本文關(guān)鍵詞：機(jī)床支承件不確定性多目標(biāo)優(yōu)化設(shè)計(jì)

  更多相關(guān)文章： 拓?fù)鋬?yōu)化 不確定性 遺傳算法 粒子群算法 多目標(biāo)優(yōu)化

【摘要】：現(xiàn)代工業(yè)精密、超精密加工對機(jī)床的各項(xiàng)性能提出了更高的要求,機(jī)床支承件作為主要承載零件,其結(jié)構(gòu)合理與否直接影響著機(jī)床的加工質(zhì)量。傳統(tǒng)支承件設(shè)計(jì)方法常采用經(jīng)驗(yàn)法、相似產(chǎn)品類比法,其效率低、設(shè)計(jì)周期長、能耗高且設(shè)計(jì)效果不佳,不得不探索更高效、有效的支承件設(shè)計(jì)方法。機(jī)床支承件在制造與使用過程中廣泛存在各種不確定因素(諸如材料參數(shù)不確定性和載荷不確定性),眾多不確定因素耦合對機(jī)床加工精度產(chǎn)生的影響不容忽視。然而常規(guī)支承件設(shè)計(jì)方法無法處理工程中含有不確定因素的問題,不確定性多目標(biāo)優(yōu)化方法則成為解決此問題的關(guān)鍵技術(shù)。本文考慮支承件優(yōu)化設(shè)計(jì)過程中支承件材料密度、彈性模量及切削載荷的不確定性,采用幾種不同的不確定性多目標(biāo)優(yōu)化方法對主軸箱和立柱進(jìn)行了不確定性多目標(biāo)優(yōu)化設(shè)計(jì),對比優(yōu)化結(jié)果并確定最終設(shè)計(jì)方案。本文主要工作內(nèi)容如下：(1)首先建立支承件不確定性多目標(biāo)優(yōu)化問題。選取不確定變量,并利用Ansys Workbench軟件分別對主軸箱和立柱的主要特征尺寸進(jìn)行了關(guān)于各優(yōu)化目標(biāo)的靈敏度分析,依據(jù)分析結(jié)果選取優(yōu)化變量；采用拉丁超立方抽樣方法在不確定變量和優(yōu)化變量組成的空間抽樣,并計(jì)算相應(yīng)的優(yōu)化目標(biāo)值；運(yùn)用支持向量機(jī)方法(SVM)構(gòu)建了不確定變量、優(yōu)化變量與優(yōu)化目標(biāo)、約束函數(shù)的近似模型,并驗(yàn)證其精度。(2)采用將改進(jìn)的非支配排序遺傳算法(NSGA-Ⅱ)與隔代映射遺傳算法(IP-GA)嵌套的算法,以機(jī)床切削點(diǎn)位移和支承件(主軸箱、立柱)重量為優(yōu)化目標(biāo),將支承件—階固有頻率作為約束,求解主軸箱和立柱不確定性多目標(biāo)優(yōu)化問題。(3)采用將粒子群算法(PSO)嵌套的方法代替嵌套遺傳算法來求解第三章中的支承件不確定性多目標(biāo)優(yōu)化問題。(4)采用將改進(jìn)的非支配排序遺傳算法(NSGA-Ⅱ)于粒子群算法(PSO)嵌套的方法求解第三章中的支承件不確定性多目標(biāo)優(yōu)化問題,并對比三種方法求解結(jié)果,選定最終優(yōu)化方案。結(jié)果表明：本文提出的不確定性優(yōu)化方法可以有效解決不確定因素影響下的支承件結(jié)構(gòu)設(shè)計(jì)問題。相對于初始方案,經(jīng)不確定性多目標(biāo)優(yōu)化后的主軸箱切削點(diǎn)位移均值降低11.87%,切削點(diǎn)位移區(qū)間減小34.78%,主軸箱重量降低8.01%；立柱切削點(diǎn)位移降低5.56%,切削點(diǎn)位移區(qū)間減小24.22%,立柱重量降低6.91%。
【關(guān)鍵詞】：拓?fù)鋬?yōu)化 不確定性 遺傳算法 粒子群算法 多目標(biāo)優(yōu)化
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TG502.1
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-17
• 1.1 課題來源9
• 1.2 研究背景及意義9-10
• 1.3 不確定因素及其優(yōu)化模型10-12
• 1.3.1 工程中不確定因素的分類10
• 1.3.2 不確定性優(yōu)化模型10-12
• 1.4 支承件結(jié)構(gòu)優(yōu)化方法研究現(xiàn)狀12-15
• 1.4.1 結(jié)構(gòu)拓?fù)鋬?yōu)化13-15
• 1.4.2 不確定性多目標(biāo)優(yōu)化15
• 1.5 本文研究工作15-17
