CN113449400A - 一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法 - Google Patents

一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法 Download PDF

Info

Publication number
CN113449400A
CN113449400A CN202110820295.7A CN202110820295A CN113449400A CN 113449400 A CN113449400 A CN 113449400A CN 202110820295 A CN202110820295 A CN 202110820295A CN 113449400 A CN113449400 A CN 113449400A
Authority
CN
China
Prior art keywords
journal
straightening
camshaft
optimization
ant colony
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110820295.7A
Other languages
English (en)
Other versions
CN113449400B (zh
Inventor
翟华
李盼盼
吴玉程
李贵闪
吴元浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110820295.7A priority Critical patent/CN113449400B/zh
Publication of CN113449400A publication Critical patent/CN113449400A/zh
Application granted granted Critical
Publication of CN113449400B publication Critical patent/CN113449400B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Valve-Gear Or Valve Arrangements (AREA)

Abstract

本发明公开了一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法，属于凸轮轴迁移校直技术领域。根据多轴颈凸轮轴各轴颈的弯曲变形量和各轴颈弯曲变形所在角度等已知条件，以各轴颈跳动量小于多轴颈凸轮轴设计要求值,联合最少校直次数为总体优化目标，以各轴颈相对跳动量最小为局部优化目标，以多轴颈凸轮轴的校直支点、校直压点、回转角度、校直行程等四个变量集合形成优化变量组合，结合弹塑性理论计算结果，通过蚁群优化算法计算最少校直工步次数，确定每一工步中包含的优化变量组合，实现多轴颈凸轮轴每一截面不同角度分时段校直，和多个截面依照校直工步次数要求依次迁移校直效果，完成凸轮轴校直次数的优化。

