王棟，鄒玉靜，孫宇軒，馬本嘯

(青島科技大學 機電工程學院， 山東 青島 266061)

0 引言

為實現(xiàn)爬壁小車的優(yōu)化設計，需對小車的底板進行輕量化設計。輕量化研究，就是在保證結(jié)構(gòu)模型強度和安全性能的前提下，盡量減小其質(zhì)量，從而提高整體的動力性能。陳臻[1]對實驗過程中的動力響應特性進行了數(shù)值仿真，依據(jù)實驗數(shù)據(jù)對結(jié)構(gòu)進行輕量化設計。王芳[2]在結(jié)構(gòu)上運用有限元對運輸車的輕量化設計進行了研究。這些傳統(tǒng)的結(jié)構(gòu)優(yōu)化方法大多只是局限于對模型進行靜力學分析和預應力模態(tài)仿真分析。劉杰等[3]對電動車懸架進行了多目標的仿真優(yōu)化研究，但采用的是傳統(tǒng)多目標優(yōu)化方法。傳統(tǒng)多目標優(yōu)化方法多是把多目標優(yōu)化問題轉(zhuǎn)換為單一目標優(yōu)化問題，然后使用數(shù)學規(guī)劃法來解決問題[4]。開發(fā)多種定量分析法，要求工程師對結(jié)構(gòu)的性能深刻理解，選擇最適合的加權(quán)值。傳統(tǒng)的優(yōu)化手段僅能取得單一的優(yōu)化解，工程師通常帶有很大主觀性，會根據(jù)產(chǎn)品不同的性能要求以及自身喜好來進行方案選擇。因此對于解決多目標優(yōu)化問題，傳統(tǒng)方法有較大缺陷，所以眾多學者希望通過不斷開發(fā)各種智能算法來彌補傳統(tǒng)方法的不足，以解決傳統(tǒng)方法無法解決的問題。多目標遺傳算法具有良好的全局搜索能力，可以有效克服傳統(tǒng)方法的缺陷，因而被廣泛使用。

遺傳算法(genetic algorithm)[5]是解決優(yōu)化問題的有效方法。該算法由霍蘭教授等人提出，算法靈感來源于生物界中的自然選擇和生物遺傳學規(guī)律。與傳統(tǒng)搜索方式的區(qū)別在于，遺傳算法是利用人工進化原理隨機搜索設計空間，將設計空間中每個個體假定為問題域中可能解，對個體以字符串的形式進行編碼，方便模擬遺傳選擇和自然淘汰的進化過程，隨后進行大量的遺傳、交叉和變異等活動。個體的優(yōu)劣通過目標適應度函數(shù)來進行評價，應用優(yōu)勝劣汰和適者生存的自然法則，使群體水平得到不斷提高，隨后從中選出最優(yōu)個體，得到問題的最優(yōu)解。

1 爬壁小車底板優(yōu)化設計流程

通過Solidwork建立爬壁小車底板參數(shù)化三維模型(圖1)，并對模型中需要優(yōu)化的尺寸參數(shù)進行設置。將建模軟件與有限元分析軟件ANSYS Workbench進行關(guān)聯(lián)后，所建模型的尺寸參數(shù)將直接影響有限元分析軟件中模型的形狀，即可實現(xiàn)只需修改Solidworks模型中的參數(shù)，有限元分析軟件中模型(圖2)參數(shù)也會隨之修改的目標[6]。

圖1 爬壁小車模型

圖2 有限元模型

根據(jù)設計要求和實際環(huán)境，對原始設計參數(shù)值進行參數(shù)范圍的確定，然后采用中心復合試驗設計(central composite design)的方法獲取試驗點。對所選取的試驗點進行有限元求解，得到整體模型的最大應力、最大變形量、一階固有頻率和質(zhì)量的數(shù)值結(jié)果，并將結(jié)果利用最小二乘法進行擬合，建立最大應力、最大變形量、一階固有頻率和質(zhì)量與設計變量的響應面模型。以底板的最大變形量和最大應力設置為上限、一階固有頻率合理區(qū)間和質(zhì)量最小為目標函數(shù)，尺寸參數(shù)為設計變量，建立多目標優(yōu)化數(shù)學模型，使用多目標遺傳算法進行求解模型，求解出滿足設計要求的最優(yōu)解。優(yōu)化設計流程如圖3所示。

