CN110674558B - 一种高速动车组牵引齿轮的降噪修形优化方法 - Google Patents

Abstract

一种高速动车组牵引齿轮的降噪修形优化方法，选取主动轮的最大修形量和修形长度作为齿廓修形的参数，以Walker曲线为修形曲线，构建齿轮修形参数化模型；设计修形参数范围，采用最优拉丁超立方法抽样获取多组修形参数组合，构建修形齿轮传动虚拟样机模型；按动态啮合力‑谐响应‑声学边界元的流程进行仿真分析，获得以修形参数为输入、辐射噪声为输出的多组数据；将上述多组数据通过径向基神经网络训练和对比，建立具有稳定映射关联的修形参数‑噪声预测模型；以噪声最小化为优化目标，借助多岛遗传算法求解齿轮最优修形参数组合。本发明求得的齿轮传动系统最小辐射噪声下的最优修形参数组合，能有效运用于动车组牵引齿轮的降噪修形设计。

Description

一种高速动车组牵引齿轮的降噪修形优化方法

技术领域

本发明属于齿轮加工技术领域，涉及一种通过齿轮修形来降低高速动车组牵引齿轮传动噪声的方法。

背景技术

高速动车组车厢内的噪声会降低乘客的舒适度。而动车组牵引齿轮传动系统位于车厢下方，成为车内噪声的主要来源之一。因此，如何改善高速动车组牵引齿轮传动系统的声辐射特性，从根源上控制噪声，成为亟待研究和解决的问题。齿廓修形是改善齿轮传动过程中的啮入啮出冲击的有效途径。但对于如何确定修形参数的问题，目前很大程度仍依赖于传统的公式法估算或是通过大量的现实实验或计算机仿真来不断校正。以齿轮传动时的辐射噪声最小为目标，对齿轮修形的多个参数进行精准求解，是典型的最优化问题。齿轮修形的各个参数具有一定的有效取值范围，相互组合之后将形成巨大的解空间。若想通过现实实验或利用有限元仿真计算来遍历整个解空间，不仅会造成资源的巨大耗费，也难以达到目的。因此，通过收集少量的仿真数据，探寻修形参数与齿轮传动噪声之间的映射关系，构建齿轮修形的降噪预测模型，并以最小化辐射噪声为优化目标求得最优解，是优化齿轮修形设计方案的有效途径。

发明内容

本发明的目的在于，为降低齿轮传动噪声，提出一种基于径向基神经网络的高速动车组牵引齿轮的降噪修形优化方法。

本发明的技术方案如下：

本发明所述的一种高速动车组牵引齿轮的降噪修形优化方法，包括如下步骤：

步骤1：依据齿轮修形理论，针对高速动车组牵引传动齿轮的主动轮，选取最大修形量和修形长度作为其齿廓修形的基本参数，选用Walker曲线作为修形曲线，构建牵引齿轮修形的参数化模型；

步骤2：设计合理的修形参数取值范围，采用最优拉丁超立方法抽样获取多组修形参数组合，构建不同修形参数组合的修形齿轮传动虚拟样机模型。按动态啮合力-谐响应分析-声学边界元分析的仿真流程进行分析、求解，获得以修形参数为输入、辐射噪声(以声功率级的均方根值表示(RMS))大小为输出的多组数据，以此建立修形参数组合与齿轮传动噪声之间的对应关系；

步骤3：将上述多组数据通过径向基神经网络(RBF)训练和对比，建立具有稳定映射关联的修形参数-噪声预测模型；

步骤4：以噪声最小化为优化目标，借助多岛遗传算法求解齿轮最优修形参数组合。

进一步地，所述的步骤2具体为：

使用ANSYS Workbench对主动轮进行齿面接触分析，获得最大修形量取值范围(a，b)；依据经验公式推荐，选取修形长度的取值范围(e，f)。运行最优拉丁超立方抽样方法，生成m组最大修形量与修形长度的参数组合。将m组修形参数组合分别代入以Walker曲线修形后的齿轮渐开线方程，生成m个修形后的齿轮传动虚拟样机模型。

