设油缸临界力为 , 为油缸稳定系数许用值, 为油缸实际受力,则油缸受力约束条件为- Fr>01.3 建立目标函数在满足其中力矩的前提下,确立了以下4个优化目标:(1)变幅油缸受力最小;(2)臂架根铰点和变幅油缸对转台的作用力最小;(3)臂架受力最小;(4)起升高度最大。
由力矩平衡公式求得变幅油缸力 为 生: :!圭 :! ±刍:!G(Lg-cos L3·simx)-N·(厶-厶)t其中 kl为起升动载系数;k2为起升冲击系数;L为变幅油缸力对臂架根部铰点的力臂。
转台主要受力来 自变幅油缸下铰点 和臂架后铰点以的反作用力,还有配重、卷扬等对转台的作用力,目标函数只需考虑变幅油缸力和臂架后铰点的力。如图3所示,危险截面处于回转支承的D 和0,处。
L ,I 白回转支承 j01 02图3 转台受力由平衡式,可分别求出0。和0 截面处的力矩和 。
转台承受最大弯矩为Mmax(M1, )目标函数 (X)③臂架受力。
臂架危险截面处于变幅油缸的支承点处 ,对该截面的臂架中线上的点蓉 毛·Q·(Lo-厶)cos 。 G( -厶)cos -N·L4目标函数 (X)④起升高度。
起升高度为 L0 sin -L3 c0s l-H2其中 为回转支承底面距水平地面垂直距离;为吊钩中心距臂头垂直距离。
CONSTRUCTION MACHINERY 201 3 2 87设计计算l .GN&c眦u为目标函数F4H (X)至此各个目标函数均已建立,分别为 ( ) Mz( ) Mb(X) ( )综上所述,变幅三铰点多目标优化数学模型j L2Cj(x)<0, 122 目标函数处理本文采用加权组合的方式将多目标优化问题转化为单 目标优化,同时将约束条件作为惩罚函数 ,与 目标函数组合成-个新的目标函数。然后根据遗传算法的要求,将目标函数厂车专化成适应函数。
新的目标函数蕨 达式为f-(C1"F1c2"FJIO00c3.F3/1000-C4 10)/1000000max10000·( c-ab-ac),o1max10000·(ac-ab-bc),0)max10000·(ab-ac-bc),01max10000( c-ab-de),o1max10000-(ac-ab-bc),0lmax10000·(ab-ac-bc),0max10000(1.75-bcm [bcmi ),01max10000(bcm /6clmn-1.81),0)max10000( c - c i )- c i (△1△2) i ,0max10000(n · - ),0适应值函数只磙达式为f: 二- i其中 ,m 为当前群体 韵最大值;fmi 为当前群体中 最小值。
目标函数厂处理如下:88 建筑机械 2013 2(E半月刊(1)对函数F。、 、 、 各自分别乘以不同的系数,使其值的数量级保持-致。
(2)对各个约束处理结果乘以-个系数10 ,这样,当设计变量不满足某个约束条件时,约束处理结果就变得非常大,目标函数f的值也将变大,适应函数值将急剧减小,从而在下-代计算时将其淘汰3 程序实现及优化算例本文基于Visual Studio 20 10环境,用c语言实现算法。由于遗传过程整体是趋向优化方向的,但局部结果具有-定的波动性,最优解有时并不-定在最后-代中。因此本程序将每-代的最优解都保留下来,当进化代数达到预设值时,程序才终止,最后在这些每-代的最优解中找出最好的-个作为结果。
程序设计过程如下 (见图4):图4 程序编写流程 图(1)初始种群选择50,代数设定1000,交叉概率0.5,变异概率0.O1;(2)采用二进制编码,随机对初始种群赋值;(3)计算种群适应值函数,并将其中适应值最高的存人数组m中;(4)判断进化代数是否为最后-代,如果是,把数组m中适应值最大的输出作为结果并结束,否则执行下-步; (5)选择 、交叉、变异,产生新-代种群,然后执行以上步骤。
本文对某220t轮式起重机三铰点进行优化设计,给出各变量的上下限值和优化结果,如表1-3所示。
表3中的权重系数C 、c 、c 、C4分别对应油缸力、转台力、臂架力、起升高度。
表1 设计变量上下限 mm设计变量 Sl Ll L3上限 20o0 800 1390 150 6000 800 250下限 300 1000 1520 210 8500 900 430表2 相同权重系数下优化结果对比油缸力,N 转台力,N 臂架力/N 起升高度/m优化前 2975800 378778.70 469010.50 12.85第1次优化后 2769100 283365.67 399157.52 12.58变化值 -206700 -95413.O3 -69852.98 -0.27第2次优化后 2794300 287785.39 401 137-36 12.6l变化值 -181500 -90993.3 1 -67873.14 -0.24第3次优化后 28179O0 31681 1.13 391529.89 12.51变化值 -157900 -61967.57 -77480.6l -034表3 不同权重系数下优化结果对比权重系数 油缸力/N 转台力/N 臂架力/N 起升高度/m优化前 2975800 378778.70 46901O.50 12.85clC2l, 优化6次后 2916200 261532.64 422894.42 l2.81C3C40.9 变化值 -59600 -1 17246.06 -461 16.08 -0.04clc2 l 优化5次后 2936800 255275.69 432145.87 12.87C415 变化值 -39000 -123503.01 -36864.63 0.O2表2中任取-组相同权重 系数 (c。c2C 3C ),比较3次不同的优化结果 ,从表中可以看出每次优化的结果并不相同。这是由于遗传算法 自身特性决定的,它产生下-代的过程是靠交叉和变异实现的,而交叉和变异具有随机性和不确定性,所以即使在完全相同的条件下,经过遗传算法的优化,得到的优化结果也不同∩以通过增加计算次数,从多次计算结果中选择更为理想的,使优化结果更好。
表3中取不同的权重系数,对比优化结果:第1组数据优化后油缸力 、转台力 、臂架力均减小 ,但起升高度降低;第2组数据,改变权重系数c后,油缸力、转台力、臂架力均减小,起升高度得到增加,但油缸力、臂架力减小的值不如第1组数据。权重系数的选择由设计值给出,根据各个 目标函数的重要性,赋予各目标函数不同的权重系数,从而使优化结果向更满意的方向靠拢。
4 结束语应用多 目标优化设计的数学模型和基于遗传算法的优化算法,对轮式起重机变幅机构三铰点进行了优化♂果表明:4个 目标均比原设计得到不同程度的优化,同时可以采用增加计算次数和改变权重系数来得到更为理想的解。设计者可以在优化时选择较大的种群和遗传代数,增加优化结果的精确度。