圖3 優(yōu)化設計流程圖

2 輸入輸出參數(shù)的設定

將底板的主要尺寸設定為設計變量。底板厚度FD1、邊長H1分別定義為P14和P17，并對輸入變量設定取值范圍，參數(shù)變化范圍如表1所示。

表1 設計變量及取值范圍 單位：mm

目標輸出變量為：底板的質(zhì)量、最大等效應力、最大總應變、一階固有頻率，分別對其進行參數(shù)化定義為P16、P17、P19、P20，設置如圖4所示。

圖4 輸入輸出參數(shù)設置

3 實驗樣點計算

試驗點的選擇在構(gòu)建響應面過程中非常重要，響應面模型構(gòu)造精度也取決于合理試驗點的選取。BOX等提到中心復合設計(central composite design)思想是將一階部分不斷返回應用于二階設計中[7]，不同設計變量的取值范圍，形成了決策空間，該空間包含了優(yōu)化所需的若干設計點。因此，本試驗利用中心復合設計法來得到試驗點。試驗點設置完畢后，接著對試驗點進行計算，生成的設計點如圖5所示。

圖5 中心復合法設計點

4 更新響應面

響應面能夠直觀反映出輸入?yún)?shù)與輸出參數(shù)的關(guān)系[8]。計算出所抽取的每個樣點的響應結(jié)果，并通過完全二階多項式響應面模型擬合出響應面。響應面結(jié)果只具有參考作用。為了直觀反映輸入與輸出關(guān)系，采用3D輸出，選擇兩個設計變量作為圖形的x軸和y軸，并選擇一個輸出目標作為z軸。設計輸入變量P14和P17與底板的質(zhì)量、最大等效應力、最大總應變以及一階模態(tài)頻率的3D響應關(guān)系如圖6-圖9所示。

圖6 P14-P17與質(zhì)量的響應

圖7 P14-P17與最大等效應力響應

圖8 P14-P17與最大總應變的響應

圖9 P14-P17與一階模態(tài)頻率的響應

5 敏感度分析

結(jié)構(gòu)優(yōu)化時需要對影響較大的變量進行分析，本爬壁小車底板結(jié)構(gòu)尺寸中底板厚度FD1和邊長H1即設計變量P14和P17對結(jié)構(gòu)的性能影響程度不同。敏感度分析法是比較有效的分析法[9-10]，敏感度可用來快速直觀評價模型的參數(shù)對模型結(jié)果的影響。設計目標與設計變量為函數(shù)關(guān)系，假設設計目標用函數(shù)f表示，設計變量用x表示，即f=G(xi)。設計變量xi變化、設計目標f變化以及靈敏度之間數(shù)學關(guān)系為

(1)

對本模型小車底板的靈敏度進行分析時，底板的剛度對底板厚度的靈敏度為

[K]m×m{D}m×1={F}m×1

(2)

式中：m為自由度；[K]m×m為總剛度矩陣；{D}m×1為結(jié)構(gòu)位移向量；{F}m×1為載荷向量。

對式(2)關(guān)于設計變量x求導，得:

(3)

(4)

整理后得結(jié)構(gòu)位移向量{D}m×1對底板厚度設計變量x的靈敏度計算公式：

(5)

靈敏度圖不僅可揭示各設計變量與輸出目標之間的敏感度關(guān)系，而且對于確定其合理的參數(shù)變化范圍以及從這些參數(shù)的變化范圍中尋求最佳設計值有重要的參考作用。底板的質(zhì)量、最大等效應力、最大總應變以及一階模態(tài)頻率4個目標函數(shù)與底板厚度FD1和邊長H1即輸入變量P14和P17敏感程度，如圖10所示(本刊為黑白印刷，如有疑問請咨詢作者)。

