動(dòng)臂結(jié)構(gòu)尺寸變量表達(dá)形式對(duì)應(yīng)力預(yù)測(cè)模型的影響

林述溫, 徐國(guó)盛, 閆二樂(lè)

(福州大學(xué)機(jī)械工程及自動(dòng)化學(xué)院,福建 福州 350108)

摘要：針對(duì)因挖掘機(jī)動(dòng)臂結(jié)構(gòu)尺寸變量表達(dá)形式而導(dǎo)致的神經(jīng)網(wǎng)絡(luò)應(yīng)力模型預(yù)測(cè)精度較低、模型結(jié)構(gòu)復(fù)雜、通用性和泛化能力較差等問(wèn)題,分析了結(jié)構(gòu)尺寸變量表達(dá)形式對(duì)神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型的影響,在此基礎(chǔ)上研究基于新的結(jié)構(gòu)尺寸變量表達(dá)形式下的動(dòng)臂結(jié)構(gòu)應(yīng)力預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型的建模方法及預(yù)測(cè)精度.研究結(jié)果表明:新的動(dòng)臂結(jié)構(gòu)尺寸表達(dá)形式,不僅可簡(jiǎn)化預(yù)測(cè)模型，同時(shí)還可使它獲得較高的預(yù)測(cè)精度.

關(guān)鍵詞：尺寸變量的表達(dá); 應(yīng)力預(yù)測(cè); 神經(jīng)網(wǎng)絡(luò); 應(yīng)力特征截面

應(yīng)力約束是挖掘機(jī)動(dòng)臂結(jié)構(gòu)智能優(yōu)化全局尋優(yōu)過(guò)程中最為主要的約束之一.傳統(tǒng)的挖掘機(jī)動(dòng)臂結(jié)構(gòu)優(yōu)化設(shè)計(jì)采用有限元分析的方法實(shí)現(xiàn)應(yīng)力約束[1-4],頻繁調(diào)用分析軟件占用了大量的優(yōu)化時(shí)間,優(yōu)化效率極低.神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型[5-7]可實(shí)現(xiàn)優(yōu)化過(guò)程中對(duì)個(gè)體的應(yīng)力約束,從而替代傳統(tǒng)的有限元分析法,提高了優(yōu)化的效率.但是現(xiàn)有的神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型的預(yù)測(cè)精度不高,動(dòng)臂結(jié)構(gòu)尺寸變量的表達(dá)形式直接影響了樣本建模的質(zhì)量以及神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型的精度.

圖1為文獻(xiàn)[5],，[6]在挖掘機(jī)動(dòng)臂結(jié)構(gòu)智能優(yōu)化中所采用的結(jié)構(gòu)尺寸變量表達(dá)形式(簡(jiǎn)稱(chēng)“方案1”).其選擇XO,YO,XU,YU,XT,XP這6個(gè)關(guān)鍵切點(diǎn)的坐標(biāo)參數(shù)作為結(jié)構(gòu)尺寸變量.該種表達(dá)形式易產(chǎn)生動(dòng)臂結(jié)構(gòu)畸形,需要建立幾何形狀特征矩陣模型[8],進(jìn)行幾何形狀約束.依據(jù)方案一所建立的神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型精度較低,通用性差,預(yù)測(cè)結(jié)果的可靠性不高,影響了優(yōu)化效率和優(yōu)化結(jié)果.因此迫切需要針對(duì)動(dòng)臂結(jié)構(gòu)特征,探索一種新的挖掘機(jī)動(dòng)臂結(jié)構(gòu)尺寸變量表達(dá)形式,以建立高精度的神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型,最終提高優(yōu)化效率和優(yōu)化結(jié)果.

