徐京闊 李立濤 黃山田 劉順慶 秦立成 李新超 孫文明
(海洋石油工程股份有限公司,天津 300461)
大型起重機的吊載起重量和吊載的幅度的匹配是決定起重機最主要的性能的關鍵,扒桿的長度、寬度和吊高與跨距的關系確立后可更加充分并且合理的利用扒桿的性能。
起重機吊高與跨距的關系是一個相對的矛盾體,即當被吊載物體提升到一定的高度后,容易與吊臂的下弦桿產生干涉問題,所以既需要吊臂長一些且截面小一些,符合吊臂與被吊載物不產生干涉,又需要吊臂短一些且截面大一些,符合吊載重量較大的要求。因此,找到二者都滿足的平衡點比較困難。以往做法通常是設計好吊臂,通過作圖法測繪吊載物體在一定幅度和高度下是否與吊臂干涉,如果出現干涉,局部修改吊臂本身,計算吊臂的弦桿應力,循環反復。通過循環反復的試湊法讓其滿足吊載,整個過程十分繁瑣,每次排圖后需要計算吊臂的主弦桿應力,因此需要優化二者關系,以達到最好的匹配。
蟻群算法是一種用來尋找優化路徑的概率型算法,它由Marco Dorigo于1992年在他的博士論文中提出,其靈感來源于螞蟻在尋找食物過程中發現路徑的行為。蟻群算法在求解復雜優化問題方面具有一定的優勢,在一般函數優化問題中也證明有明顯的效果,對于函數不連續、不可微、局部極值點密集等情況,具有較好的優化能力。
粒子群優化算法是通過模擬鳥群覓食行為而發展起來的一種基于群體協作的隨機搜索算法,該算法由Kenndy和Eberhart于1995年提出。通常單個自然生物并不是智能的,但是整個生物群體卻表現出處理復雜問題的能力,群集智能就是這些團體行為在人工智能問題中的應用。微粒群優化最初是處理連續優化問題的,目前應用已擴展到組合優化問題。由于其簡單、有效的特點,已經得到了眾多學者的重視和研究。
粒子群算法雖然具備較快的全局搜索能力,但沒有較好地利用系統中的反饋信息,易形成冗余迭代,求解效率低;蟻群算法具有較好的全局收斂能力和并行性的優點,且易于與其他方法相結合,但算法初期信息素不足,易使算法的速度變慢。
為了更好的發揮上述兩種算法的優點,彌補各自的缺陷,形成優勢互補,首先利用粒子群算法快速的全局收斂對優化問題進行前期搜索,將得到各粒子的歷史最優位置值轉化為下步蟻群算法的信息素初始分布,再利用蟻群算法的并行性、正反饋性及求解效率高的特性,將上述最優位置值作為后期蟻群算法各個螞蟻的位置,同時將信息素初始分布重新設置。這樣融合后的改進算法,時間效率上優于粒子群算法,在求解效率上優于蟻群算法,形成了時間效率和求解效率都比較好的改進算法。
1)模型的建立。
吊高與跨距的關系如圖1所示。

2)算法流程。
采用基于粒子群算法改進的蟻群算法,其分析流程如圖2所示。
何良諸仿佛遭受重重一擊,癱仰在座椅上,渾身陰溲溲。趙集把他從井下瓦斯禁區背出來,送進小勺酒店,侍候他吃侍候他喝,養息好后,把他送回北大坎市。從此他柳暗花明,步步高升,一去不回頭。萬萬沒有想到,他們這樣重逢了!

3)設計變量。
根據數學模型,跨距a、吊高e、被吊載物的寬度d是定值,設定吊臂長度L、吊臂高度c和吊臂的仰角α為變量。
4)目標函數。
5)約束條件。
a.應力約束,要求各個桿件的應力均滿足條件;b.位移約束,要求跨距達到指定跨距;c.高度約束,要求吊高達到指定吊高。
6)初始目標值見表1。

表1 初始值表
首先研究臂長對吊臂的影響,根據分析結果顯示:臂長越長,應力越大,穩定性相應也越差,如圖3所示。
其次,研究臂架高度對吊臂的影響,根據分析結果顯示:臂架高度越高,應力越小,如圖4所示。

最后,看吊臂角度對吊臂的影響,根據分析結果顯示,吊臂角度越大,應力越小,如圖5所示。

上述曲線也驗證了優化的矛盾性,因此對數學模型進行計算優化,計算得到的結果如表2所示。

表2 計算得到的參數
根據半潛式起重鋪管船吊裝設計要求,選取如表3所示典型工況進行適應性校核。

表3 吊裝工況
通過表4計算結果可以看出,工況三時吊臂與吊載物之間的距離最小,約2.5 m,吊臂與水平面之間的夾角為65°,由于半潛船存在波浪補償的問題,因此還需要根據需要調整約束條件,即修改主要工況的3.6 m間隙,可調整其他各工況的間隙及角度。

表4 計算結果表
根據優化后的吊機扒桿尺寸,計算得到吊機的吊高與跨距關系曲線見圖6。經過優化,起吊時吊臂主弦桿正應力最小。

本文以起吊時吊臂主弦桿正應力最小為優化目標,采用基于粒子群算法改進的蟻群算法對吊機吊高與跨距進行了參數優化,表5為優化前后對比情況。

表5 優化前后對比
由表5可以看出,在保持主弦桿管徑660 mm不變的前提下,將吊臂長度、吊臂高度以及吊臂角度都所有提升,同時吊臂管壁厚度也縮減了5 mm,優化后的起重機的吊高與跨距參數能夠滿足吊裝作業工況的設計要求。