多路閥閥芯節流槽拓撲結構組合的神經網絡模型

姜濤,黃偉,王安麟

(同濟大學機械與能源工程學院,201804,上海)

?

多路閥閥芯節流槽拓撲結構組合的神經網絡模型

姜濤,黃偉,王安麟

(同濟大學機械與能源工程學院,201804,上海)

針對多路閥設計中閥芯節流槽結構的拓撲形態表達和其流固耦合響應的大組合、大自由度解析問題,提出多路閥閥芯節流槽拓撲結構組合的神經網絡模型。在利用多路閥動態特性臺架實驗驗證其三維流體解析結果的基礎上,將節流槽拓撲結構分類為由半圓槽、U型槽、圓孔等結構的參數化組合構成,通過正交實驗法得到各參數組合條件下的多路閥三維流體解析響應,作為反向傳播神經網絡的訓練樣本,實現其節流槽拓撲結構組合的神經網絡表達;采用進化神經網絡優化訓練過程的初始權重和閾值,優化后的神經網絡能夠對非訓練樣本集合的多路閥三維流體解析響應實現準確預測。研究結果表明,此模型為閥芯節流槽結構設計中拓撲形態表達提供了一種新的思路,對多路閥數字化設計具有實際意義。

多路閥;節流槽;拓撲結構;神經網絡;數字化設計

多路閥是多聯換向閥集成于一體的多功能換向閥,能夠同時控制多個執行機構,實現復合動作,被廣泛應用于挖掘機等工程機械。在開環液壓挖掘機液壓系統中,多路閥的換向性能與其內部結構緊密相關。近年來,越來越多的國內外學者利用三維流體解析,研究換向閥換向性能與其內部結構之間的關系,Amirant等對液壓滑閥內部結構及流場進行了研究[1-3];方文敏等研究了換向閥閥芯節流槽拓撲結構對流量控制特性及液動力等方面的影響[4-7]。基于多路閥閥芯節流槽結構的拓撲形態表達和其流固耦合響應的大組合、大自由度解析問題,許多研究都只是對單一的閥芯節流槽結構進行仿真對比并得出定性結論,無法系統性地給出閥芯節流槽拓撲結構組合與換向性能之間的關系。

針對上述的分析,本文的研究以某型多路閥回轉聯為例,提出多路閥閥芯節流槽拓撲結構組合的神經網絡模型,建立多路閥回轉聯的三維有限元模型來模擬其動態開啟過程,以出口流量超調量作為評價指標。在利用多路閥動態特性臺架實驗驗證其三維流體解析結果的基礎上,將閥芯節流槽拓撲結構分類為由半圓槽、U型槽、圓孔等結構的參數化組合構成,通過正交實驗法得出各參數組合條件下的動態仿真方案,并將其動態仿真結果作為反向傳播(back propagation,BP)神經網絡的訓練樣本,實現其節流槽拓撲結構組合的神經網絡表達。利用進化神經網絡對訓練過程的初始權重和閾值進行優化,以提高模型的預測精度與泛用性。多路閥閥芯節流槽拓撲結構組合的神經網絡模型的建立,為閥芯節流槽結構設計中其拓撲形態表達提供了一種新的思路,對多路閥數字化設計具有實際意義。

1 換向閥動態響應的仿真與實驗

1.1 回轉聯換向閥結構模型

開環液壓挖掘機回轉系統是由回轉工作臺、回轉支撐結構、回轉機構及回轉液壓系統組成,回轉作業時,通過控制回轉聯換向閥的動作,決定回轉方向及回轉的動態特性。回轉系統的穩定性與回轉馬達及液壓零部件的壽命、操作者的舒適度和安全感有關[8],在換向閥換向過程中,閥口節流槽的節流特性對回轉作業的穩定性有很大影響,因此,合理地設計閥芯節流槽拓撲結構對回轉作業的穩定性具有重大意義。