1 動(dòng)臂結(jié)構(gòu)新的尺寸變量表達(dá)形式及應(yīng)力特征截面的確定

圖2為另外一種結(jié)構(gòu)尺寸的變量表達(dá)式(簡(jiǎn)稱(chēng)方案2).用PD1,PD2,PD3,PD4,RAD1,RAD26個(gè)結(jié)構(gòu)尺寸變量參數(shù)代替方案一中的XO,YO,XU,YU,XT,XP6個(gè)點(diǎn)的坐標(biāo)參數(shù)進(jìn)行結(jié)構(gòu)尺寸變量的表達(dá),其中,PD1為鉸孔中心B點(diǎn)到上蓋板左側(cè)上邊緣線的垂直距離;PD2為鉸孔中心B點(diǎn)到下蓋板左側(cè)下邊

緣線的垂直距離;PD3為鉸孔中心B點(diǎn)到上蓋板右側(cè)上邊緣線的垂直距離;PD4為鉸孔中心B點(diǎn)到下蓋板右側(cè)上邊緣線的垂直距離;RAD1為上蓋板上側(cè)中段圓弧半徑;RAD2為下蓋板下側(cè)中段圓弧半徑.

圖1 第一種動(dòng)臂結(jié)構(gòu)尺寸變量的表達(dá)形式
Fig.1 The first dimensional variable expression form of excavator boom sturctre

圖2 第二種動(dòng)臂結(jié)構(gòu)尺寸變量的表達(dá)形式
Fig.2 The second dimesioual variable exreeion form of excavator boom strucre

動(dòng)臂結(jié)構(gòu)在不同的工況下所受載荷不同,應(yīng)力分布也會(huì)不同.當(dāng)結(jié)構(gòu)變量發(fā)生變化時(shí),危險(xiǎn)應(yīng)力出現(xiàn)的區(qū)域同樣會(huì)產(chǎn)生變化.利用均勻抽樣技術(shù)獲取樣本空間,通過(guò)對(duì)動(dòng)臂結(jié)構(gòu)進(jìn)行如圖3所示的區(qū)域分割,分別對(duì)CB和BF進(jìn)行10等分,獲得45個(gè)區(qū)域,然后對(duì)所有的樣本進(jìn)行不同工況下各區(qū)域的應(yīng)力普查,發(fā)現(xiàn)危險(xiǎn)應(yīng)力主要集中出現(xiàn)在幾個(gè)關(guān)鍵區(qū)域.針對(duì)這幾個(gè)關(guān)鍵區(qū)域設(shè)定如圖4所示的應(yīng)力特征截面.通過(guò)對(duì)應(yīng)力特征截面的應(yīng)力約束達(dá)到對(duì)整個(gè)動(dòng)臂結(jié)構(gòu)強(qiáng)度約束的目的.為提高應(yīng)力約束模型的通用性和泛化能力,本文對(duì)10個(gè)應(yīng)力特征截面進(jìn)行表達(dá)時(shí)盡量采用動(dòng)臂機(jī)構(gòu)參數(shù).具體如下:首先建立以C點(diǎn)為原點(diǎn),CB為x軸的笛卡爾坐標(biāo)系(以下簡(jiǎn)稱(chēng)C1坐標(biāo)系);以C點(diǎn)為原點(diǎn),CF為x軸的笛卡爾坐標(biāo)系(以下簡(jiǎn)稱(chēng)C2坐標(biāo)系);以B點(diǎn)為原點(diǎn),BF為x軸的笛卡爾坐標(biāo)系(以下簡(jiǎn)稱(chēng)B1坐標(biāo)系);以B點(diǎn)為原點(diǎn),平行于CF的直線為x軸的笛卡爾坐標(biāo)系(以下簡(jiǎn)稱(chēng)B2坐標(biāo)系).

圖3 動(dòng)臂結(jié)構(gòu)應(yīng)力普查區(qū)域分割
Fig.3 Stress survey area division of excavator boom structure

圖4 應(yīng)力特征截面位置
Fig.4 Location of stress characteristic sections

(1) 應(yīng)力特征截面K1:在C1坐標(biāo)系中,垂直于X軸,距原點(diǎn)距離為2COR的截面即為特征截面K1.其所包含的應(yīng)力特征區(qū)域?yàn)樯舷律w板與轉(zhuǎn)臺(tái)鉸接座焊縫的連接截面到特征截面K1之間的動(dòng)臂結(jié)構(gòu)區(qū)域.

