关于ANSYS和神经网络液压挖掘机动臂轻量化设计方法研究.pdfVIP

第 1期 向琴 等：基于ANSYS和神经网络的液压挖掘机动臂轻量化设计方法研究 ·139 · 从表4、图3和图4中可以看出，在优化后大部 根据数学模型中设定的7个设计变量 ，用正交试 分的钢板厚度均有减薄，少数的钢板或不变。优化 验 。。的方法获得实验数据。正交试验是从大量 的实 后 ．在相 同的载荷情况下，动臂结构的最大应力值和 验中提取一部分有代表性水平组合进行试验的一种方 最大变形量都有小幅的增加，分别增加 了 17．361 法 ，可以减少试验次数并节约时间。7个设计变量有 MPa和0．292mm．仍然在允许的范围内，可见动臂 3个水平，利用正交设计助手可获得 18组设计变量 结构是安全的。同时，优化后动臂结构的总体积较优 组合 ．将这 18组设计变量分别用 ANSYS软件赋值给 化前减小了．因此动臂的总质量也减轻了，减轻的幅 动臂的模型进行试验 ．可从 18次有限元分析实验中 度为8．3％．实现了动臂结构减重 5％以上的目标。 提取到最大应力值和总体积值。正交试验的结果如表 3 利用人工神经网络预测 5所示 3．1 正 交试验 表 5 正交试验结果 3．2 人工神经网络模型的建立 0．68％；体积 的最大误差为 2．38％，最小误差为 由于人工神经网络具有 自学习 自适应的特点 ，因 0．59％，对于工程机械来说，此误差在可接受范 围 此可用人工神经网络来对前面ANSYS优化 的板厚数 内，所以此预测模型可用。基于建立的预测模型．将 据组合进行预测 ，用来验证此方法 的正确性和可行 ANSYS优化的一组板厚数据输入到预测模型 中，输 性。以动臂优化数学模型中的7个设计变量作为输 出的应力值为 185．691MPa．体积为 1．70084×10 入，以动臂的最大应力和总体积作为输出，建立起动 m m ， 与ANSYS优化的值非常接近 ，因此 。验证 了 臂的板厚与最大应力和总体积的关系，其预测模型如 ANSYS和人工神经 网络结合 的优化方法的可行性与 图5所示。从表 5中的 18组实验结果数据中，取前 正确性。 15组数据作为训练学习样本 ，用于训练人工神经网 络，取后3组数据作为验证样本来检测建立的神经网 络的精度。经过多次试算，确定 隐含层节点数为 9 个。利用训练好的神经网络模型，取后3组数据来进 行检测所建立模型的可行性。预测值和实际值的误差 输入层 隐含层 输出层 如表6所示。从表6中可以看出．预测值与实际值很 图5 人工神经网络模型 接 近，应 力 的最 大误 差 为 2．62％，最 小 误 差 为 · 140 · 机床与液压 第43卷 表6 预测值与实际值误差表 4 结论 业出版社 ，1986：302—305． (1)在建立优化设计的数学模型基础上，以 [2]KAMEZAKIM，IWATAH，SUGANOS．Developmentof ANSYS有限元分析软件作为优化工具 ．对液压挖掘 OperatorSupportSystemwithPrimitiveStaticStatesforIn— 机动