，如圖9所示。

如圖9所示，斗桿結構應力特征截面方案中斗桿結構應力特征截面C1～C10的確切位置如下：

1）截面C1：與鉸孔E圓心并垂直于X軸；

2）截面C2：與結構點A相距1.3×DA處并與豎直線平行；

3）截面C3：耳板E與彎板上下焊接點的連線；

4）截面C4：過結構點K與X軸垂直且位置Y正半軸部分；

5）截面C5：鉸孔F內徑與鉸孔F加強板組成的扇形區域；

6）截面C6：與鉸孔G內孔左側相切并垂直于X軸，且位于Y正半軸部分；

7）截面C7：耳板G與上蓋板的焊接點及鉸孔F加強板與下蓋板焊接點的連線；

8）截面C8：距鉸孔Q圓心L_FQ并垂直于

X軸；

9）截面C9：與鉸孔N外徑左側相切并與豎直線平行；

10）截面C10：與鉸孔Q外徑左側相切并與豎直線平行。

圖8　斗桿結構應力普查樣本的應力云圖

圖9　斗桿結構應力特征截面方案

1.2斗桿結構應力特征截面方案驗證

采用拉丁超立方抽樣法對各斗桿結構參數取值區間（表1）進行均勻抽樣，通過斗桿結構參數化自動建模，篩除建模失敗和結構畸形的樣本，得到150個幾何形狀合理的斗桿結構樣本，稱之為斗桿結構應力特征截面方案的測試樣本集。分析挖掘機斗桿結構應力特征截面方案對4種典型挖掘工況下測試樣本集的應力表征效果，以驗證挖掘機斗桿結構應力特征截面方案的有效性。

利用斗桿結構動靜態性能分析軟件模塊（如圖4所示），對測試樣本集進行斗桿結構應力特征截面方案的多工況應力普查，提取各測試樣本在4種典型挖掘機工況下各應力特征截面的最大應力值及樣本應力云圖。通過可視化輸出界面（如圖5所示），查看各挖掘工況下斗桿結構應力特征截面方案中截面C1～C10最大應力值與樣本應力云圖所示最大應力值是否一致，并計算該方案對各挖掘工況下的斗桿結構測試樣本集應力表征效果，其結果如表3所示。

由表3可知斗桿結構應力特征截面方案對4種典型挖掘工況下斗桿結構測試樣本集的應力表征效果均為100%，該表征性能較好，可作為斗桿結構應力特征截面有效方案。

2基于神經網絡的斗桿結構性能約束模型

2.1斗桿結構應力約束模型的建立

在斗桿結構優化過程中，直接通過反復調用有限元軟件進行各工況斗桿結構應力約束處理方法耗時較長，無法充分發揮結構材料強度特性，難以實現結構最大限度的省材。有必要利用上述已建立的綜合多工況斗桿結構應力特征截面有效方案及神經網絡映射功能，構建斗桿應力特征截面的網絡應力預測模型，以實現應力約束的快速有效處理。本文以斗容大小為1.4m3的挖掘機斗桿結構為例，進行結構應力神經網絡預測模型訓練。

利用BP神經網絡模型的映射功能，分別訓練4種典型挖掘工況下的斗桿結構應力神經網絡預測模型，以實現各工況下斗桿結構應力特征截面C1～C10的應力值預測。建立三層式BP網絡模型，根據斗桿結構參數靈敏度知識，確定網絡模型的輸入層神經元有X1～X25，輸入變量X1～X25分別為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。輸出層神經元為Y1～Y10，輸出變量Y1～Y10的輸出值即為斗桿結構應力特征截面C1～C10最大應力預測值。

將斗桿結構應力普查樣本集作為斗桿結構應力特征截面神經網絡應力預測模型的訓練樣本集，以訓練樣本各結構參數值作為應力預測模型的輸入值，以在各個挖掘工況下訓練樣本應力特征截面C1～C1的最大應力值作為應力預測模型的輸出值。輸入層神經元激活函數為線性函數，隱含層神經元激活函數為對稱型Sigmoid函數，輸出層神經元激活函數為線性函數。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神經網絡應力預測模型，以取誤差最小的神經網絡模型作為斗桿應力特征截面應力值預測模型。4種典型挖掘工況下的斗桿結構應力特征截面神經網絡應力預測模型的訓練結果，如表4所示；4種典型挖掘工況下的斗桿結構應力特征截面神經網絡應力預測模型的訓練過程誤差曲線存在相似性，圖10中給出了挖掘工況一和挖掘工況二下的斗桿結構應力特征截面神經網絡應力預測模型的訓練過程誤差曲線。

圖10　挖掘工況斗桿特征截面應力預測模型訓練過程誤差曲線

表3　不同應力特征截面方案對各工況斗桿結構應力的表征效果

表4　斗桿特征截面神經網絡應力預測模型訓練結果

由表4所示數據可知，在4種典型挖掘工況下的斗桿結構應力特征截面神經網絡應力預測模型的訓練結果包括：最佳隱含層神經元個數、訓練循環次數、目標精度和總誤差。例如，在挖掘工況一下的斗桿結構應力特征截面神經網絡應力預測模型的最佳隱含層神經元個數為15，經過116545次的訓練，可達到給定的目標精度0.002，模型總誤差為1.0654。