(2) 應(yīng)力特征截面K2:在C1坐標(biāo)系中,垂直于X軸,距離原點(diǎn)為0.25LCB的截面即為特征截面K2.其所包含的應(yīng)力特征區(qū)域?yàn)槠叫杏谔卣鹘孛鍷2,左偏置0.015LCB的截面到特征截面K2之間的動(dòng)臂結(jié)構(gòu)區(qū)域.

(3) 應(yīng)力特征截面K3:在C1坐標(biāo)系中,垂直于x軸,距離原點(diǎn)為0.6LCB的截面即為特征截面K3.其所包含的應(yīng)力特征區(qū)域?yàn)槠叫杏谔卣鹘孛孀笥移?.1LCB的截面之間的動(dòng)臂結(jié)構(gòu)區(qū)域.在提取區(qū)域最大的應(yīng)力時(shí),去除與應(yīng)力特征截面K4和K8重合的區(qū)域應(yīng)力.

(4) 應(yīng)力特征截面K4:在C2坐標(biāo)系中,垂直于X軸,距離原點(diǎn)為0.85LCBcos(∠BCF)的截面即為特征截面K4.其所包含的應(yīng)力特征區(qū)域?yàn)槠叫杏谔卣鹘孛鍷4左右偏置0.08LCBcos(∠BCF)的截面之間的動(dòng)臂結(jié)構(gòu)區(qū)域.并只提取與B2坐標(biāo)系y軸正半軸區(qū)域重合的應(yīng)力.

(5) 應(yīng)力特征截面K5:在C2坐標(biāo)系中,垂直于X軸,距離原點(diǎn)為LCBcos(∠BCF)的截面即為特征截面K5.其所包含的應(yīng)力特征區(qū)域?yàn)槠叫杏谔卣鹘孛鍷5,左偏置0.08LCBcos(∠BCF),右偏置0.1LBFcos(∠BFC)之間的動(dòng)臂結(jié)構(gòu)區(qū)域.

(6) 應(yīng)力特征截面K6:在B1坐標(biāo)系中,垂直于X軸,與鉸孔D左側(cè)相切的截面即為特征截面K6.其所包含的應(yīng)力特征區(qū)域?yàn)槠叫杏谔卣鹘孛鍷6,左偏置0.01LBF的截面到特征截面K6之間的動(dòng)臂結(jié)構(gòu)區(qū)域.

(7) 應(yīng)力特征截面K7:在B1坐標(biāo)系中,垂直于X軸,過(guò)斗桿液壓缸右側(cè)與動(dòng)臂上蓋板焊接處的截面即為特征截面K7.其所包含的應(yīng)力特征區(qū)域?yàn)槠叫杏谔卣鹘孛鍷7,左偏置0.17LBF的截面到特征截面K7之間的動(dòng)臂結(jié)構(gòu)區(qū)域.

(8) 應(yīng)力特征截面K8:在C2坐標(biāo)系中,垂直于X軸,距離原點(diǎn)0.94LCBcos(∠BCF)的截面即為特征截面K8.其所包含的應(yīng)力特征區(qū)域?yàn)槠叫杏谔卣鹘孛鍷8,左偏置0.06LCBcos(∠BCF),右偏置0.15LCBcos(∠BCF)之間的動(dòng)臂結(jié)構(gòu)區(qū)域.并在提取區(qū)域最大的應(yīng)力時(shí),去除與應(yīng)力特征截面K5重合的區(qū)域應(yīng)力.