• 2 支承件不確定性多目標(biāo)優(yōu)化問題及優(yōu)化模型的建立17-38
• 2.1 支承件不確定性多目標(biāo)優(yōu)化問題描述17-19
• 2.1.1 支承件性能評價(jià)指標(biāo)17-18
• 2.1.2 支承件不確定性多目標(biāo)優(yōu)化問題的建立18-19
• 2.2 常用近似模型技術(shù)19-22
• 2.2.1 響應(yīng)面模型20
• 2.2.2 Kriging模型20-21
• 2.2.3 支持向量機(jī)模型21-22
• 2.3 不確定變量的選取22
• 2.4 基于靈敏度分析優(yōu)化變量選取22-29
• 2.4.1 載荷計(jì)算23-24
• 2.4.2 主軸箱優(yōu)化變量的選取24-26
• 2.4.3 立柱優(yōu)化變量的選取26-29
• 2.5 基于拉丁超立方采樣方法的設(shè)計(jì)點(diǎn)選取29-34
• 2.5.1 主軸箱設(shè)計(jì)點(diǎn)的選取30-32
• 2.5.2 立柱設(shè)計(jì)點(diǎn)的選取32-34
• 2.6 SVM模型建立及精確度驗(yàn)證34-37
• 2.6.1 主軸箱SVM模型建立及精確度驗(yàn)證34-36
• 2.6.2 立柱SVM模型建立及精確度驗(yàn)證36-37
• 2.7 本章小結(jié)37-38
• 3 基于遺傳算法的支承件區(qū)間不確定性多目標(biāo)優(yōu)化38-50
• 3.1 不確定性多目標(biāo)優(yōu)化遺傳算法39-41
• 3.1.1 改進(jìn)非支配排序遺傳算法(NSGA-Ⅱ)39
• 3.1.2 隔代映射遺傳算法(IP-GA)39-40
• 3.1.3 嵌套遺傳算法40-41
• 3.2 主軸箱優(yōu)化結(jié)果及分析41-45
• 3.2.1 嵌套遺傳算法優(yōu)化結(jié)果42-45
• 3.3 立柱優(yōu)化結(jié)果及結(jié)果分析45-49
• 3.3.1 嵌套遺傳算法優(yōu)化結(jié)果45-49
• 3.4 本章小結(jié)49-50
• 4 基于粒子群算法的支承件區(qū)間不確定性多目標(biāo)優(yōu)化50-57
• 4.1 不確定性多目標(biāo)優(yōu)化粒子群算法50-52
• 4.1.1 粒子群算法(PSO)50-51
• 4.1.2 嵌套粒了群算法51-52
• 4.2 主軸箱優(yōu)化結(jié)果及分析52-54
• 4.2.1 嵌套粒子群算法優(yōu)化結(jié)果52-54
• 4.3 立柱優(yōu)化結(jié)果及結(jié)果分析54-56
• 4.3.1 嵌套粒子群算法優(yōu)化結(jié)果54-56
• 4.4 本章小結(jié)56-57
• 5 基于改進(jìn)算法的支承件不確定性多目標(biāo)優(yōu)化57-63
• 5.1 主軸箱不確定性多目標(biāo)優(yōu)化結(jié)果57-59
• 5.2 立柱不確定性多目標(biāo)優(yōu)化結(jié)果59-62
• 5.3 本章小結(jié)62-63
• 結(jié)論63-64
• 參考文獻(xiàn)64-67
• 攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況67-68
• 致謝68-69

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉繼紅;付超;孟欣佳;;隨機(jī)與區(qū)間不確定性下基于BLISS的多學(xué)科可靠性設(shè)計(jì)優(yōu)化[J];計(jì)算機(jī)集成制造系統(tǒng);2015年08期

2 丁文政;汪木蘭;朱松青;黃筱調(diào);;高檔數(shù)控機(jī)床動(dòng)態(tài)性能的評價(jià)研究[J];機(jī)床與液壓;2014年23期

3 馬福民;徐安平;劉濤濤;;不確定因素作用下連續(xù)型企業(yè)能源消耗過程建模方法[J];計(jì)算機(jī)集成制造系統(tǒng);2015年10期

4 黃韶娟;盛伯浩;;未來機(jī)床制造業(yè)發(fā)展探析[J];航空制造技術(shù);2014年11期

5 李偉平;謝鋒;馬騰飛;張寶珍;;基于區(qū)間的車架不確定性多目標(biāo)優(yōu)化[J];汽車工程;2014年03期

6 許華e，

本文編號：797888