Description

一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法
技术领域
本发明涉及凸轮轴迁移校直技术领域，尤其涉及一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法。
背景技术
凸轮轴作为发动机的关键零件之一，要求凸轮轴有高冲击和高耐磨等性能，同时要求其具备良好的刚度和抗扭性能。目前在制作、维修凸轮轴，以及凸轮轴在工作时，经常会产生弯曲变形，不能满足工作条件。
已有的确定多轴颈凸轮轴分时迁移校直优化的方法主要包括：
一、利用非线性有限元方法分析计算，得出校直步骤和校直量；二、利用弹塑性理论分析计算，得出校直量和校直步骤；三、基于模糊式自主学习法和多步校直过程中的挠曲模式分析，得出校直点、方向、校直量和支撑点的选择。但是已有的方法不具备在线快速计算实用性。
因此设计一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法。
发明内容
本发明的目的是为了解决上述背景技术中提及的问题而提出的一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法。
为了实现上述目的，本发明采用了如下技术方案：
一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法，包括多轴颈凸轮轴，所述多轴颈凸轮轴为七轴颈凸轮轴，第一轴颈为最左侧进气凸轮旁的轴颈为0轴颈，从左至右依次标记为0轴颈、1轴颈、2轴颈、3轴颈、4轴颈、5轴颈、6轴颈，各个轴颈的跳动量依次记为L0、L1、L2、L3、L4、L5、L6，各个轴颈跳动量的角度依次记为B0、B1、B2、B3、B4、B5、B6；其特征在于：包括一下步骤；
S1：以凸轮轴左端面的圆心为坐标原点、在左端面建立XOY坐标系，以O点指向0°的向量为X的轴向，Y轴过原点与X轴垂直向上建立，记角度为β；
S2：表一记录不同优化变量组合下的跳动量和角度，跳动量记为L0、L1、L2、L3、L4、L5、L6，以Li表征，角度记为α；表二记录凸轮轴在弹塑性阶段，不同优化变量组合下的压点位置力与位移的关系，记为函数G(s)；表三记录凸轮轴在压力卸载后，力与各个轴颈残余量的关系，记为函数F(x)；
S3：将弯曲多轴颈凸轮轴各轴颈初始跳动量L0、L1、L2、L3、L4、L5、L6一一对应为变量x0、x1、x2、x3、x4、x5、x6，各变量以xi表征，将初始角度B0、B1、B2、B3、B4、B5、B6一一对应为变量β0、β1、β2、β3、β4、β5、β6，各变量以βi表征；各个轴颈在校直过程中的权重系数为a0、a1、a2、a3、a4、a5、a6，各系数以ai表征；
S4：每次按照式(1)选择作为压点的轴颈
A(x)＝max|xi·ai| (1)
表示权重后i轴颈为最大跳动量轴颈，则选择Li为所压轴颈；
S5：按照式(2)建立待选优化变量组的概率函数p(x)
Figure BDA0003171691020000031
S6：设置蚂蚁数量为E,蚂蚁根据优化变量组合的概率值随机选择一个组合进行校直机算，并在路径上释放的信息素记为phe,并按照式(3)进行信息素的更新计算
Figure BDA0003171691020000032
其中ρ表示信息素挥发因子，phe0表示路径的初始信息素，Q表示信息素常数，dk表示第K只蚂蚁在经过的优化变量组合次数。
S7：每只蚂蚁选择一个优化变量组合后，要对xi按照式(4)和式(5)进行计算:
Mi＝xi·sinβi+Li·sinα (4)
Ni＝xi·cosβi+Li·cosα (5)
S8：按式(6)、式(7)和式(8)进行校直计算
Figure BDA0003171691020000033
Gi＝G(Si) (7)
Xi＝F(Gi) (8)
其中函数G(s)表示表二中压力与压点位移关系式，函数F(x)表示表三中压力与各轴颈残余量的关系式，Xi为校直后各轴颈的残余量。同时Gi的值要满足式(9)
F<Gi<2.5*F(9)
其中F为凸轮轴达到屈服极限的屈服力；
S9：按照式(10)建立终止条件函数g(x)
g(x)＝max|xi|≤T (10)
其中T为凸轮轴轴设计要求中跳动量范围；
S10：若蚂蚁选择的优化变量组合校直后不满足终止条件函数g(x)，则将校直后的结果返回到S4中循环计算，若循环次数达到10次仍未满足终止条件函数g(x)，则停止计算，表明校直优化失败。
S11：将满足终止条件函数g(x)的蚂蚁路径通过蚁群算法进行优化计算，并按照式(11)建立局部优化函数y(x)，