(9) 應(yīng)力特征截面K9:在B1坐標(biāo)系中,垂直于X軸,過(guò)動(dòng)臂前部彎板與BF交點(diǎn)和F處凸臺(tái)外徑與BF交點(diǎn)連線的中點(diǎn),該截面即為特征截面K9.其所包含的應(yīng)力特征區(qū)域?yàn)槠叫杏谔卣鹘孛鍷9,左偏置0.1LBF,右偏置(0.1LBF-SRF)之間的動(dòng)臂結(jié)構(gòu)區(qū)域.

(10) 應(yīng)力特征截面K10:在B1坐標(biāo)系中,垂直于X軸,過(guò)F點(diǎn)的截面即為特征截面K10.其所包含的應(yīng)力特征區(qū)域?yàn)槠叫杏谔卣鹘孛鍷10,左偏置SRF,右偏置0.15LBF之間的動(dòng)臂結(jié)構(gòu)區(qū)域.

2 基于新結(jié)構(gòu)尺寸變量表達(dá)方式的動(dòng)臂結(jié)構(gòu)應(yīng)力預(yù)測(cè)BP神經(jīng)網(wǎng)絡(luò)模型

傳統(tǒng)的挖掘機(jī)動(dòng)臂結(jié)構(gòu)優(yōu)化設(shè)計(jì)中,采用有限元分析的方法對(duì)尋優(yōu)過(guò)程中產(chǎn)生的個(gè)體進(jìn)行應(yīng)力約束,頻繁調(diào)用有限元分析軟件,消耗了大量的時(shí)間,優(yōu)化效率較低.人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)是一種模仿動(dòng)物神經(jīng)的網(wǎng)絡(luò)行為特征,進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型.依靠系統(tǒng)的高維度鏈接關(guān)系,擁有強(qiáng)大的非線性映射能力,從而達(dá)到處理信息的目的.

文獻(xiàn)[5]和文獻(xiàn)[6]通過(guò)建立3層BP神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型,對(duì)個(gè)體的應(yīng)力特征截面進(jìn)行應(yīng)力預(yù)測(cè),實(shí)現(xiàn)應(yīng)力約束.其中,文獻(xiàn)[5]主要針對(duì)4個(gè)典型挖掘工況分別建立神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型,以圖1中的14個(gè)參數(shù):BOR，DOR，COR,，XRF，WTH,，STH,SDI,FTH,，XO，YO,，XP,，XU,，YU，XT作為預(yù)測(cè)模型的輸入,以10個(gè)關(guān)鍵應(yīng)力約束截面的最大應(yīng)力作為網(wǎng)絡(luò)輸出.文獻(xiàn)[6]則分兩個(gè)步驟對(duì)個(gè)體應(yīng)力進(jìn)行約束.首先以XO,，YO,XP,XU,YU,XT這6個(gè)參數(shù)為分類(lèi)依據(jù),通過(guò)建立神經(jīng)網(wǎng)絡(luò)分類(lèi)模型將個(gè)體進(jìn)行分類(lèi)(5類(lèi)).該結(jié)構(gòu)尺寸變量表達(dá)方式較容易出現(xiàn)幾何形狀畸形,在分類(lèi)之前還要通過(guò)建立幾何形狀特征矩陣對(duì)個(gè)體實(shí)施幾何約束,并進(jìn)行歸類(lèi)判斷和畸形調(diào)優(yōu).然后針對(duì)每一種類(lèi)別建立相應(yīng)的神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型.在各類(lèi)別中,考慮到動(dòng)臂的結(jié)構(gòu)參數(shù)對(duì)不同應(yīng)力特征截面的影響不盡相同,故需另外再分別建立應(yīng)力預(yù)測(cè)主模型和3個(gè)補(bǔ)充模型.主模型用以預(yù)測(cè)K3,K4,K5,K7,K8 5個(gè)應(yīng)力特征截面的應(yīng)力,補(bǔ)充模型1用以預(yù)測(cè)K1,K2兩個(gè)應(yīng)力特征截面的應(yīng)力,補(bǔ)充模型二用以預(yù)測(cè)應(yīng)力特征截面K6的應(yīng)力,補(bǔ)充模型三用以預(yù)測(cè)K9,K10兩個(gè)應(yīng)力特征截面的應(yīng)力.由于補(bǔ)充模型所要預(yù)測(cè)的應(yīng)力特征截面較少,所關(guān)聯(lián)的結(jié)構(gòu)變量也就變少,訓(xùn)練時(shí)將不考慮對(duì)樣本分類(lèi),也即在文獻(xiàn)[6]的應(yīng)力約束中,需要針對(duì)4個(gè)典型挖掘工況建立共4×8=32個(gè)神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型,以此期望達(dá)到比文獻(xiàn)[5]更高的預(yù)測(cè)精度,但卻大大增加了約束的復(fù)雜性,降低了尋優(yōu)的效率,在針對(duì)不同的動(dòng)臂結(jié)構(gòu)時(shí),該種建模方式的通用性和泛化能力較差.

