一种运用多目标遗传算法优化卸胎机法兰盘结构的方法

1.本发明涉及卸胎机法兰盘结构优化领域，尤其涉及一种运用多目标遗传算法优化卸胎机法兰盘结构的方法。


背景技术：

2.随着我国大型矿用机械的迅速发展，大型矿用机械轮胎的产量也不断提高。本发明涉及的卸胎机是一种专门用于特定矿用轮胎的机械装置，卸载运输对象重达6吨。在轮胎生产过程中，需用卸胎机将轮胎夹紧，并进行90
°
的翻转。在翻转过程中，因轮胎巨大的重量引起的巨大惯性力与碰撞，都会导致系统产生强烈振动，法兰盘作为卸胎机上的连接件，负责连接驱动装置与整个卸胎装置。除了承受驱动装置带来的翻转扭矩与卸胎系统的重量外，还需承受卸胎机与轮胎接触与翻转过程中所产生的随机载荷，整体受力情况较为复杂。不合理的法兰结构设计往往使法兰的受力不合理，降低其使用寿命，因此合理的结构设计对于充分发挥法兰材料的力学性能，提高其疲劳强度十分重要。


技术实现要素：

3.为克服现有技术中的不足，本发明的目的在于提供一种运用多目标遗传算法优化卸胎机法兰盘结构的方法，使法兰盘的结构受力更为合理，寿命使用年限更长，同时得出最优的法兰盘结构。
4.为实现上述目的，本发明采用以下技术方案：
5.一种运用多目标遗传算法优化卸胎机法兰盘结构的方法，其特征在于：其包括以下步骤：
6.1)建立整体卸胎机的虚拟样机，根据实际工况进行仿真，获得定环回转处连接法兰盘的载荷时间历程；
7.2)建立法兰盘的三维模型，将法兰盘的三维模型导入ansys，设置法兰盘材料参数根据不同工况分别对三维模型施加单位载荷，获得不同工况单位载荷下的应力结果，根据不同工况下的应力云图结合各方向的动载荷谱，运用准静态法将力载荷谱转换成应力历程谱；运用ansys ncode疲劳分析软件结合应力历程数据预测法兰盘的使用寿命；
8.3)改变法兰盘的尺寸，在不同尺寸下对法兰盘寿命进行仿真预测；
9.4)将上述仿真预测的法兰盘寿命结构与各尺寸参数作为bp神经网络的训练与测试数据，运用matlab构建bp神经网络寿命预测模型；
10.5)在完成优化的神经网络的基础上，使用多目标遗传算法对法兰盘的结构参数进行优化，将尺寸参数作为个体，神经网络对不同尺寸下预测的法兰盘寿命与质量作为目标函数，使得法兰盘在最优参数下寿命最长，质量最小；
11.6)运用ansys中的直接优化法进行多目标优化，得到最优尺寸，得出法兰最优结构，建立法兰盘最优结构的三维模型。
12.进一步的，步骤4)中，以权值与阈值作为个体，预测值与仿真值的误差平方和的倒
数作为适应度函数，个体的适应度越大，个体值越优，以使适应度最大的个体为最优个体对神经网络的权值与阈值进行优化，以提高神经网络预测的准确度。
13.本发明采用以上技术方案，具有以下有益技术效果：
14.本发明运用智能算法、screening法对连接法兰盘进行了结构优化，优化方法简单可靠。优化后的法兰盘的结构比原有的法兰结构质量更轻，在复杂载荷下受力更为合理，疲劳强度较之前也有较高的提升，填补了目前巨型卸胎机法兰研究的空白。
附图说明
15.以下结合附图和具体实施方式对本发明做进一步详细说明；
16.图1为卸胎机虚拟样机的示意图；
17.图2为卸胎机法兰盘连接处三向力与合力曲线的示意图；
18.图3为卸胎机法兰连接处三向力矩与合力矩曲线的示意图；
19.图4为法兰盘三维模型的示意图；
20.图5为法兰盘载荷施加位置的意图；
21.图6为x方向单位力载荷下应力云图；
22.图7为y方向单位力矩载荷下应力云图；
23.图8为不同方向力工况下最大节点的应力历程图；
24.图9为不同方向弯矩工况下最大节点的应力历程图；
25.图10为法兰盘寿命云图；
26.图11为不同参数组合下的法兰盘寿命示意图；
27.图12为不同参数组合下的法兰盘质量示意图；
28.图13为各参数敏感系数柱状图；
29.图14为各参数对目标值的权衡示意图；
30.图15为适应度值随代数变化曲线图；
31.图16为误差平方和变化曲线图；
32.图17为神经网络训练数据拟合度示意图；
33.图18为寿命预测拟合曲线示意图；
34.图19为法兰盘质量预测拟合图；
35.图20为第一前端个体分布图；
36.图21为最优法兰盘结构的示意图。
具体实施方式
37.卸胎机是一种专门用于特定矿用轮胎的机械装置，卸载运输对象重达6吨。在轮胎生产过程中，需用卸胎机将轮胎夹紧，并进行90
°
的翻转。在翻转过程中，因轮胎巨大的重量引起的巨大惯性力与碰撞，都会导致系统产生强烈振动，法兰盘作为卸胎机上的连接件，负责连接驱动装置与整个卸胎装置。除了承受驱动装置带来的翻转扭矩与卸胎系统的重量外，还需承受卸胎机与轮胎接触与翻转过程中所产生的随机载荷，整体受力情况较为复杂。不合理的法兰结构设计往往使法兰的受力不合理，降低其使用寿命，因此合理的结构设计对于充分发挥法兰材料的力学性能，提高其疲劳强度十分重要。