圖10 敏感度柱狀圖

由圖10中可以看出，底板厚度FD1和邊長H1即輸入變量P14和P17對質(zhì)量和一階頻率是正相關(guān)，對最大等效應力和最大總應變是負相關(guān)，設計變量P14底板厚度對4個目標的影響都較大，且影響要遠遠大于設計變量P17底板邊長。

6 生成最優(yōu)設計點

在多目標優(yōu)化的優(yōu)化過程中，各個優(yōu)化目標難以同時滿足，還會產(chǎn)生許多解，即Pareto解。對于這些Pareto解，不同解的優(yōu)劣性還需要考慮設計者實際設計需求，最終選擇正確且可靠的優(yōu)化解。MOGA算法原理是通過“Pareto最優(yōu)個體”對種群里所有的個體依次進行排序，并根據(jù)排列的次序從上一代群體中挑選出具有優(yōu)良特性的個體使其遺傳到下一代群體中。這樣排在前面的Pareto最優(yōu)個體就有更大的可能性把自己的特征遺傳到下一代的群體。通過一定周期的遺傳選擇和淘汰過程，最終可以快速地找到多目標優(yōu)化問題的Pareto最優(yōu)的參數(shù)，可以避免周期較長的試驗過程，優(yōu)化效率也得到了提升。

先對輸入和輸出變量進行邊界約束，如圖11所示。將零部件的最大變形量和最大應力設置為上限、一階固有頻率合理區(qū)間和質(zhì)量最小設置為目標函數(shù)。

圖11 變量邊界約束設置

再進行Optiomization選項操作，選擇多目標遺傳算法(MOGA)進行尋優(yōu)求解，如圖12所示。

圖12 多目標遺傳算法設計

從眾多樣本點選出目標函數(shù)的最優(yōu)解，最后得到3組最佳候選點，如圖13所示。

圖13 候選設計點

將第一組候選點認定為最佳設計點，將最佳設計點輸入?yún)?shù)重新帶入有限元模型求解出優(yōu)化后各項輸出參數(shù)值。對獲得的設計變量優(yōu)化值，需要進行適當圓整，模型優(yōu)化前后輸入?yún)?shù)數(shù)值對比，如表2所示。

表2 修正參數(shù) 單位：mm

7 優(yōu)化結(jié)果目標值對比

輸出變量質(zhì)量、最大等效應力、最大總應變、一階模態(tài)頻率優(yōu)化前后對比結(jié)果如表3所示。從表3中可以看出：優(yōu)化后，最大等效應力增加到70.979MPa，但仍遠遠小于材料的屈服強度276MPa；而最大總應變僅增加了0.493 9mm；一階模態(tài)頻率減少了13.6%，仍遠遠大于激振頻率；但質(zhì)量減少了29.5%，從輕量化的設計角度看，達到了優(yōu)化目的。

表3 目標值對比

8 結(jié)語

由于爬壁小車底板質(zhì)量具有較大的優(yōu)化空間，為實現(xiàn)爬壁小車底板輕量化設計，利用ANSYS Workbench有限元分析軟件求解出模型最大應力、最大變形、一階固有頻率和底板質(zhì)量4個輸出變量的結(jié)果，并將數(shù)值結(jié)果通過最小二乘法進行擬合并建立了響應面模型。以底板的最大變形量和最大應力為設置上限、一階固有頻率合理區(qū)間和質(zhì)量最小為目標函數(shù)，并將尺寸設計變量設置為優(yōu)化變量，建立了多目標優(yōu)化數(shù)學模型，并基于多目標遺傳算法對模型進行計算，求解出最優(yōu)設計點，實現(xiàn)了模型輕量化目標。