本文同文獻(xiàn)[5]分別對(duì)4個(gè)典型的挖掘工況建立神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型,采用新的動(dòng)臂結(jié)構(gòu)尺寸變量表達(dá)形式下的14個(gè)優(yōu)變量作為模型輸入,分別為BOR,，DOR,COR,XRF,WTH,STH,SDI,TTH,FTH,RAD1,RAD2,PD1,PD2,PD3,PD4,并以圖4所示應(yīng)力特征截面的最大應(yīng)力作為模型輸出.

3 結(jié)構(gòu)尺寸變量表達(dá)形式對(duì)神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型精度的影響

采用圖5所示的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行應(yīng)力特征截面應(yīng)力神經(jīng)網(wǎng)絡(luò)建模,首先對(duì)圖2中新的動(dòng)臂結(jié)構(gòu)尺寸變量表達(dá)形式下的結(jié)構(gòu)變量參數(shù)進(jìn)行抽樣和建模,抽取的樣本總個(gè)數(shù)為300個(gè).利用參數(shù)化批量建模技術(shù)對(duì)這些樣本建模,全部建模成功,且無(wú)畸形.對(duì)比文獻(xiàn)[5],[6]動(dòng)臂結(jié)構(gòu)尺寸變量表達(dá)形式下結(jié)構(gòu)變量參數(shù)抽樣樣本的建模結(jié)果,其中本文和文獻(xiàn)[5]均采用直接抽樣的方法,文獻(xiàn)[6]采用分層抽樣的方法.直接抽樣法即對(duì)所有參數(shù)在經(jīng)驗(yàn)區(qū)間內(nèi)采用拉丁超立方抽樣[8]的方法進(jìn)行均勻抽樣.分層抽樣法即選取一部分參數(shù)進(jìn)行無(wú)量綱化抽樣,其他參數(shù)進(jìn)行直接抽樣,然后隨機(jī)搭配組合獲取最終的樣本.抽樣樣本和建模結(jié)果如下表1所示.

結(jié)合對(duì)所有樣本的視檢查看,通過(guò)分析結(jié)果如表1所示,在新結(jié)構(gòu)尺寸變量的約束條件下,對(duì)動(dòng)臂結(jié)構(gòu)變量進(jìn)行參數(shù)化建模的成功率和質(zhì)量顯然都大大提高,為樣本分析獲得更為可靠和精準(zhǔn)的數(shù)據(jù),建立高精度的應(yīng)力預(yù)測(cè)模型打下基礎(chǔ).

對(duì)建模成功的4個(gè)典型挖掘工況下的動(dòng)臂結(jié)構(gòu)300個(gè)樣本進(jìn)行自動(dòng)化有限元分析,獲取各樣本在各典型工況下的每一個(gè)應(yīng)力特征截面的應(yīng)力信息,并進(jìn)行匯總,得到建立各工況下應(yīng)力特征截面應(yīng)力樣本.每個(gè)典型工況對(duì)應(yīng)一個(gè)神經(jīng)網(wǎng)絡(luò)模型,4個(gè)典型工況的神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線如圖6—9所示.