回轉聯換向閥的結構由閥體、閥芯、復位彈簧和節流槽拓撲結構組成,如圖1所示,P口為進油口,A、B口為工作口,T口為回油口;在先導力和彈簧力的作用下,通過閥芯的移動,實現P口與A口或B口的連通,進而實現不同的回轉作業。

圖1 回轉聯換向閥結構圖

1.2 換向閥動態響應的仿真模型

如圖2所示,換向閥動態響應的仿真模型由閥芯和流體兩部分組成,由于閥芯兩邊分布的節流槽拓撲結構相互對稱,故本文以P-B通道為例進行仿真研究。動態仿真過程中閥芯不動,通過閥芯內腔中的流體運動來模擬換向閥的動態開啟過程。圖中箭頭方向為油液流動方向。

圖2 換向閥動態響應的仿真模型

流體的網格模型如圖3所示,劃分網格時只對流體進行操作。仿真模型相關參數的設置需與臺架實驗保持一致,對應的邊界條件為:進口(即P口)設置流量值,出口(即A口與B口)設置壓力值,閥芯左端設置彈簧力,彈簧剛度為117 kN·m-1,閥芯右端設置先導壓力為2 MPa;對應的流體狀態參數為:液壓油動力黏度為0.036 Pa·s,液壓油密度為890 kg·m-3,體積模量為700 MPa。

圖3 換向閥流體的網格模型

1.3 實驗與仿真的對比

為了驗證三維流體解析結果的準確性,將同等條件下的實驗結果與仿真結果進行對比。實驗臺架采用同濟大學液壓元器件動態特性綜合實驗臺,主要由液壓動力站、控制系統、閥實驗臺及被試多路閥組成。

本文以多路閥回轉聯為例,在不同工況下,對回轉聯進行加載。實驗結果與仿真結果的對比見表1,可得實驗結果與仿真結果的誤差小于5%。

表1 不同工況下出口流量仿真結果與實驗結果 的對比

以表1中的工況12為例,分析對比仿真與實驗過程中多路閥回轉聯出口流量的動態變化。

如圖4所示,仿真出口流量與實驗出口流量的變化趨勢一致,由于實驗過程中系統的泄漏,導致實驗出口流量略小于仿真出口流量。

圖4 同一工況下出口流量仿真結果與實驗結果的對比

綜合以上仿真與實驗的對比,驗證了三維流體解析結果的準確性。

2 節流槽拓撲結構組合的參數化表達

2.1 節流槽的節流特性

換向閥在換向過程中,閥芯在軸向上受先導作用力、彈簧力、液動力(穩態液動力與瞬態液動力)、黏性阻尼力和慣性力,表達式為

x=f(Fc,Ft,Ff,Fv,Fm)

(1)

式中:x是閥芯運動位移;Fc為先導作用力;Ft為彈簧力;Ff為液動力;Fv為黏性阻尼力;Fm為慣性力。

在一定的先導作用力和彈簧力作用下,換向閥閥芯在軸向上所受的液動力、黏性阻尼力、慣性力與換向閥入口流量Qi、負載壓力P、面積梯度W有關。結合式(1)可得

x=f(Qi,P,W)

(2)

在節流階段,根據節流公式

Qo=CdA(2ΔP/ρ)1/2

(3)

式中:Qo為流量;Cd為流量系數;A=Wx為過流面積;ΔP為節流處進出口壓差;ρ為液壓油密度。

節流槽結構一定的情況下,面積梯度W是關于閥芯運動位移的函數,其表達式為

(4)

式中:W(x)為面積梯度函數;xv為節流口開始前的閥芯運動位移死區。

節流過程前后,出口流量從無到有,在達到穩定值前,存在最大值,因此流量超調量為

QM=Qmax-Qw

(5)

式中:Qmax為出口流量最大值;Qw為出口流量穩定值;QM為出口流量超調量。

根據式(2)～式(5)可得

QM=g(P,Qi,W)

(6)