将修形齿轮虚拟样机模型逐个导入多体系统动力学仿真软件RecurDyn中求解齿轮副的动态啮合力；然后导入ANSYS的workbench模块中分析齿轮模态和谐响应分析；最后将workbench中获得的齿轮传动系统振动响应结果rst文件导入Virtual.Lab的声学边界元模块，求得齿轮传动系统在整个扫描频段对应的声功率级的均方根值(RMS)，以此建立修形参数组合与齿轮传动噪声之间的对应关系。

进一步地，所述的步骤3包括：

选取最优拉丁超立方抽样方法获得的m-n(m>n)组数据用于RBF神经网络训练，剩余n组用于与RBF神经网络的预测结果进行对比，确保模型训练的准确性。

通过RBF神经网络的训练和对比，构建传动齿轮副修形参数与传动辐射噪声之间的映射关系：

Z＝f(C,L)

式中Z表示齿轮传动系统辐射噪声的对应扫描频段的声功率级的均方根值，C表示最大修形量，L表示修形长度。

进一步地，所述的步骤4包括：

根据RBF神经网络噪声预测模型构建降噪优化模型：

minZ＝f(C,L)

模型中目标函数Z表示齿轮传动系统辐射噪声的对应扫描频段的声功率级的均方根值，约束条件为修形参数(最大修形量和修形长度)的取值范围。

采用Isight软件中的多岛遗传算法求解降噪优化模型，获得修形参数组合的最优解。同时求得对应最优修形参数下的牵引齿轮传动系统最小辐射噪声。

本发明所述的径向基神经网络是一种性能良好的前向网络，具有最佳逼近、训练简洁、学习收敛速度快以及克服局部最小值问题的性能。

本发明所述的多岛遗传算法是一种高效并行的智能全局搜索算法，能够在搜索过程中自动获取和积累搜索空间的信息，并在此基础上调节搜索方式以获得最优输出。

本发明相比现有技术，具有以下有益的技术效果：

(1)基于有限元与边界元理论，以高速动车牵引齿轮传动系统作为对象，经动态啮合力-谐响应分析-声学边界元分析的分析仿真流程来求解齿轮传动的噪声。结合齿轮的参数化修形建模方法，实现对不同修形参数的传动齿轮副噪声仿真数据的批量获取。

(2)将仿真获取的数据用径向基神经网络进行训练和对比，建立齿轮修形参数组合与齿轮传动辐射噪声大小之间的映射关系，构建修形参数-噪声预测模型。继而以降低噪声为直接目的，引入多岛遗传算法来求解模型，得到齿轮传动系统最小声辐射噪声下的最优修形参数组合，为高速动车组牵引齿轮降噪修形提供方法。

附图说明

图1为本发明的设计流程图。

图2为齿廓修形示意图。

图3为渐开线修形示意图。

图4为采用本发明修形优化后的齿轮传动系统辐射噪声仿真曲线

具体实施方式

下面结合附图，以高速动车组G301牵引齿轮为例，对本发明作更进一步的说明。

本发明具体的实施例如下。

所述的一种高速动车组牵引齿轮的降噪修形优化方法，包括如下步骤：

步骤1：依据齿轮修形理论，选取最大修形量和修形长度作为齿廓修形的基本参数，构建齿轮修形的参数化模型。

如图2，对于最大修形量C，通常根据轮齿在额定扭矩下所产生的弹性形变量来确定。使用ANSYS Workbench对齿轮进行静力接触分析，得到该主动齿轮齿廓的最大变形量为0.02mm。为探寻最优修形参数，本发明设定最大修形量的取值范围(a，b)为0.001-0.02mm。

依据经验公式推荐，修形长度L的取值范围(e，f)为3.5-7mm。对于修形曲线，本发明选用Walker曲线进行修形，能有效避免应力突变现象的出现。

如图3所示，点k(x,y)为渐开线上的点，点k'(x',y')为修形曲线上对应的点，修形量为C，k点所对应的滚动角与压力角分别为θ和α_k。则k点与k'点坐标之间的转换关系为：

未修形的齿轮渐开线方程定义为：

采用Walker曲线修形后的齿轮渐开线方程表示为：

其中C为最大修形量，L为修形长度。当滚动角θ＝θ_max时，渐开线在该点处的半径为齿顶圆半径，故

其中r_a为齿顶圆半径。

在PRO/E参数化构建的主动齿轮模型中，将最大修形量C和修形长度L添加到齿轮的基本参数里。再用式(3)替换齿轮的渐开线方程。这样，通过输入不同的最大修形量C和修形长度L，就能快速对齿轮进行参数化修形设计。

步骤2：采用最优拉丁超立方法抽样获取多组修形参数组合构建不同修形参数组合的齿轮副仿真模型，求解得到多组以修形参数为输入、噪声大小为输出的仿真数据；

以最优拉丁超立方抽样完成对齿轮修形参数选取。通过ISIGHT软件的DOE模块，设定好最大修形量取值范围为0.001-0.02mm，修形长度取值范围为3.5-7mm，运行最优拉丁超立方抽样方法生成m＝35组参数值。将抽样获取的35组修形量与修形长度的参数值分别代入PRO/E参数化修形模型，生成35个修形后的齿轮传动模型。以持续工况为例，对这些模型按求解动态啮合力-谐响应分析-声学边界元分析的仿真流程进行仿真分析。收集仿真得到的噪声数据，形成修形参数与噪声的对应关系，如表1。

表1修形参数与噪声的对应关系表

步骤3：仿真数据通过径向基神经网络训练和对比，建立修形参数-噪声预测模型。

选取收集到的前30组数据用于RBF神经网络训练，剩余n＝5组用于与RBF神经网络的预测结果进行对比。

使用Isight软件构建基于径向基神经网络的噪声预测模型的主要步骤如下：

(1)调用Isight软件中的Approximation模块，选择RBF径向基神经网络，读取前30组数据，设定最大修形量和修形长度为输入参数，声功率级RMS为输出参数。

(2)设定平滑滤波器数值来控制拟合曲面的平滑度以消除噪音数据，设定每个响应拟合RBF模型的最大迭代次数。这里为了确保模型训练的准确性，设置平滑滤波器数值为0.05，初始化的最大迭代次数为50。

(3)设置误差分析选项，选择交叉验证法。

(4)全部设置完毕后初始化构建预测模型。

通过RBF神经网络的训练，构建了传动齿轮副修形参数与传动噪声大小的映射关系：

Z＝f(C,L) (4)

式中Z表示齿轮传动系统辐射噪声的对应扫描频段的声功率级的均方根值，C表示最大修形量，L表示修形长度。

将用于对比的后5组数据的修形参数值输入径向基神经网络预测模型，得到的输出数据与仿真数据进行对比，如表2所示：

表2噪声仿真数值与预测数值对比

可以看到，对于相同的最大修形量与修形长度，基于RBF神经网络构建的噪声预测模型的输出与仿真输出的结果误差均在1％以内，表明本发明构建的预测模型能够比较准确地实现对噪声大小的预测。

步骤4：以噪声最小化为优化目标，借助多岛遗传算法求得最佳修形参数组合。

根据RBF神经网络噪声预测模型构建降噪优化模型：

模型中目标函数Z表示齿轮传动系统辐射噪声的对应扫描频段的声功率级的均方根值，C表示最大修形量，L表示修形长度，约束条件为修形参数的取值范围。

标准的遗传算法在求解优化问题时，有可能因陷入局部最优解而无法收敛到全局最优值，只是在一定约束条件下，通过遗传策略的选择可以确保实现全局优化。因此，本发明不选择标准遗传算法，采用其改进版——多岛遗传算法来进行RBF神经网络修形参数-噪声预测模型的优化求解。由于多岛遗传算法已经是公知的算法，在此不再赘述。

在Isight软件中设置多岛遗传算法的岛屿数量为10，子群规模大小为10，遗传代数为100，交叉率为0.9，变异率为0.01，移民率为0.1，移民间隔为2，每次移民精英数量为1，轮盘赌选择的轮盘大小占种群比例为0.5等参数。

设置输入变量的上下限和二进制编码长度，这里选取16位的编码长度，每个输入变量的搜索跨度可达65535，确保了足够的搜索精度。设置优化的目标为使声功率级RMS值最小化。

搜索优化结果给出了修形参数组合的最优解，同时通过模型5，求得最优解下的声功率级预测数值为102.64dB，如表3。

表3修形参数组合的最优解

以此最优解重新生成传动齿轮副虚拟样机模型，通过步骤二，仿真获得最佳修形齿轮参数下的齿轮传动系统辐射噪声的声功率级(RMS)为102.52dB。与表3相比，模型预测误差率仅为0.117％，再次证明本方法构建的噪声预测模型精度的可靠性。

与修形前相比(表4)，修形后的齿轮传动系统辐射噪声的仿真声功率级降低了11.92dB。这个声学量表征了声源的本质属性，与声传播途径无关。可见，通过采用本发明预测和优化得到的最优修形参数对齿轮进行修形，有效地从根源上减少了高速动车组齿轮传动系统的传动噪声。

表4修形前与修形后的仿真声功率级RMS对比

如上所述，便可较好地实现本发明。

以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。

Claims (3)

1.一种高速动车组牵引齿轮的降噪修形优化方法，其特征是包括以下步骤：

步骤1：依据齿轮修形理论，针对高速动车组牵引传动齿轮的主动轮，选取最大修形量和修形长度作为其齿廓修形的基本参数，选用Walker曲线作为修形曲线，构建牵引齿轮修形的参数化模型；

步骤2：设计最大修形量C的取值范围为0.001-0.02mm，修形长度L的取值范围为3.5-7mm；采用最优拉丁超立方法抽样获取多组修形参数组合，构建不同修形参数组合的修形齿轮传动虚拟样机模型；按动态啮合力-谐响应分析-声学边界元分析的仿真流程进行分析、求解，获得以修形参数为输入、辐射噪声为输出的多组数据，以此建立修形参数组合与齿轮传动噪声之间的对应关系；

步骤3：将上述得到的多组数据通过径向基神经网络训练和对比，建立具有稳定映射关联的修形参数-噪声预测模型：

选取最优拉丁超立方抽样方法获得的m-n组数据用于RBF神经网络训练，m>n，剩余n组用于与RBF神经网络的预测结果进行对比；

通过RBF神经网络的训练和对比，构建传动齿轮副修形参数与传动辐射噪声之间的映射关系：

Z＝f(C,L)

式中Z表示齿轮传动系统辐射噪声的对应扫描频段的声功率级的均方根值，C表示最大修形量，L表示修形长度；

步骤4：以噪声最小化为优化目标，借助多岛遗传算法求解齿轮最优修形参数组合。

2.根据权利要求1所述的一种高速动车组牵引齿轮的降噪修形优化方法，其特征是，所述的步骤2包括以下步骤：

(1)使用ANSYS Workbench对主动轮进行齿面接触分析，获得最大修形量取值范围；依据经验公式推荐，选取修形长度的取值范围；运行最优拉丁超立方抽样方法，生成m组最大修形量与修形长度的参数组合；将m组修形参数组合分别代入以Walker曲线修形后的齿轮渐开线方程，生成m个修形后的齿轮传动虚拟样机模型；

(2)将修形齿轮虚拟样机模型逐个导入多体系统动力学仿真软件RecurDyn中求解齿轮副的动态啮合力；然后导入ANSYS的workbench模块中分析齿轮模态和谐响应分析；最后将workbench中获得的齿轮传动系统振动响应结果rst文件导入Virtual.Lab的声学边界元模块，求得齿轮传动系统在整个扫描频段对应的声功率级的均方根值RMS，以此建立修形参数组合与齿轮传动噪声之间的对应关系。

3.根据权利要求1所述的一种高速动车组牵引齿轮的降噪修形优化方法，其特征是，所述的步骤4按如下步骤：

根据RBF神经网络噪声预测模型构建降噪优化模型：

min Z＝f(C,L)

模型中目标函数Z表示齿轮传动系统辐射噪声的对应扫描频段的声功率级的均方根值，约束条件为最大修形量C和修形长度L的取值范围，0.001≤C≤0.02mm，3.5≤L≤7mm；

采用Isight软件中的多岛遗传算法求解降噪优化模型，获得修形参数组合的最优解，同时求得对应最优修形参数下的牵引齿轮传动系统最小辐射噪声。

Images