圖5 神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型結(jié)構(gòu)
Fig.5 Structure of neural network stress prediction model
表1 動(dòng)臂結(jié)構(gòu)變量參數(shù)抽樣和建模結(jié)果
Tab.1 Sampling and modeling result of structure variables

驗(yàn)證樣本集樣本個(gè)數(shù)/個(gè)樣本建模成功率(%)文獻(xiàn)[5]直接抽樣法文獻(xiàn)[6]分層抽樣法本文直接抽樣法樣本集一30032.652.1100樣本集二50034.555.8100

圖6 工況一預(yù)測(cè)模型訓(xùn)練曲線
Fig.6 Training curve of the fiest work conditon′s prediction

分析本文4個(gè)典型工況下的神經(jīng)網(wǎng)絡(luò)訓(xùn)練曲線,分別經(jīng)過(guò)106519,113900,58863,86120次訓(xùn)練收斂至目標(biāo)精度0.0008.對(duì)比本文預(yù)測(cè)模型和文獻(xiàn)[6]預(yù)測(cè)模型的訓(xùn)練結(jié)果如表2所示,其中文獻(xiàn)[6]只列出了工況一的部分預(yù)測(cè)模型的訓(xùn)練結(jié)果作為代表,依次為工況1第一類(lèi)主模型(共5類(lèi))、補(bǔ)充模型一,、補(bǔ)充模型二,、補(bǔ)充模型三,分別需要經(jīng)過(guò)130536,215193,266245,293021次訓(xùn)練才可達(dá)到目標(biāo)精度0.002.和本文預(yù)測(cè)模型相比不僅模型十分復(fù)雜,并且經(jīng)過(guò)遠(yuǎn)高于本文模型的訓(xùn)練次數(shù)仍未能達(dá)到本文所能達(dá)到的目標(biāo)精度.

圖7 工況二預(yù)測(cè)模型訓(xùn)練曲線
Fig.7 Training curve of the work conditon's prediction model

圖8 工況三預(yù)測(cè)模型訓(xùn)練曲線
Fig.8 Training curve of the third work condition's prediction model

圖9 工況四預(yù)測(cè)模型訓(xùn)練曲線
Fig.9 Training curve of the fourth work condition's prediction model

圖10—13為本文神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型的隨機(jī)樣本檢測(cè)誤差曲線,誤差基本控制在-20～20 Mpa之間;圖14為文獻(xiàn)[5]模型的隨機(jī)樣本檢測(cè)誤差曲線,誤差基本控制在-60～60 Mpa之間;圖15—17依次為文獻(xiàn)[6]第一類(lèi)主模型、補(bǔ)充模型一,、補(bǔ)充模型二的隨機(jī)樣本檢測(cè)誤差曲線,誤差基本控制在-30～30 Mpa之間.圖10—18中每一個(gè)顏色的曲線代表一個(gè)應(yīng)力特征截面.模型的檢測(cè)誤差較小,可大大減小實(shí)際優(yōu)化過(guò)程中進(jìn)行應(yīng)力預(yù)測(cè)時(shí)所需添加的應(yīng)力修正值,提高預(yù)測(cè)的精準(zhǔn)度.分析可知本文預(yù)測(cè)模型的精度要遠(yuǎn)遠(yuǎn)高于文獻(xiàn)[5]預(yù)測(cè)模型的精度,并且在大大簡(jiǎn)化預(yù)測(cè)模型的基礎(chǔ)上,本文預(yù)測(cè)模型的精度要比文獻(xiàn)[6]預(yù)測(cè)模型的精度更高.

