基于Isight的短行程復材壓機結構優化設計

張祎杉

（福州大學 機械工程及自動化學院，福建 福州 350108）

1 引言

短行程壓機采用下預緊梁柱式結構，機架主要由上下梁、活動梁和鎖緊螺母組成，在工作循環中，回程缸驅動上梁沿拉桿垂直方向運動至下限位，活塞液壓缸驅動活動梁向上運動完成壓制。在限位處分別由鎖緊活塞缸驅動固定于上梁的鎖緊螺母對上梁進行位置鎖定。結構上采用下置式油缸安裝，降低整機中心。與傳統壓機相比，短行程壓機主缸行程短縮短了建壓時間，上梁移動速度更快，生產效率更高。液壓組件更小，降低能耗的同時也使得壓機整體結構更加緊湊。三維模型如圖1 所示。

圖1 裝配體參數化模型示意圖

作為液壓機的主要支承部件，機架結構的合理設計對于減輕設備質量、提高結構綜合性能和制品成型精度無疑具有重要意義[1]。劉占穩[2]建立100MN等溫鍛造液壓機殼單元模型，結合正交試驗和響應面近似建模方法對各板厚進行優化，獲得兩種優化方案：①剛度不變質量減少8.39%；②上梁剛度提高16.54%且總質量減輕4.18%兩種優化方案。劉星等[3]針對700t 鑄造式液壓機上梁優化設計，提出一種改進遺傳算法，以最大變形和最大應力最約束，以質量為目標響應，實現交互式優化設計，結果表明：在保持變形不變的情況下，最大應力下降5.87%，質量減少12.09%。文獻[4]～[8]也分別通過不同的結構參數優化實現了機架優化設計。在滿足設計標準的基礎上，結合優化算法求解，提高液壓機力學性能，減輕機架質量已經成為液壓機結構優化設計的主要研究方向。

由于接觸的非線性特點，分析整個裝配體計算較為復雜，在對單一部件進行優化時，存在著邊界條件難以確定的問題，而現有研究大多針對機架單個零部件進行分析和優化，對于整機機架多部件綜合分析優化研究較少。筆者通過建立25MN 短行程復材壓機參數化模型，結合試驗設計和RBF 神經網絡近似模型技術構建以上下梁剛度、機架總質量為目標的優化模型，利用NSGA-II 算法進行求解，獲得符合優化預期的結構，進而提高機架的綜合性能。

2 參數化建模

在優化過程中涉及高頻率調用有限元模型進行計算模擬，反復多次調用模型在時間上并不具備可行性，因此采用基于Python 語言的參數化建模技術。為提高分析可行性和計算效率，對短行程復材壓機模型做出以下簡化和假設：①在建模中忽略回程缸、凸臺、倒角及螺栓孔等不影響壓機整體性能的細部結構；②由于載荷、材料和結構具有對稱性，故只建立1/4 模型以提高計算效率；③壓制過程中高壓行程短，可忽略動載荷影響；④拉桿螺紋聯接結構簡化為綁定接觸，降低計算規模，且對整體力學性能影響有限。

由于整機零部件較多，若是每個部件均使用腳本創建，則工作量過于龐大，因此僅對優化設計的重點部件：上梁、下梁和拉桿以及與拉桿同軸的螺母和導向套進行腳本創建，其余部件均保留原設計結構，通過程序語言調入。在腳本中需要對裝配體中的接觸區域進行網格細化以提高計算精度，將載荷施加在合適的截面上。部件裝配是參數化的重點部分，需明確部件坐標及空間位置以保證參數變化時能夠正確裝配。螺母和導向套的孔徑與拉桿直徑相等，拉桿總長度與梁高相關聯。通過參數化建模實現變化參數自動生成新的整機裝配模型。參數化生成模型如圖1 所示。

3 建立優化模型

3.1 設計變量

由于機架幾何參數眾多，考慮到優化求解的計算可行性。選取設計變量如下：下梁下板上部厚度x1、下梁上板下部厚度x2，拉桿直徑x3、下梁中部高x4、下梁前后橫向筋板x5、上梁下板上部厚度x6、上梁上板厚x7、上梁縱向板厚x8、工藝孔與下梁上板間距x9、上梁縱向板厚x10、上梁中部高x11、下梁中間橫向板厚x12，下梁縱向板厚x13，下梁斜板厚x14，如圖2 所示，從左至右依次為上梁、下梁和拉桿尺寸參數。從左至右依次為上梁、下梁和拉桿設計參數。設計變量記為：X=（x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13,x14）。