綜上所述,在工況一定的條件下,換向閥閥芯節流槽的節流特性取決于面積梯度函數,而面積梯度函數由節流槽拓撲結構決定。

2.2 節流槽面積梯度函數的參數化表達

本文將節流槽拓撲結構主要分為常見的幾種類型,即半圓槽、U型槽和圓孔,通過確定不同節流槽拓撲結構的尺寸參數和坐標,實現節流槽面積梯度函數的參數化表達。在3種節流槽結構數目一定的情況下,如圖5所示,以換向閥內腔垂直于閥芯軸線的一面作為參考面,3種節流槽結構的組合可用x1、x2、x3、r1和r2這5個參數表示。

圖5 節流槽拓撲結構坐標圖

面積梯度函數可由這5個參數所確定,其表達式為

W=W(x1,x2,x3,r1,r2,x),x>xv

(7)

為了滿足面積梯度函數的連續性,則必須滿足

x3-x2<2r2

(8)

參數x1、x2、x3、r1和r2確定了面積梯度隨閥芯運動位移x的變化規律。

根據式(6)、式(7)可得

QM=g(x1,x2,x3,r1,r2,P,Qi)

(9)

換向閥在換向過程中出口流量的超調量由入口流量Qi,負載壓力P和參數x1、x2、x3、r1、r2所共同決定。

3 閥芯節流槽拓撲結構組合的神經網絡模型的構建

神經網絡是一種模擬人腦神經元活動過程的數學模型,適用于非線性復雜系統[9],已廣泛應用于諸多領域[10-11]。本文以換向閥換向過程中出口流量超調量為評價指標,通過對換向閥閥芯節流槽拓撲結構組合的參數化表達,采用BP神經網絡構建換向閥出口流量超調量與其閥芯節流槽拓撲結構、入口流量及出口壓力之間的函數模型。

3.1 基于三維流體解析的神經網絡訓練樣本

由于需要得到換向閥在不同閥芯節流槽拓撲結構下的出口流量超調量,考慮到較大的實驗成本,在利用多路閥動態特性臺架實驗驗證其三維流體解析結果的基礎上,通過正交實驗法設計動態仿真方案,采用三維流體解析獲取BP神經網絡的訓練樣本。

本文所采用的正交實驗包含5個因素,即結構參數x1、x2、x3、r1和r2,以某型多路閥回轉聯閥芯拓撲結構為參照,設計每個因素的取值范圍及水平值。

如表2所示,每一個因素在其取值范圍內均勻地選取4個水平值,換向閥的入口流量及負載壓力在規定的范圍內也分別均勻選取5個水平值,即每一種節流槽拓撲結構組合對應25組動態仿真。

表2 神經網絡的訓練樣本

3.2 閥芯節流槽拓撲結構組合的神經網絡模型的結構

閥芯節流槽拓撲結構組合的神經網絡模型的構建,相當于建立換向閥出口流量超調量與節流槽拓撲結構組合的表達參數、入口流量及負載壓力之間的函數關系,即建立式(9)所對應的函數模型。

圖6 閥芯節流槽拓撲結構組合的神經網絡結構圖

隱含層的節點數nh需要根據已有經驗及反復嘗試獲得,根據經驗公式

nh=2ni+1

(10)

故隱含層節點數范圍為5～30,經過反復仿真對比,確定隱含層節點數取為25。

3.3 基于遺傳算法的進化神經網絡模型的預測

由于換向閥換向性能與其閥芯節流槽拓撲結構之間的關系過于復雜,以及BP神經網絡的網絡性能受初始權重和閾值的影響較大,因此在BP神經網絡模型的基礎上,采用遺傳算法構建進化神經網絡[12-13]優化其訓練過程的初始權重和閾值,以提高模型的預測精度。

