一种机械结构件结构参数优化设计方法技术

本发明专利技术公开了一种考虑实际装配边界约束影响的机械结构件结构参数优化设计方法，包括以下步骤：步骤一：建立整体装配有限元模型；步骤二：定义结构参数优化设计变量、优化约束条件，选取优化目标性能评价指标；步骤三：进行试验设计，计算性能评价指标数据；步骤四：构建椭圆基函数神经网络函数；步骤五：构建结构参数优化设计变量与优化目标性能评价指标之间的数学映射模型；步骤六：检验数学映射模型的精度，满足要求则进行步骤七，不满足则增加试验样本点个数，重复步骤三、五、六；步骤七：实现优化设计。该方法以机械机构件在实际工况下的性能作为优化目标性能评价指标，更符合机械结构件实际工况，使得优化设计结果更加准确可靠。

【技术实现步骤摘要】
一种机械结构件结构参数优化设计方法
本专利技术属于机械结构件结构参数优化设计
，特别涉及一种考虑装配边界影响的机械结构件结构参数优化设计方法。
技术介绍
机械结构参数优化设计方法作为一种重要的机械结构优化方法，其一直以来都是相关领域内研究的重点。其以结构设计参数为优化对象，根据给定的载荷情况、约束条件和性能指标，按某种目标(如重量最轻、刚度最大等)求解得到最优结构设计参数。以往的结构参数优化设计过程中，常在不考虑实际装配边界约束影响下对单个机械结构件(即单个零件)进行优化设计，其忽略了装配边界约束的影响，约束边界条件设置不够准确，无法判定机械结构件在实际工况(装配约束)下的性能，以及进一步以该性能为评价指标对该其结构参数优化设计。
技术实现思路
本专利技术所要解决的技术问题是：在考虑实际装配边界约束的影响下对机械结构件进行结构参数优化设计。为了解决上述技术问题，本专利技术的技术方案是：一种考虑实际装配边界约束影响的机械结构件结构参数优化设计方法，包括以下步骤：步骤一：建立所优化机械结构件在实际工况下的整体装配有限元模型，所述整体装配有限元模型包含了所优化机械结构件，以及与该所优化机械结构件有装配约束关系的其它机械结构件；步骤二：定义所优化机械结构件的结构参数优化设计变量，定义结构设计变量的优化约束条件，选取优化目标性能评价指标，所述优化目标性能评价指标包括：所优化机械结构件在实际工况下的整体装配有限元模型的结构力学性能；步骤三：对步骤二中的结构参数优化设计变量进行试验设计，得到结构参数优化设计变量的设计用试验样本数据；并借助步骤一中的整体装配有限元模型，计算不同试验样本数据所对应的性能评价指标数据；步骤四：构建基于加权系数与扩展常数自组织选取的椭圆基函数神经网络函数；步骤五：通过步骤三中的样本数据，基于步骤四中的加权系数与扩展常数自组织选取的椭圆基函数神经网络函数，构建结构参数优化设计变量与优化目标性能评价指标之间的数学映射模型；步骤六：检验所构建的结构参数优化设计变量与优化目标性能评价指标之间数学映射模型的精度；判断精度是否满足要求，如果满足精度要求，则进行步骤七；如果不满足精度要求，则增加设计用试验样本点个数，重复步骤三、步骤五、步骤六，直到所构建的结构参数优化设计变量与优化目标性能评价指标之间的数学映射模型满足精度为止；步骤七：基于结构参数优化设计变量与优化目标性能评价指标之间的数学映射模型，根据步骤二中定义的优化约束条件、优化目标，通过优化算法求解该优化问题，实现机械结构件结构参数优化设计。进一步的，所述步骤四包括以下子步骤：步骤4.1：建立自组织选取加权系数与扩展常数的椭圆基函数神经网络：其中，其中，xj为已知输入设计样本，x为待求未知量，xj和x的维度为n；y(x)为待求未知量所对应的输出值，其由以x到基函数中心xj之间马式距离为自变量的基函数线性加权组合而成；S为协方差矩阵，Sz为其对角线元素；σj(j＝1LLN)为自组织选取扩展常数；λj(j＝1LLN)、λN+1为自组织选取加权系数；N为输入样本点个数；n为设计变量个数。