Figure BDA0003171691020000041
由式(11)筛选校直凸轮轴次数优化的最优组合。
优选的，所述多轴颈凸轮轴为七轴颈凸轮轴，凸轮轴的进气凸轮截面形状与排气凸轮截面形状的角度和方位各不相同，但主轴颈都为圆截面。
优选的，优化变量组合是多轴颈凸轮轴的校直支点、校直压点、回转角度、校直行程四个变量集合形成，校直支点、校直压点均为主轴颈；0、6主轴颈截面为检测基准，校直支点为0-6主轴颈，校直压点为1-5主轴颈，回转角度为校直压点所在截面的校直方位相对于0轴颈左端面0°的夹角，校直行程为通过仿真软件计算不同优化变量组合的弹性变形量与初始变形量之和作为各个优化变量组合的校直量。
优选的，所述校直行程为通过仿真软件计算不同优化变量组合的初始变形量、弹性变形量与卸载后残余量之和作为各个优化变量组合的校直量。
优选的，所述的最优目标以各轴颈跳动量小于多轴颈凸轮轴设计要求值,联合最少校直次数的总体优化目标，和以各轴颈相对跳动量最小的局部优化目标。
优选的，所述优化变量组合中的校直支点和校直压点满足三点弯校直加载模型要求。
优选的，所述优化变量组合中的校直行程应小于断裂极限行程要求。
优选的，所述蚁群优化算法是利用轴校直理论建立一个群体智能进行相互协作的校直优化模型，蚂蚁通过概率朝着高浓度的信息素的方向前进，即蚂蚁选择校直次数少的路径，形成一种正反馈现象。
与现有技术相比，本发明提供了一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法，具备以下有益效果：
1、本发明中利用有限元分析软件计算满足约束条件的凸轮轴校直组合，在屈服极限、弹塑性阶段以及卸载后凸轮轴的各轴颈位移结果，提高了多轴颈凸轮轴分时迁移校直优化的科学性。
2、本发明中将校直组数据与多轴颈凸轮轴弯曲情况经过数学处理为概率函数p(x)，因此可以针对多轴颈凸轮轴不同的弯曲情况实现快速有效的选择校直组合。
3、本发明中采用蚁群算法，可以为同一种弯曲情况凸轮轴校直提供多种选择方案，并从中选择最优方案。
4、本发明中根据多轴颈凸轮轴结构设置各轴颈的权重系数，因此可以提高选择、计算的效率。
附图说明
图1为本发明多轴颈凸轮轴结构图；
图2为本发明多轴颈凸轮轴0轴颈左端面图；
图3为本发明多轴颈凸轮轴分时迁移校直优化方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1：
请参阅图1-3，本发明中凸轮轴为七轴颈凸轮轴，具体结构形式是：凸轮轴的进气凸轮与排气凸轮的角度各不相同；第一轴颈为最左侧进气凸轮旁的轴颈为0轴颈，从左至右依次为0轴颈、1轴颈、2轴颈、3轴颈、4轴颈、5轴颈、6轴颈，各个轴颈的跳动量依次记为L0、L1、L2、L3、L4、L5、L6，各个轴颈的角度依次记为B0、B1、B2、B3、B4、B5、B6；多轴颈凸轮轴发展于二十世纪早期，广泛应用于发动机中，校直方法固定，但是校直效率一直没有得到很大的提高。
本实施例中：第一轴颈、第二轴颈、第三轴颈、第四轴颈、第五轴颈、第六轴颈、第七轴颈的弯曲情况一次为L0、L1、L2、L3、L4、L5、L6；优化方法如下步骤进行：
S1：以凸轮轴左端面的圆心为坐标原点、在左端面建立XOY坐标系，以O点指向0°的向量为X的轴向，Y轴过原点与X轴垂直向上建立，记角度为β；
S2：表一记录不同优化变量组合下的跳动量和角度，跳动量记为L0、L1、L2、L3、L4、L5、L6，以Li表征，角度记为α；表二记录凸轮轴在弹塑性阶段，不同优化变量组合下的压点位置力与位移的关系，记为函数G(s)；表三记录凸轮轴在压力卸载后，力与各个轴颈残余量的关系，记为函数F(x)；
S3：将弯曲多轴颈凸轮轴各轴颈初始跳动量L0、L1、L2、L3、L4、L5、L6一一对应为变量x0、x1、x2、x3、x4、x5、x6，各变量以xi表征，将初始角度B0、B1、B2、B3、B4、B5、B6一一对应为变量β0、β1、β2、β3、β4、β5、β6，各变量以βi表征；各个轴颈在校直过程中的权重系数为a0、a1、a2、a3、a4、a5、a6，各系数以ai表征；
S4：每次按照式(1)选择作为压点的轴颈
A(x)＝max|xi·ai| (1)
表示权重后i轴颈为最大跳动量轴颈，则选择Li为所压轴颈；
S5：按照式(2)建立待选优化变量组的概率函数p(x)
Figure BDA0003171691020000071
S6：设置蚂蚁数量为E,蚂蚁根据优化变量组合的概率值随机选择一个组合进行校直机算，并在路径上释放的信息素记为phe,并按照式(3)进行信息素的更新计算