圖2 機架結構尺寸參數示意圖

3.2 約束條件

對于強度，要求上梁、下梁所受最大應力均不超過材料許用應力，如式1：

式中：σ1max、σ2max分別為上下梁所受最大應力；[σ1]、[σ2]分別為梁部件最大材料許用應力。

3.3 確定優化目標函數

本研究優化設計目標是更優剛度性能和降低總質量，因此，以上梁剛度f1、下梁剛度f2為優化目標和機架總質量f3為目標。其中，剛度計算如式2，質量計算如式3。

式中：δ1為梁對稱面最大豎直位移，δ2為梁對稱面最小豎直位移，L 為梁跨度。

式中：Vi為單元體積，m 為劃分單元總數。

在確定設計變量取值范圍時，需保證各部件之間不產生干涉。結合裝備工藝約束等條件，得到機架多目標優化模型如式4：

4 多目標優化求解與分析

4.1 優化流程

機架優化流程如圖3 所示，Isight 與Abaqus 的集成主要通過參數化腳本作為源文件進行模型自動重生成與計算。其中：輸入文件Press_frame_in.py 用于定義設計變量，創建機架裝配體參數化模型；Press_frame.bat 為批處理文件，用于調用輸入文件計算；Press_frame_out 為輸出結果文件，計算輸出優化目標函數值。

圖3 Isight 優化設計流程示意圖

通過最優超拉丁方方法生成的試驗設計的樣本點自動重生成模型計算目標響應值，隨后基于徑向基神經網絡構建近似模型，最后結合NSGA-II 算法進行優化求解。

4.2 構建近似模型與誤差檢驗

RBF 神經網絡具有極佳的逼近能力，尤其是應用于非線性函數的擬合，具有較強的魯棒性和容錯性，基于以上優點，本文采用徑向基神經網絡方法構建整機近似代理模型。由于近似模型都存在誤差，因此近似建模后需檢驗模型精度是否符合要求，通常采用復相關系數R2進行檢驗（通常視R2≥0.9 為滿足精度要求），R2值越接近1，代表模型擬合精度越高。三個響應值的近似模型擬合精度均大于0.98，滿足精度要求。

4.3 多目標優化分析

工程優化問題通常涉及多目標優化，各目標之間往往相互沖突，因此得到的優化解并不唯一，只能獲得一組pareto 最優解集[9]。

NSGA-II 算法采用擁擠度和比較算子，降低了非劣排序遺傳算法的復雜性，前沿Pareto 最優解可以均勻擴散至整個Pareto 求解域，對于解決機架參數多目標優化問題有較大優勢[4]。因此本文選擇NSGA-II 遺傳算法對優化模型進行求解，設置種群規模大小為100，循環迭代次數為200，交叉概率為0.9，共進行20000 次迭代求解。最終得到653 組Pareto 最優解集構成的前沿曲線。上下梁剛度這兩個目標之間為矛盾關系，無法同時達到最優。

從Pareto 解集中選取6 個優化解進行設計變量數值圓整，并將其優化值和有限元實際仿真值進行比較，計算相對誤差。最大誤差為3.688%在有限樣本點內為可接受水平。通過對Pareto 解集分析可知：①下梁上臺下厚x1、下梁前后橫板厚x5、上梁下板上部厚度x6、上梁下臺板x7和下梁中間橫板厚x12在各優化組合中均趨向設計域上限；②下梁上板下厚x2、拉桿直徑x3、上梁縱向板厚x8、工藝孔與下梁上板間距x9、上梁橫板厚x10、下梁斜板厚x13和下梁縱向板厚x14在各優化組合中均趨于設計域下限；③下梁中部高度x4、下梁中部高度x11取值在各優化組合下不同。

優化結果中增加了上下臺板的厚度，大幅改善了上下臺板對稱面的應力集中現象，同時，上臺板面應力分布明顯更加均勻。優化后最大應力為123.5MPa低于原設計的128.7MPa。優化后軸向位移幅值低于原設計，剛度為0.1265mm/m，較原設計0.140mm/m 提高約10.2%。下梁優化前后最大應力為278.3MPa，位于地腳螺栓孔安裝面，這是由于網格畸變所導致。實際最大應力為215.8MPa，位于右側中間橫向筋板與下臺板連接處，優于原設計的225.3MPa，上臺面拉桿孔周圍、側板下部和工藝孔周圍應力分布得到明顯的改善，說明上臺板厚度和側板厚度是影響上臺面和側板應力分布的重要影響參數，而工藝孔區域應力分布情況主要受工藝孔位置板和孔距下梁上臺面距離共同作用。優化后的軸向位移分布更為均勻合理，優化后下梁剛度為0.475mm/m 較原結構剛度0.575mm/m 提升約17.4%。機架總質量也從116.67t 下降至112.65t，減重3.4%，符合預期優化目標。

4 結論

本文通過建立短行程復材壓機參數化模型對機架主要支承部件進行優化設計，通過優化結果與原設計的驗證對比，得到如下結論：①優化后結果與原設計相比，上下梁最大應力均有所減小，且應力分布更為均勻合理，側板和臺板厚度是影響部件應力分布的重要參數；②拉桿直徑對于整機結構剛度性能影響不大，在優化過程中可以考慮在允許范圍內取下限值，有利于降低機架質量，減少制造成本；③優化后在滿足設計標準的條件下，上梁剛度提高10.2%，下梁剛度提高17.4%，總質量下降3.4%，優化效果顯著；③本研究的優化流程同樣適用于大型復雜機械結構的優化設計，具有良好的工程應用價值。