The invention discloses an optimum design method for structural parameters of mechanical elastic wheels, which comprises the following steps: S1, establishing the finite element model of mechanical elastic wheels; S2, establishing the acquisition and simulation conditions of training samples; S3, using uniform design method to select suitable training samples; S4, establishing adaptive neural network algorithm; S5, network. Network model training and result analysis. The method is simple, easy to implement and has good application prospects.
【技术实现步骤摘要】
一种机械弹性车轮结构参数优化设计方法
本专利技术属于车轮优化设计
,具体涉及一种机械弹性车轮结构参数优化设计方法。
技术介绍
机械弹性车轮的结构特点及其承载方式决定了当采用不同的輮轮结构参数,弹性化结构参数和铰链组结构参数组合时,其力学特性也将随之改变。輮轮断面宽度、高度,弹性环断面宽度、高度,铰链组长度、宽度及数目对车轮力学特性有重要影响,目前,机械弹性车轮设计过程中的结构参数,仅仅基于简单的理论计算再加上样机的试验调校,存在精度低,性能差等缺点。对机械弹性车轮的结构参数优化设计将有利于更好地满足整车对车轮性能的匹配要求以及后续的车轮结构优化。神经网络是非线性科学以及计算智能科学研究的主流,擅长通过大量复杂的数据进行分类并发现其规律,可逼近任一非线性函数,具有自组织、自适应、联想记忆、高度容错和并行处理能力等优点。通过建立输入层节点中包含輮轮断面高宽比,弹性环断面高宽比,铰链长度、宽度及数目的机械弹性车轮神经网络模型来实现对具有不同结构参数的机械弹性车轮力学特性的分析。
技术实现思路
专利技术目的:为了克服现有技术中存在的不足,提高车轮设计研发效率、精度,避免了研发的盲目性,指导轮胎供应厂商的车轮匹配整车性能设计工作,本专利技术提供一种机械弹性车轮结构参数优化设计方法。技术方案:为实现上述目的,本专利技术采用的技术方案为:一种机械弹性车轮结构参数优化设计方法,包括以下步骤:S1、建立机械弹性车轮有限元模型;机械弹性车轮结构简化为包括輮轮、铰链组和悬毂;S2、建立训练样本的采集仿真工况;仿真结构参数包括輮轮结构参数、弹性环断面参数和铰链组参数;S3、利用 ...
【技术保护点】
1.一种机械弹性车轮结构参数优化设计方法,其特征在于:包括以下步骤:S1、建立机械弹性车轮有限元模型;机械弹性车轮结构简化为包括輮轮、铰链组和悬毂;S2、建立训练样本的采集仿真工况;仿真结构参数包括輮轮结构参数、弹性环断面参数和铰链组参数;S3、利用均匀设计方法获取训练样本;S4、建立自适应神经网络算法;S5、网络模型训练与结果验证分析。
【技术特征摘要】
1.一种机械弹性车轮结构参数优化设计方法,其特征在于:包括以下步骤:S1、建立机械弹性车轮有限元模型;机械弹性车轮结构简化为包括輮轮、铰链组和悬毂;S2、建立训练样本的采集仿真工况;仿真结构参数包括輮轮结构参数、弹性环断面参数和铰链组参数;S3、利用均匀设计方法获取训练样本;S4、建立自适应神经网络算法;S5、网络模型训练与结果验证分析。2.根据权利要求1所述的一种机械弹性车轮结构参数优化设计方法,其特征在于,步骤S2具体包括:S21、进行不同輮轮断面宽度的有限元仿真;S22、进行不同輮轮断面高度的有限元仿真;S23、进行不同橡胶材料属性的有限元仿真,包括胎面材料的剪切弹性模量;S24、进行不同弹性环宽度的有限元仿真;S25、进行不同弹性环高度的有限元仿真;S26、进行不同铰链组长度的有限元仿真;S27、进行不同铰链组宽度的有限元仿真;S28、进行不同铰链组数目的有限元仿真;S29、得到若干组不同结构参数组合工况下的车轮力学特性指标参数。3.根据权利要求1所述的一种机械弹性车轮结构参数优化设计方法,其特征在于,步骤S4具体包括:S41、建立误差反向传播神经网络模型;S42、建立附加动量项法,使网络在对权值进行修正时,既能考虑误差在梯度上的作用,又能考虑其在误差曲面上变化趋势的影响;S43、建立自适应机制,使网络学习速率根据误差变化而自适应调整。4.根据权利要求3所述的一种机械弹性车轮结构参数优化设计方法,其特征在于,所述误差反向传播神经网络模型为:输出神经元的实际输出为:输出层的误差函数为:其中,xi(i=1,2,...,m)为输入...
【专利技术属性】
技术研发人员:赵又群,李海青,徐瀚,张桂玉,王秋伟,
申请(专利权)人:南京航空航天大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。