Figure BDA0003171691020000072
其中ρ表示信息素挥发因子，phe0表示路径的初始信息素，Q表示信息素常数，dk表示第K只蚂蚁在经过的优化变量组合次数。
S7：每只蚂蚁选择一个优化变量组合后，要对xi按照式(4)和式(5)进行计算:
Mi＝xi·sinβi+Li·sinα (4)
Ni＝xi·cosβi+Li·cosα (5)
S8：按式(6)、式(7)和式(8)进行校直计算
Figure BDA0003171691020000081
Gi＝G(Si) (7)
Xi＝F(Gi) (8)
其中函数G(s)表示表二中压力与压点位移关系式，函数F(x)表示表三中压力与各轴颈残余量的关系式，Xi为校直后各轴颈的残余量。同时Gi的值要满足式(9)，
F<Gi<2.5*F(9)
其中F为凸轮轴达到屈服极限的屈服力；
S9：按照式(10)建立终止条件函数g(x)
g(x)＝max|xi|≤T (10)
其中T为凸轮轴轴设计要求中跳动量范围；
S10：若蚂蚁选择的优化变量组合校直后不满足终止条件函数g(x)，则将校直后的结果返回到S4中循环计算，若循环次数达到10次仍未满足终止条件函数g(x)，则停止计算，表明校直优化失败。
S11：将满足终止条件函数g(x)的蚂蚁路径通过蚁群算法进行优化计算，并按照式(11)建立局部优化函数y(x)
Figure BDA0003171691020000082
由式(11)筛选校直凸轮轴次数优化的最优组合。同时蚁群算法也是目前流行的组合优化方法之一，在求解性能上，有很强的鲁棒性和搜索较好解的能力，容易与多种启发式算法结合，以改善算法性能。
例1：校直一个七轴颈凸轮轴，跳动公差为T＝0.04mm，弯曲情况为：
L0＝0mm,L1＝-0.5mm,L2＝-0.3mm,L3＝-0.7mm,L4＝-0.3mm.L5＝-0.1mm,L6＝0mm；B0＝0°、B1＝25°、B2＝30°、B3＝20°、B4＝40°、B5＝35°、B6＝0°。
步骤(1)：按本实施例中S1操作；
步骤(2)：按本实施例中S2操作；
表1屈服极限下凸轮轴位移表(部分)
Figure BDA0003171691020000091
表2弹塑性阶段，力与位移关系(部分)
优化变量组合 F A B G(x)
0-6-1 16725 4176.5 179.87 G(x)＝A*|x|+B
表3卸载后，力与残余量关系(部分)
Figure BDA0003171691020000092
其中0-6-1表示校直支点为0与6轴颈，校直压点为1轴颈；
步骤(3)：各个轴颈在校直过程中的权重系数为a0＝0、a1＝5、a2＝3、a3＝1、a4＝3、a5＝5、a6＝0，各系数以ai表征；
步骤(4)：每次按照式(1)选择作为压点的轴颈
A(x)max|xi·ai|＝0.5×0.5＝2.5 (1)
表示权重后1轴颈为最大跳动量轴颈，则选择1轴颈为压点轴颈；
步骤(5)：按本实施例中S6操作；
如表中0-6-1的选择概率为
Figure BDA0003171691020000101
步骤(6)：设置蚂蚁数量为M＝50，蚂蚁根据优化变量组合的概率值随机选择一个组合进行校直机算，并在路径上释放的信息素记为phe
步骤(7)：根据步骤6产生的概率随机选择下一个优化变量组合后，要对xi按照式(3)和式(4)进行计算：
M0＝x0·sinβ0+L0·sinα＝-0.0248N0＝x0·cosβ0+L0·cosα＝-0.0295
M1＝x1·sinβ1+L1·sinα＝-3.435N1＝x1·cosβ1+L1·cosα＝-3.677
M2＝x2·sinβ2+L2·sinα＝-4.242N2＝x2·cosβ2+L2·cosα＝-5.136
M3＝x3·sinβ3+L3·sinα＝-4.426N3＝x3·cosβ3+L3·cosα＝-4.989
M4＝x4·sinβ4+L4·sinα＝-3.511N4＝x4·cosβ4+L4·cosα＝-4.184
M5＝x5·sinβ5+L5·sinα＝-1.872N5＝x5·cosβ5+L5·cosα＝-2.244
M6＝x6·sinβ6+L6·sinα＝-0.006N6＝x6·cosβ6+L6·cosα＝-0.008
步骤(8)：按式(5)、式(6)和式(7)进行校直计算：
Figure BDA0003171691020000102
Figure BDA0003171691020000103
Figure BDA0003171691020000104
Figure BDA0003171691020000105
Figure BDA0003171691020000111