表2 不同結(jié)構(gòu)尺寸變量表達(dá)形式下的神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型訓(xùn)練結(jié)果對(duì)比

Tab.2 The training results of different structure dimensional variable expression form

采用方案模型訓(xùn)練循環(huán)次數(shù)目標(biāo)精度本文模型方案二工況一模型1065190.0008工況二模型1139000.0008工況三模型588630.0008工況四模型861200.0008文獻(xiàn)[6]模型方案一第一類(lèi)主模型1305360.002補(bǔ)充模型一2151930.002補(bǔ)充模型二2662450.002補(bǔ)充模型三2930210.002

圖10 工況一模型隨機(jī)樣本檢測(cè)誤差曲線
Fig.10 Error curve testing by the random samples on the first work condition's model

圖11 工況二模型隨機(jī)樣本檢測(cè)誤差曲線
Fig.11 Error curve testing by the random samples on the second work condition's model

圖12 工況三模型隨機(jī)樣本檢測(cè)誤差曲線
Fig.12 Error curve testing by the random samples on the third work condition's model

圖13 工況四模型隨機(jī)樣本檢測(cè)誤差曲線
Fig.13 Error curve testing by the random samples on the fourth work condition's model

圖14 文獻(xiàn)[5]工況一模型隨機(jī)樣本檢測(cè)誤差曲線
Fig.14 Error curve testing by the random samples on the first work condition's model of references 5

文獻(xiàn)[6]雖然通過(guò)分層抽樣提高建模的成功率,以及通過(guò)對(duì)樣本的分類(lèi)預(yù)測(cè)達(dá)到和本文相接近的預(yù)測(cè)精度,但是其樣本的處理繁瑣,神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型較復(fù)雜,對(duì)尋優(yōu)的效率和質(zhì)量都有著很大的影響.出現(xiàn)這種結(jié)果的原因,主要與文獻(xiàn)[5]和文獻(xiàn)[6]的動(dòng)臂結(jié)構(gòu)尺寸變量表達(dá)形式有關(guān),一方面是基于方案一的表達(dá)形式建模成功率低,所獲取的樣本質(zhì)量不高,訓(xùn)練較難收斂至更高的精度;一方面是結(jié)構(gòu)尺寸變量與應(yīng)力特征截面的相關(guān)性不高,導(dǎo)致預(yù)測(cè)的效果較差.通過(guò)對(duì)比分析證明方案二的表達(dá)形式更好.

圖15 文獻(xiàn)[6]主模型隨機(jī)樣本檢測(cè)誤差曲線
Fig.15 Error curve testing by the random samples on the main model of references 6

圖16 文獻(xiàn)[6]補(bǔ)充模型一隨機(jī)樣本檢測(cè)誤差曲線
Fig.16 Error curve testing by the random samples on the first additional model of references 6

圖17 文獻(xiàn)[6]補(bǔ)充模型二隨機(jī)樣本檢測(cè)誤差曲線
Fig.17 Error curve testing by the random samples on the second additional model of references 6

4 結(jié)論

本文通過(guò)對(duì)比不同動(dòng)臂結(jié)構(gòu)尺寸變量表達(dá)形式對(duì)神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型的影響,得到以下一些結(jié)論:

(1) 結(jié)構(gòu)尺寸變量的表達(dá)形式直接影響應(yīng)力預(yù)測(cè)模型的結(jié)構(gòu),基于新結(jié)構(gòu)尺寸變量表達(dá)形式的動(dòng)臂結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型與其他結(jié)構(gòu)尺寸變量表達(dá)形式相比,模型大大簡(jiǎn)化,可大大提高約束處理的速度,提高優(yōu)化的效率.

(2) 在新的結(jié)構(gòu)尺寸變量表達(dá)形式下,新的應(yīng)力特征截面采用不同動(dòng)臂結(jié)構(gòu)類(lèi)型共有的機(jī)構(gòu)和結(jié)構(gòu)變量進(jìn)行表達(dá),可大大提高預(yù)測(cè)模型在不同動(dòng)臂結(jié)構(gòu)類(lèi)型中的通用性和泛化能力.