遺傳算法優化神經網絡的流程如圖7所示,遺傳算法采用實數編碼方式,網絡的輸入層有7個節點,輸出層有1個節點,隱含層有25個節點,故共有7×25+25×1=200個權重,25+1=26個閾值,所以遺傳算法個體的編碼長度為200+26=226。將網絡訓練數據預測誤差的絕對值之和作為個體適應度值,選擇操作采用輪盤賭法,遺傳算法的種群規模為60,進化代數為100,交叉概率為0.5,變異概率為0.1,神經網絡的訓練次數為1×103,優化得最優的網絡初始權重和閾值。

圖7 遺傳算法優化神經網絡的流程圖

閥芯節流槽拓撲結構組合的神經網絡模型建立之后,以測試樣本數據驗證預測模型的準確性。如表3所示,參數x1、x2、x3、r1和r2分別在其取值范圍內選取水平值,以構造2種節流槽拓撲結構組合;入口流量及負載壓力也分別在其取值范圍內均勻地取5個值。通過動態仿真可得神經網絡模型的測試樣本,測試樣本共有50組測試數據。

采用遺傳算法優化前后的BP神經網絡模型,分別對測試樣本進行預測,將預測結果與仿真結果對比,如圖8、9所示。

表3 神經網絡的測試樣本

圖8 優化前預測結果與仿真結果對比

圖9 優化后預測結果與仿真結果對比

優化前后,神經網絡的預測結果與仿真結果的相對誤差對比如圖10所示,采用遺傳算法優化神經網絡,提高了網絡模型的預測精度。

圖10 優化前后預測結果與仿真結果相對誤差對比

4 結 論

為解決多路閥設計中閥芯節流槽結構的拓撲形態表達和其流固耦合響應的大組合、大自由度解析問題,提出多路閥閥芯節流槽拓撲結構組合的神經網絡模型。

(1)本文采用多路閥回轉聯動態仿真模型進行研究,并以可模擬實際工況的液壓元器件動態特性綜合實驗臺在回轉工況下的實驗數據作為對比,驗證了多路閥三維流體解析響應作為BP神經網絡的訓練樣本的合理性。

(2)將閥芯節流槽拓撲結構分類為由半圓槽、U型槽、圓孔等結構的參數化組合構成,通過正交實驗法得到各參數組合條件下的多路閥三維流體解析響應,作為反向傳播神經網絡的訓練樣本,構建多路閥閥芯節流槽拓撲結構組合的神經網絡模型。

(3)采用遺傳算法優化神經網絡的初始權重和閾值,提高了模型的預測精度,此模型的提出為閥芯節流槽結構設計中其拓撲形態表達提供了一種新的思路,對多路閥數字化設計具有實際意義。

[1] AMIRANTE R, DEL VESCOVO G, LIPPOLOS A. Flow forces analysis of an open center hydraulic directional control valve sliding spool [J]. Energy Conversion and Management, 2006, 47(1): 114-131.

[2] DASGUPTA K, WATTON J. Dynamic analysis of proportional solenoid controlled piloted relief valve by bondgraph [J]. Simulation Modelling Practice and Theory, 2005, 13(13): 21-38.

[3] GUILLERMO P S. Three-dimensional modeling and geometrical influence on the hydraulic performance of a control valve [J]. Journal of Fluids Engineering, 2008, 130(1): 151-163.

[4] 方文敏, 成琳琳, 傅新, 等. 帶U形節流槽的滑閥穩態液動力研究 [J]. 浙江大學學報: 工學版, 2010, 44(3): 574-580. FANG Wenmin, CHENG Linlin, FU Xin, et al. Investigation on steady-state flow force of spool valve with U-grooves [J]. Journal of Zhejiang University: Engineering Science, 2010, 44(3): 574-580.

[5] 冀宏, 王東升, 劉小平, 等. 滑閥節流槽閥口的流量控制特性 [J]. 農業機械學報, 2009, 40(1): 198-202. JI Hong, WANG Dongsheng, LIU Xiaoping, et al. Flow control characteristic of the orifice in spool valve with notches [J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(1): 198-202.