Figure BDA0003171691020000112
Figure BDA0003171691020000113
G1＝A·S1+B＝4176.5×5.032-179.87＝20936.9
X0＝F(G0)＝a0+a1·cos(x·w)+b1·sin(x·w)＝0
X1＝F(G)＝a0+a1·cos(x·w)+b1·sin(x·w)＝-0.31921
X2＝F(G2)＝a0+a1·cos(x·w)+b1·sin(x·w)＝-0.47109
X3＝F(G3)＝a0+a1·cos(x·w)+b1·sin(x·w)＝-0.59938
X4＝F(G4)＝a0+a1·cos(x·w)+b1·sin(x·w)＝-0.38523
X5＝F(G5)＝a0+a1·cos(x·w)+b1·sin(x·w)＝-0.28657
X6＝F(G6)＝a0+a1·cos(x·w)+b1·sin(x·w)＝0
同时G1的值要满足式(8)
F<Gi<2.5·F，即16725<20936.9<41812.5
步骤(9)：按照式(9)建立终止条件函数g(x)
g(x)＝max|xi|≤0.04 (9)
步骤(10)：若蚂蚁选择的优化变量组合校直后不满足终止条件函数g(x)，则将校直后的结果返回到步骤4中循环计算，若循环次数达到10次仍未满足终止条件函数g(x)，则停止计算，表明校直优化失败；
步骤(11)：将满足终止条件函数g(x)的蚂蚁路径通过蚁群算法进行优化计算，并按照式(10)建立局部优化函数y(x)
Figure BDA0003171691020000114
由式(10)筛选校直凸轮轴次数优化的最优组合；
启动算法进行计算，完成蚁群算法即获得最少校直次数的解集，解集包括有多组关于变量xi的解，每一组关于变量xi的解即为x0、x1、x2、x3、x4、x5、x6的一组数值，每一组解即为每次校直后轴颈L0、L1、L2、L3、L4、L5、L6的跳动量，得到解集如表1。
表1
Figure BDA0003171691020000121
例2：校直一个七轴颈凸轮轴，跳动公差为T＝0.04mm，弯曲情况为：
L0＝0mm,L1＝-0.1mm,L2＝-0.3mm,L3＝-1mm,L4＝-0.3mm.L5＝-0.1mm,L6＝0mm；B0＝0°、B1＝25°、B2＝30°、B3＝20°、B4＝40°、B5＝35°、B6＝0°。
步骤(1)：按本实施例中S1操作；
步骤(2)：按本实施例中S2操作；
表4屈服极限下凸轮轴位移表(部分)
Figure BDA0003171691020000122
表5弹塑性阶段，力与位移关系表(部分)
优化变量组合 F A B G(x)
0-6-3 8244 1274.3 -230.25 G(x)＝A*|x|+B
表6卸载后，力与残余量关系表(部分)
Figure BDA0003171691020000123
Figure BDA0003171691020000131
其中0-6-3表示校直支点0与6轴颈，校直压点为3轴颈；
步骤(3)：各个轴颈在校直过程中的权重系数为a0＝0、a1＝5、a2＝3、a3＝1、a4＝3、a5＝5、a6＝0，各系数以ai表征；
步骤(4)：每次按照式(1)选择作为压点的轴颈
A(x)＝max|xi·ai|＝1×1＝1 (1)
表示权重后3轴颈为最大跳动量轴颈，则选择3轴颈为压点轴颈；
步骤(5)：按本实施例中S6操作；
如表中0-6-3的选择概率为
Figure BDA0003171691020000132
步骤(6)：设置蚂蚁数量为M＝50，蚂蚁根据优化变量组合的概率值随机选择一个组合进行校直机算，并在路径上释放的信息素记为phe
步骤(7)：根据步骤6产生的概率随机选择下一个优化变量组合后，要对xi按照式(3)和式(4)进行计算:
M0＝x0·sinβ0+L0·sinα＝-0.197N0＝x0·cosβ0+L0·cosα＝0.0347
M1＝x1·sinβ1+L1·sinα＝-3.592N1＝x1·cosβ1+L1·cosα＝0.535
M2＝x2·sinβ2+L2·sinα＝-6.530N2＝x2·cosβ2+L2·cosα＝0.865
M3＝x3·sinβ3+L3·sinα＝-7.836N3＝x3·cosβ3+L3·cosα＝0.382
M4＝x4·sinβ4+L4·sinα＝-6.507N4＝x4·cosβ4+L4·cosα＝0.884
M5＝x5·sinβ5+L5·sinα＝-3.486N5＝x5·cosβ5+L5·cosα＝0.523
M6＝x6·sinβ6+L6·sinα＝-0.281N6＝x6·cosβ6+L6·cosα＝0.0495