进一步的，所述自组织选取扩展常数和自组织选取加权系数通过以下方式求解：首先，定义误差目标函数：其中，ei为误差，为第i个已知样本点xi所对应的已知真实输出值与通过椭圆基函数神经网络计算所得值y(xi)之间的差值，即：其次，采用优化算法对该误差目标评价函数求解，得到自组织选取加权系数和扩展常数：将N个已知样本点数据(xi、)，i＝1LLN代入误差目标函数式，采用优化算法可以求解得到当目标函数式最小值时的自组织选取扩展常数σj(j＝1LLN)与自组织选取加权系数λj(j＝1LLN)、λN+1，将求解得到的σj(j＝1LLN)、λj(j＝1LLN)及λN+1代入椭圆基函数神经网络，则可以得到加权系数和扩展常数自组织选取的椭圆基函数神经网络函数。进一步的，自组织选取加权系数具有如下约束关系式：进一步的，步骤五依次包括以下步骤：指定所求解机械结构件结构参数优化设计变量、优化目标性能评价指标与前述椭圆基函数神经网络输入变量、输出值之间的对应关系，并基于加权系数与扩展常数自组织选取的椭圆基函数神经网络，建立结构设计变量与优化目标性能评价指标之间的椭圆基函数神经网络；求解结构设计变量与优化目标性能评价指标之间椭圆基函数神经网络的自组织选取加权系数和扩展常数，得到结构参数优化设计变量与优化目标性能评价指标之间的数学映射模型。进一步的，当选取了多个优化目标性能评价指标时，可依次指定各个优化目标性能评价指标与椭圆基函数神经网络输出值相对应，来分别构建结构设计变量与各个优化目标性能评价指标之间的数学映射模型。进一步的，步骤六依次包括以下步骤：构建检验用试验样本数据，并通过结构设计变量与优化目标性能评价指标之间的数学映射模型、以及步骤一中的整体装配有限元模型，分别计算检验用试验样本数据所对应的性能评价指标数据；比较前步骤中两者的计算结果，判断结构设计变量与优化目标性能评价指标之间数学映射模型的精度是否满足要求，如果满足精度要求，则进行步骤七；如果不满足精度要求，则增加设计用试验样本点个数，重复步骤三、步骤五、步骤六，直到所构建的结构参数优化设计变量与优化目标性能评价指标之间数学映射模型满足精度为止。该方法在机械结构件结构参数优化设计过程中，考虑了实际装配边界约束影响，约束边界条件设置更符合实际情况；可实现机械结构件在实际工况(装配约束)下的性能(即整体装配模型的结构力学性能)判定，并以该性能作为优化目标性能评价指标对该结构件参数优化设计。因其选取整体装配模型的结构力学性能为优化目标性能评价指标，更符合机械结构件实际工况，使得机械结构件参数优化设计结果更加准确可靠。附图说明图1为机床结构件三维模型，图中q1-q5为该结构件的结构参数优化设计变量，分别为两侧板厚度、前侧板厚度、底板厚度、背部肋板厚度、底部肋板厚度；图2为考虑装配边界约束的整体装配有限元模型，所述整体装配有限元模型包含了所优化机械结构件，以及与该所优化机械结构件有装配约束关系的其它机械结构件，其中：1、床身，2、主轴箱，3、床鞍，4、尾架，5、托架；图3为一种机械结构件结构参数优化设计方法的流程示意图。具体实施方式为了便于理解本专利技术的上述目的、特征和优点，下面结合实施例进行阐述。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。对于这些实施例的多种修改对本领域的普通技术人员来说将是显而易见的，本文中所定义的一般原理，可以在不脱离本专利技术的精神或范围的情况下，在其它实施例中得以实现。下面以某型号机床的机床结构件(床鞍)结构参数优化设计为例，结合附图和实施例对本专利技术进一步说明。步骤一：建立所优化机械结构件在实际工况下的整体装配有限元模型，所述整体装配有限元模型包含了所优化机械结构件，以及与该所优化机械结构件有装配约束关系的其它机械结构件；以某型号机床的机床结构件(床鞍)的结构参数优化设计为例，所要优化的机床结构件三维模型见图1。建立所优化机械结构件在实际工况下的整体装配有限元模型，所述整体装配有限元模型包含了所优化机械结构件，以及与该所优化机械结构件有装配约束关系的其它机械结构件：基于商用有限元软件构建与该机床结构件有装配约本文档来自技高网...