(3) 基于新結(jié)構(gòu)尺寸變量表達(dá)形式所建立的動(dòng)臂結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)應(yīng)力預(yù)測(cè)模型,結(jié)構(gòu)變量與應(yīng)力特征截面的相關(guān)性更高,可大大提高預(yù)測(cè)精度,預(yù)測(cè)結(jié)果更加可靠.

參考文獻(xiàn)：

[1] WARD P,PATEL D,WAKELING A, et al. Application of structural optimization using finiteelements[J].Computer-Aided Design.1987,19:148-156.

[2] YENER M.Design of a computer interface for automatic finite element analysis of an excavator boom: MS thesis[J].1998, 27(5):627-630.

[3] 杜文靖.液壓挖掘機(jī)工作裝置設(shè)計(jì)關(guān)鍵技術(shù)研究[D].長(zhǎng)春: 吉林大學(xué), 2007.

DU Wenjing . Study on the key technologies for the design of hydraulic excavator's working mechanism:[D].Changchun:Jilin University, 2007.

[4] SOLAZZI L.Design of aluminium boom and arm for an excavator[J].Journal of Terramechanics,2010, 47: 201-207.

[5] 花海燕.多層次知識(shí)集成引導(dǎo)的挖掘機(jī)結(jié)構(gòu)智能優(yōu)化設(shè)計(jì)新策略[D].福州:福州大學(xué), 2014.

HUA Haiyan. Novel strategy of integrating Multi-level knowledge to guide the structural intelligent optimization design for excavator[D].Fuzhou: Fuzhou University, 2014.

[6] 徐元亮.挖掘機(jī)動(dòng)臂結(jié)構(gòu)智能優(yōu)化系統(tǒng)的應(yīng)力約束預(yù)測(cè)模型及其應(yīng)用的研究[D].福州:福州大學(xué),2015.

XU Yuanliang . Research on stress constraint prediction model of structural intelligent optimization system and application for excavator boom[D].Fuzhou:Fuzhou University, 2015.

[7] HUA Haiyan,LIN Shuwen , SHEN Zhenhui . A new method of the constraints expression and handling for excavator boom structural optimization[J].Advanced Materials Research, 2012, 479-481: 1851-1856.

[9] 林述溫,張洋梅.挖掘機(jī)斗桿結(jié)構(gòu)智能優(yōu)化中幾何形狀約束表達(dá)新方法[J].中國(guó)工程機(jī)械學(xué)報(bào), 2014,12(5):422-429.

LIN Shuwen , ZHANG Yangmei.New geometric constraint expression for intelligent optimization on excavator bucket-arm structure[J].Chinese Journal of Construction Machinery, 2014, 12(5): 422-429.

[9] 鄧乾旺,文文.基于拉丁超立方抽樣的薄板裝配誤差分析[J].中國(guó)機(jī)械工程, 2012, 23(8): 947-951.

DENG Quanwan,WEN Wen. Sheet metal assembly deviation analysis based on latin hypercube sampling[J].China Mechanical Engineering, 2014,12(5): 422-429.

Effect for dimensional variable expression form of boom structure on stress prediction model

LIN Shu-wen, XU Guo-sheng, YAN Er-le

(School of Mechanical Engineering and Automation,Fuzhou University,Fuzhou 350108,China)

Abstract：In view of the problem that existing dimensional variable expression form of excavator boom structure leads neural network stress prediction model to a lower prediction precision,and the model structure was complex,universality and generalizability was very poor.Based on the analysis about effect for structure dimensional variable expression form on the neural network stress prediction model.research for the method to build neural network stress prediction model and prediction accuracy.Research results show that:based on the new dimensional expression form of excavator boom structure,the prediction model is simplify and the prediction precision has a greatly improved.

Key words：dimensional variable expression; stress prediction; neural network; stress characteristic cross section

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(51175086)

作者簡(jiǎn)介：林述溫(1962-),男,教授,、博士研究生導(dǎo)師.E-mail:[email protected]

中圖分類(lèi)號(hào)：TH 122

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1672-5581(2016)05-0381-07