38.本发明一种运用多目标遗传算法优化卸胎机法兰盘结构的方法，包括以下步骤：
39.第一步，建立整体卸胎机的虚拟样机，虚拟样机如图1所示。根据实际工况进行仿真，获得定环回转处连接法兰盘的载荷时间历程，其中定环回转处的三向力，与三向力矩如图2、图3所示。
40.第二步，根据法兰盘尺寸建立法兰盘三维模型，三维模型如图4所示。
41.将法兰盘的三维模型导入ansys，设置法兰盘材料参数，材料为普通碳素结构钢，根据工况分别对三维模型施加单位载荷，因为x方向力矩较小，对法兰盘的寿命影响可忽略不计，共五个工况，分别为三方向的力，与两方向力矩，加载位置如下图5所示。
42.获得不同工况单位载荷下的应力结果，部分结果如下图6-7所示。
43.根据不同工况下的应力云图结合各方向的动载荷谱，运用准静态法将力载荷谱转换成应力历程谱，如图8-9所示。
44.运用ansys ncode疲劳分析软件结合应力历程数据对法兰寿命进行预测，设置存活率为90％，寿命云图如图10所示。根据云图，总循环次数为30830次，换算为时长为17h。
45.第三步，改变法兰盘的尺寸，在不同尺寸下对法兰盘寿命进行仿真预测。
46.法兰盘尺寸参数范围如下表1所示。
47.表1法兰盘尺寸选取范围
[0048][0049]
对不同尺寸参数下的法兰盘进行仿真，预测各参数组合下的法兰盘寿命。共190组，各参数组合下的法兰盘寿命与质量如图11、12所示。
[0050]
各参数对法兰盘寿命与质量影响的大小如图13-14所示。
[0051]
从敏感系数柱状图可以看出，其中，锥颈厚度对寿命与影响较大，其次为法兰盘厚度，法兰盘大端高度对寿命可忽略不计。法兰盘厚度对法兰盘质量影响最大，锥颈厚度与高度，大端高度对质量的影响逐次减小。根据仿真结果，受力部位主要为锥颈部位，承受拉压剪应力最大，其材料厚度直接影响法兰盘寿命，可见仿真结果较为合理。
[0052]
第四步，将上述仿真预测的法兰盘寿命结构与各尺寸参数作为bp神经网络的训练与测试数据，运用matlab构建bp神经网络寿命预测模型。bp神经网络的初始阈值与权值一般是随机分配的，初始权值与阈值决定了神经网络预测的精确度。本发明结合遗传算法与bp神经网络两种智能算法，运用遗传算法的寻优能力，以权值与阈值作为个体，预测值与仿真值的误差平方和的倒数作为适应度函数，个体的适应度越大，个体值越优，以使适应度最大的个体为最优个体对神经网络的权值与阈值进行优化，以提高神经网络预测的准确度。种群规模设置为200，遗传迭代次数设置为100代，遗传算法适应度变化如图15所示，预测值与仿真值的误差平方和随代数变化曲线如图16所示。
[0053]
将寻优得到的最优阈值与权值作为神经网络的初始神经网络参数。将190组仿真
数据分为两组，170组作为神经网络的训练数据，四个尺寸参数作为输入数据，寿命与质量为输出数据，采用三层bp神经网络，隐含层节点数设置为9，训练迭代3000次，学习速率设置为0.001，采用梯度下降法进行网络训练。训练数据拟合度如图17所示，拟合度r＝0.98477，最后20组作为测试样本。最后完成神经网络的构建，测试样本预测结果如图18、19所示。
[0054]
第五步，在完成上述优化的神经网络的基础上，使用多目标遗传算法对法兰盘的结构参数进行优化，将尺寸参数作为个体，神经网络对不同尺寸下预测的法兰盘寿命与质量作为目标函数，使得法兰盘在最优参数下寿命最长，质量最小。设置种群数量为300，进化代数为200，停止代数为200，最优前端系数为0.02，预测结果如图20所示。
[0055]
将寿命最大的前三个解列于下表2。
[0056]
表2多目标遗传算法最优前端点
[0057][0058]
第六步，运用ansys中的直接优化法进行多目标优化，对仿真的190组数据进行最优参数选点，结果如下表3所示。
[0059]
表3screening法最优参数选点
[0060][0061]
对比两种方法结果，最优尺寸参数较接近，可见本发明的优化方法具有一定的合理性。
[0062]
对比两种结果，对尺寸值取整，最优尺寸如表4所示。
[0063]
表4最优尺寸
[0064][0065]
根据最优尺寸，得出法兰最优结构，建立法兰盘三维模型，最优法兰盘结构如图21所示。
[0066]
上面结合附图对本发明的实施加以描述，但是本发明不局限于上述的具体实施方式，上述的具体实施方式是示意性而不是加以局限本发明，本领域的普通技术人员应当理
解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。