步骤(8)：按式(5)、式(6)和式(7)进行校直计算
Figure BDA0003171691020000141
Figure BDA0003171691020000142
Figure BDA0003171691020000143
Figure BDA0003171691020000144
Figure BDA0003171691020000145
Figure BDA0003171691020000146
Figure BDA0003171691020000147
G1＝A·S1+B＝1274.3×7.845-230.25＝9766.6
X0＝F(G0)＝a0+a1·cos(x·w)+b1·sin(x·w)＝0
X1＝F(G)＝a0+a1·cos(x·w)+b1·sin(x·w)＝-0.0765
X2＝F(G2)＝a0+a1·cos(x·w)+b1·sin(x·w)＝-0.274
X3＝F(G3)＝a0+a1·cos(x·w)+b1·sin(x·w)＝-0.5373
X4＝F(G4)＝a0+a1·cos(x·w)+b1·sin(x·w)＝-0.4055
X5＝F(G5)＝a0+a1·cos(x·w)+b1·sin(x·w)＝-0.0948
X6＝F(G6)＝a0+a1·cos(x·w)+b1·sin(x·w)＝0
同时G1的值要满足式(8)
F<Gi<2.5·F，即8244<20936.9<20610
步骤(9)：按照式(9)建立终止条件函数g(x)
g(x)＝max|xi|≤0.04 (9)
步骤10：若蚂蚁选择的优化变量组合校直后不满足终止条件函数g(x)，则将校直后的结果返回到步骤4中循环计算，若循环次数达到10次仍未满足终止条件函数g(x)，则停止计算，表明校直优化失败。
步骤11：将满足终止条件函数g(x)的蚂蚁路径通过蚁群算法进行优化计算，并按照式(10)建立局部优化函数y(x)
Figure BDA0003171691020000151
由式(10)筛选校直凸轮轴次数优化的最优组合。
启动算法进行计算，完成蚁群算法即获得最少校直次数的解集，解集包括有多组关于变量xi的解，每一组关于变量xi的解即为x0、x1、x2、x3、x4、x5、x6的一组数值，每一组解即为每次校直后轴颈L0、L1、L2、L3、L4、L5、L6的跳动量，得到解集如表2。
表2
Figure BDA0003171691020000152
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法，包括多轴颈凸轮轴，所述多轴颈凸轮轴为七轴颈凸轮轴，第一轴颈为最左侧进气凸轮旁的轴颈为0轴颈，从左至右依次标记为0轴颈、1轴颈、2轴颈、3轴颈、4轴颈、5轴颈、6轴颈，各个轴颈的跳动量依次记为L0、L1、L2、L3、L4、L5、L6，各个轴颈跳动量的角度依次记为B0、B1、B2、B3、B4、B5、B6；其特征在于：包括以下步骤；
S1：以凸轮轴左端面的圆心为坐标原点、在左端面建立XOY坐标系，以O点指向0°的向量为X的轴向，Y轴过原点与X轴垂直向上建立，记角度为β；
S2：表一记录不同优化变量组合下的跳动量和角度，跳动量记为L0、L1、L2、L3、L4、L5、L6，以Li表征，角度记为α；表二记录凸轮轴在弹塑性阶段，不同优化变量组合下的压点位置力与位移的关系，记为函数G(s)；表三记录凸轮轴在压力卸载后，力与各个轴颈残余量的关系，记为函数F(x)；
S3：将弯曲多轴颈凸轮轴各轴颈初始跳动量L0、L1、L2、L3、L4、L5、L6一一对应为变量x0、x1、x2、x3、x4、x5、x6，各变量以xi表征，将初始角度B0、B1、B2、B3、B4、B5、B6一一对应为变量β0、β1、β2、β3、β4、β5、β6，各变量以βi表征；各个轴颈在校直过程中的权重系数为a0、a1、a2、a3、a4、a5、a6，各系数以ai表征；
S4：每次按照式(1)选择作为压点的轴颈
A(x)＝max|xi·ai| (1)
表示权重后i轴颈为最大跳动量轴颈，则选择Li为所压轴颈；
S5：按照式(2)建立待选优化变量组的概率函数p(x)
Figure FDA0003171691010000021
S6：设置蚂蚁数量为E,蚂蚁根据优化变量组合的概率值随机选择一个组合进行校直机算，并在路径上释放的信息素记为phe,并按照式(3)进行信息素的更新计算
Figure FDA0003171691010000022
其中ρ表示信息素挥发因子，phe0表示路径的初始信息素，Q表示信息素常数，dk表示第K只蚂蚁在经过的优化变量组合次数。