2.2斗桿結構應力約束模型分析與驗證

現以挖掘工況一下的斗桿結構應力特征截面神經網絡應力預測模型為例，進行驗證分析，以說明已構建的斗桿結構應力特征截面神經網絡應力預測模型的有效性。通過拉丁超立方抽樣法及批量結構參數化自動建模，得到50個幾何形狀合理的斗桿結構參數樣本，稱之為神經網絡應力預測模型的測試樣本集。計算挖掘工況一下各測試樣本應力特征截面C1～C10的實際最大應力值與神經網絡模型的預測應力值之間的誤差，并繪制測試樣本關鍵應力特征截面C1～C5的應力誤差曲線，其誤差曲線如圖11所示。由圖示曲線可知，斗桿結構應力特征截面的神經網絡應力預測模型對關鍵應力特征截面C1～C5的應力預測誤差均在-20～20Mpa范圍之內。斗桿結構材料許用應力［σ］=246Mpa，經計算可知，其應力預測值的準確度約為91.9%，可滿足斗桿結構應力約束模型的精度要求，且模型預測誤差值在結構優化后處理階段可進行誤差修正。

3小結

本章采用坐標原點為鉸接點的多工況樣本應力普查法，深入分析了各結構參數對不同斗桿結構應力危險區域最大應力值大小與應力集中位置的影響；構建了挖掘機耳板分離式斗桿結構應力特征截面方案，其應力特征截面C1～C10對綜合多工況斗桿結構應力分布狀況的表征效果為100%。斗桿結構應力特征截面方案具有一定的通用性，可適用于不同斗容同結構類型的挖掘機斗桿結構。

通過靈敏度分析法，確定了不同斗桿結構參數對應力特征截面C1～C10最大應力值。利用三層式BP神經網絡模型的映射功能，構建了斗容大小為1.4m3的挖掘機耳板分離式斗桿結構在4種典型挖掘工況下的應力特征截面神經網絡應力預測模型，其模型預測精度分別為91.9%，可滿足斗桿結構智能優化過程中的結構應力約束模型精度要求。

圖11　斗桿應力特征截面C1～C5神經網絡應力預測模型的預測誤差曲線（挖掘工況一）

參考文獻：

［1］陳健，周鑫，劉欣，等.液壓挖掘機動臂結構的優化設計.工程機械，2008，7：19-22.

［2］Luigi Solazzi.Design of boom and arm for an excavator［J］. Journal of Terramechanics.2010，47：201-207.

［4］Bosnjak S M.Comments on“Design of aluminium boom and arm for an excavator”.Journal of Terramechanics，2011，48：459-462.

［5］Juan Maa，Wei Gaob，Peter Wriggers，Jianjun Chena，Shahab Sahraee.Structural dynamic optimal design based on dynamic reliability.Engineering Structures，2011，33：468-476.

［6］Haiyan HUA，Shuwen LIN，Zhenhui Shen.A New Method of the Constraints Expression and Handling for Excavator Boom Structural Optimization.Advanced Materials Research，2012，479-481：1851-1856.

［7］花海燕，林述溫.優化過程知識引導的挖掘機動臂結構優化設計新策略［J］.中國工程機械學報，2013，11（3）：228-233.

［8］鄧乾旺，文文.基于拉丁超立方抽樣的薄板裝配誤差分析［J］.中國機械工程，2012，4（8）：947-951.

（責任編輯：周小露）

中圖分類號：TH122

文獻標志碼：A

文章編號：1673-2928（2016）04-0037-08

收稿日期：2015-10-22

基金項目：2015年福建江夏學院青年科研人才培育基金項目，項目編號JXZ2015007；福建工程學院科研啟動基金項目，項目編號GY-Z14075。

作者簡介：張洋梅（1989-），女，漢族，福建仙游人，助教，碩士，研究方向：工程結構智能優化設計。

Stress Constraint Model based on Neural Networks for Excavator Stick Structural Intelligent Optimization

ZHANG Yangmei1，HUA Haiyan2，SHEN Zhenhui1
（1.FuJian JiangXia University，Fuzhou 350108，China；2.FuJian University of Technology，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 material economized of stick，the stress constraint model based on stress intensity for stick structural intelligent optimization is put forward.The stress character sections which can represent the distribution of stress were determined by stress investigation，then，establishing the neural network model of stress for stick.Excavator ear-plate stick is taken as an example to illustrate the establishment of the stress constraint model and demonstrate the constraint model can effectively achieve the stress constraint of stick structure，thus，improve the rate of stick structural intelligent optimization.

Key words:intelligent optimization；stress constraint model；stress character section；stress investigation