【技术保护点】
1.一种考虑实际装配边界约束影响的机械结构件结构参数优化设计方法，其特征在于，包括以下步骤：步骤一：建立所优化机械结构件在实际工况下的整体装配有限元模型，所述整体装配有限元模型包含了所优化机械结构件，以及与该所优化机械结构件有装配约束关系的其它机械结构件；步骤二：定义所优化机械结构件的结构参数优化设计变量，定义结构设计变量的优化约束条件，选取优化目标性能评价指标，所述优化目标性能评价指标包括：所优化机械结构件在实际工况下的整体装配有限元模型的结构力学性能；步骤三：对步骤二中的结构参数优化设计变量进行试验设计，得到结构参数优化设计变量的设计用试验样本数据；并借助步骤一中的整体装配有限元模型，计算不同试验样本数据所对应的性能评价指标数据；步骤四：构建基于加权系数与扩展常数自组织选取的椭圆基函数神经网络函数；步骤五：通过步骤三中的样本数据，基于步骤四中的加权系数与扩展常数自组织选取的椭圆基函数神经网络函数，构建结构参数优化设计变量与优化目标性能评价指标之间的数学映射模型；步骤六：检验所构建的结构参数优化设计变量与优化目标性能评价指标之间数学映射模型的精度；判断精度是否满足要求，如果满足精度要求，则进行步骤七；如果不满足精度要求，则增加设计用试验样本点个数，重复步骤三、步骤五、步骤六，直到所构建的结构参数优化设计变量与优化目标性能评价指标之间的数学映射模型满足精度为止；步骤七：基于结构参数优化设计变量与优化目标性能评价指标之间的数学映射模型，根据步骤二中定义的优化约束条件、优化目标，通过优化算法求解该优化问题，实现机械结构件结构参数优化设计。...

【技术特征摘要】
1.一种考虑实际装配边界约束影响的机械结构件结构参数优化设计方法，其特征在于，包括以下步骤：步骤一：建立所优化机械结构件在实际工况下的整体装配有限元模型，所述整体装配有限元模型包含了所优化机械结构件，以及与该所优化机械结构件有装配约束关系的其它机械结构件；步骤二：定义所优化机械结构件的结构参数优化设计变量，定义结构设计变量的优化约束条件，选取优化目标性能评价指标，所述优化目标性能评价指标包括：所优化机械结构件在实际工况下的整体装配有限元模型的结构力学性能；步骤三：对步骤二中的结构参数优化设计变量进行试验设计，得到结构参数优化设计变量的设计用试验样本数据；并借助步骤一中的整体装配有限元模型，计算不同试验样本数据所对应的性能评价指标数据；步骤四：构建基于加权系数与扩展常数自组织选取的椭圆基函数神经网络函数；步骤五：通过步骤三中的样本数据，基于步骤四中的加权系数与扩展常数自组织选取的椭圆基函数神经网络函数，构建结构参数优化设计变量与优化目标性能评价指标之间的数学映射模型；步骤六：检验所构建的结构参数优化设计变量与优化目标性能评价指标之间数学映射模型的精度；判断精度是否满足要求，如果满足精度要求，则进行步骤七；如果不满足精度要求，则增加设计用试验样本点个数，重复步骤三、步骤五、步骤六，直到所构建的结构参数优化设计变量与优化目标性能评价指标之间的数学映射模型满足精度为止；步骤七：基于结构参数优化设计变量与优化目标性能评价指标之间的数学映射模型，根据步骤二中定义的优化约束条件、优化目标，通过优化算法求解该优化问题，实现机械结构件结构参数优化设计。2.如权利要求1所述的方法，其特征在于，所述步骤四包括以下子步骤：步骤4.1：建立自组织选取加权系数与扩展常数的椭圆基函数神经网络：其中，其中，xj为已知输入设计样本，x为待求未知量，xj和x的维度为n；y(x)为待求未知量所对应的输出值，其由以x到基函数中心xj之间马式距离为自变量的基函数线性加权组合而成；S为协方差矩阵，Sz为其对角线元素；σj(j＝1LLN)为自组织选取扩展常数；λj(j＝1LLN)、λN+1为自组织选取加权系数；N为输入样本点个数；n为设计变量个数。3.如权利要求2所述的方法，其特征在于，所述自组...

【专利技术属性】
技术研发人员：杨勇，姬宇，沈晔湖，蔡晓童，张子钺，蒋全胜，殷振，
申请(专利权)人：苏州科技大学，
类型：发明
国别省市：江苏,32