S7：每只蚂蚁选择一个优化变量组合后，要对xi按照式(4)和式(5)进行计算:
Mi＝xi·sinβi+Li·sinα (4)
Ni＝xi·cosβi+Li·cosα (5)
S8：按式(6)、式(7)和式(8)进行校直计算
Figure FDA0003171691010000023
Gi＝G(Si) (7)
Xi＝F(Gi) (8)
其中函数G(s)表示表二中压力与压点位移关系式，函数F(x)表示表三中压力与各轴颈残余量的关系式，Xi为校直后各轴颈的残余量。同时Gi的值要满足式(9)
F<Gi<2.5*F (9)
其中F为凸轮轴达到屈服极限的屈服力；
S9：按照式(10)建立终止条件函数g(x)
g(x)＝max|xi|≤T (10)
其中T为凸轮轴轴设计要求中跳动量范围；
S10：若蚂蚁选择的优化变量组合校直后不满足终止条件函数g(x)，则将校直后的结果返回到S4中循环计算，若循环次数达到10次仍未满足终止条件函数g(x)，则停止计算，表明校直优化失败。
S11：将满足终止条件函数g(x)的蚂蚁路径通过蚁群算法进行优化计算，并按照式(11)建立局部优化函数y(x)
Figure FDA0003171691010000031
由式(11)筛选校直凸轮轴次数优化的最优组合。
2.根据权利要求1所述的一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法，其特征在于：所述多轴颈凸轮轴为七轴颈凸轮轴，凸轮轴的进气凸轮截面形状与排气凸轮截面形状的角度和方位各不相同，但主轴颈都为圆截面。
3.根据权利要求1所述的一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法，其特征在于：优化变量组合是多轴颈凸轮轴的校直支点、校直压点、回转角度、校直行程四个变量集合形成，校直支点、校直压点均为主轴颈；0、6主轴颈截面为检测基准，校直支点为0-6主轴颈，校直压点为1-5主轴颈，回转角度为校直压点所在截面的校直方位相对于0轴颈左端面0°的夹角，校直行程为通过仿真软件计算不同优化变量组合的初始变形量、弹性变形量与卸载后残余量之和作为各个优化变量组合的校直量。
4.根据权利要求3所述的一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法，其特征在于：所述校直行程为通过仿真软件计算不同优化变量组合的弹性变形量与初始变形量之和作为各个优化变量组合的校直量。
5.根据权利要求1所述的一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法，其特征在于：所述的最优目标以各轴颈跳动量小于多轴颈凸轮轴设计要求值,联合最少校直次数的总体优化目标，和以各轴颈相对跳动量最小的局部优化目标。
6.根据权利要求3所述的一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法，其特征在于：所述优化变量组合中的校直支点和校直压点满足三点弯校直加载模型要求。
7.根据权利要求4所述的一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法，其特征在于：所述优化变量组合中的校直行程应小于断裂极限行程要求。
8.根据权利要求5所述的一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法，其特征在于：所述的蚁群优化算法是利用轴校直理论建立一个群体智能进行相互协作的校直优化模型，蚂蚁通过概率朝着高浓度的信息素的方向前进，即蚂蚁选择校直次数少的路径，形成一种正反馈现象。
CN202110820295.7A 2021-07-20 2021-07-20 一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法 Active CN113449400B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110820295.7A CN113449400B (zh) 2021-07-20 2021-07-20 一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110820295.7A CN113449400B (zh) 2021-07-20 2021-07-20 一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法