[6] 王安麟, 吳小鋒, 周成林, 等. 基于CFD的液壓滑閥多學科優化設計 [J]. 上海交通大學學報, 2010, 44(12): 1767-1772. WANG Anlin, WU Xiaofeng, ZHOU Chenglin, et al. Multidisciplinary optimization of a hydraulic slide valve based on CFD [J]. Journal of Shanghai Jiaotong University, 2010, 44(12): 1767-1772.

[7] 孫澤剛, 肖世德, 王德華, 等. 多路閥雙U型節流槽結構對氣穴的影響及優化 [J]. 華中科技大學學報: 自然科學版, 2015, 43(4): 38-43. SUN Zegang, XIAO Shide, WANG Dehua, et al. Impaction and optimization of double U-throttle groove structure of multi-way valve on cavitation [J]. Journal of Huazhong University of Science and Technology: Natural Science Edition, 2015, 43(4): 38-43.

[8] 劉鋒. 中型液壓挖掘機回轉系統工作性能的研究 [D]. 長沙: 中南大學, 2011: 3-10.

[9] 高雋. 人工神經網絡原理及仿真實例 [M]. 北京: 機械工業出版社, 2007: 1-10.

[10]王吉權, 王福林, 邱立春. 基于BP神經網絡的農機總動力預測 [J]. 農業機械學報, 2011, 42(12): 121-126. WANG Jiquan, WANG Fulin, QIU Lichun. Prediction of total power in agriculture machinery based on BP neural network [J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(12): 121-126.

[11]賈振元, 馬建偉, 劉巍, 等. 多幾何要素影響下液壓閥件特性的混合神經網絡預測模型 [J]. 機械工程學報, 2010, 46(2): 126-131. JIA Zhenyuan, MA Jianwei, LIU Wei, et al. Hybrid neural network prediction model of hydraulic valve characteristics under the affection of multiple geometric factors effected [J]. Journey of Mechanical Engineering, 2010, 46(2): 126-131.

[12]MOMENI E, NAZIR R, ARMAGHANI D J, et al. Prediction of pile bearing capacity using a hybrid genetic algorithm-based ANN [J]. Measurement, 2014, 57(11): 122-131.

[13]MELIH I. ANN and ANFIS performance prediction models for hydraulic impact hammers [J]. Tunnelling and Underground Space Technology, 2012, 27(1): 23-29.

(編輯 武紅江)

A Neural Network Model for Spool Throttling Groove Topology Combination of Multi-Way Valves

JIANG Tao,HUANG Wei,WANG Anlin

(School of Mechanical Engineering, Tongji University, Shanghai 201804, China)

A neural network model for the spool throttling groove topology combination of multi-way valves is proposed to deal with the problem that there exist various combinations of topological form expression of throttling groove structure on spool and huge degrees of freedom of analysis of fluid-structure coupling response in the design of multi-way valves. The throttling groove topological structures are classified into semicircle groove, U-shaped groove, round hole groove and so on, and form different parameterized combinations of these structures based on validation of analytical results in using the multi-way valve dynamic characteristic test. The orthogonal experiment method is used to obtain three-dimensional fluid analytical responses of the multi-way valve for each parameter combination, then these responses are used as training samples of a back propagation neural network to achieve the neural network expression of the throttling groove topology combination. The initial weights and threshold of training process are optimized by an evolutionary neural network to improve prediction accuracy of the model, so that accurate predictions for non-training samples are achieved. The results show that the proposed model provides a new idea for topological form expression in the design of spool throttling groove structures, and has practical significance for digital design of multi-way valves.

multi-way valve; throttling groove; topology; neural network; digital design

2015-09-01。 作者簡介:姜濤(1969—),男,副教授,碩士生導師;黃偉(通信作者),男,碩士生。 基金項目:工業和信息化部2011年科技成果轉化資助項目(財建〔2011〕30號)。

時間:2016-04-15

10.7652/xjtuxb201606006

TH137.52

A

0253-987X(2016)06-0036-06

網絡出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20160415.1610.002.html