Publications (2)

Publication Number Publication Date
CN113449400A true CN113449400A (zh) 2021-09-28
CN113449400B CN113449400B (zh) 2022-10-25

Family

ID=77816835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110820295.7A Active CN113449400B (zh) 2021-07-20 2021-07-20 一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法

Country Status (1)

Country Link
CN (1) CN113449400B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016023576A (ja) * 2014-07-18 2016-02-08 三菱自動車工業株式会社 動弁機構のカム
CN109112275A (zh) * 2018-09-21 2019-01-01 重庆齿轮箱有限责任公司 一种齿轮轴渗碳淬火变形后的校直方法及校直装置
CN110298469A (zh) * 2018-03-23 2019-10-01 南京理工大学 一种基于蚁群算法的多尺寸链优化选配方法
US20200103894A1 (en) * 2018-05-07 2020-04-02 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for computerized maintenance management system using the industrial internet of things
CN111047002A (zh) * 2019-11-22 2020-04-21 浙江工业大学 一种基于bp神经网络的校直行程预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016023576A (ja) * 2014-07-18 2016-02-08 三菱自動車工業株式会社 動弁機構のカム
CN110298469A (zh) * 2018-03-23 2019-10-01 南京理工大学 一种基于蚁群算法的多尺寸链优化选配方法
US20200103894A1 (en) * 2018-05-07 2020-04-02 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for computerized maintenance management system using the industrial internet of things
CN109112275A (zh) * 2018-09-21 2019-01-01 重庆齿轮箱有限责任公司 一种齿轮轴渗碳淬火变形后的校直方法及校直装置
CN111047002A (zh) * 2019-11-22 2020-04-21 浙江工业大学 一种基于bp神经网络的校直行程预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WENHU QIN等: "Research_of_Continuous_Variable_Camshaft_Timing_system_based_on_fuzzy-PID_control_method", 《IEEE》 *
李爱平等: "发动机缸体加工方案选择与操作排序协同优化", 《同济大学学报(自然科学版)》 *
段兰等: "柴油发电机组凸轮轴变形断裂失效有限元分析", 《组合机床与自动化加工技术》 *

Also Published As

Publication number Publication date
CN113449400B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN101561865B (zh) 基于多参数谱特征的合成孔径雷达图像目标识别方法
CN108470358B (zh) 一种基于二阶震荡人工蜂群算法的点云配准方法
CN109344477B (zh) 一种6自由度机械臂逆运动学求解方法
CN111310348A (zh) 一种基于pso-lssvm的材料本构模型预测方法
CN113449474B (zh) 改进灰狼算法优化bp神经网络管材成形质量预测方法
CN113449400B (zh) 一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法
CN108845303B (zh) 一种非线性稳健子空间真假目标特征提取方法
CN115341984A (zh) 一种多缸发动机排气歧管、其参数计算方法和相关设备
CN113257337A (zh) 一种基于宏基因组的蛋白质多序列比对方法
CN111958602A (zh) 一种手腕偏置型6轴机器人实时逆解算法
CN110039548A (zh) 一种拼装机控制方法、装置及设备
CN110394806B (zh) 一种基于高阶自适应学习控制的康复机械手
CN109543896B (zh) 一种基于绝对值和函数最小化与粒子群优化的车间设备双行布局方法
CN116596977A (zh) 一种针对低重叠率点云的配准方法
CN108073748A (zh) 一种基于直觉模糊熵权法的导弹毁伤效能群决策评估方法
CN103246757A (zh) 一种压缩弹簧的优化设计方法
CN107329935B (zh) 一种空中态势帕累托攻防策略的求解方法
CN115169518A (zh) 算法优化的方法和装置
CN116047753A (zh) 光学系统正交优化模型的构建及优化方法
Pagar et al. Life Augmentation of Turbine Exhaust System Compensators Through Integrated MADM Optimization Approach of Stress Based Fatigue Cycles
CN112149260B (zh) 一种三维抗冲击负泊松比结构的设计方法
CN107977990B (zh) 基于正弦启发式搜索的图像配准方法
CN113468673A (zh) 关联接头形状的断面优化方法
Büche et al. Self-organizing maps for Pareto optimization of airfoils
Ge Evaluating and optimization of 7-DOF automated fiber placement robotic manipulator performance index based on AdaBoost algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant