首页/文章/ 详情

基于HyperWorks的伸缩臂叉车伸缩臂结构拓扑优化

5小时前浏览4

伸缩臂叉车因为具有有效作业距离大,作业高度高,能够越过部分障碍工作,可以更换属具,具有一机多用等特点,自其诞生以来,受到市场欢迎。然而,由于采用液压缸变幅,使伸缩臂出现悬臂受力状态,承受很大的弯矩。而且伸缩臂和伸缩机构具有较大的自重,导致在大幅度下的起重量急剧降低,这成为伸缩臂在更大吨位伸缩臂叉车上应用的主要障碍。减轻伸缩臂重量,增大伸缩臂刚度是改善伸缩臂叉车性能的重要途径。

本文利用美国Altair公司HyperWorks软件中的HyperMesh对伸缩臂叉车的伸缩臂进行拓扑优化设计,得到较合理的结果,为后续设计提供了理论依据。

1 计算工况及受载分析

以四川长江工程起重机有限责任公司的CZ3型伸缩臂叉车为例,3节臂全伸(10.38 m),工作幅度R=7.458m(伸缩臂仰角α=0°),额定载荷Q=1.25 t,伸缩臂自重G=1.68 t。伸缩臂所受载荷包括自重、起升载荷以及由于伸缩臂叉车的起升运行、变幅机构启动或制动引起的载荷,如图1所示。

\

1.1 垂直载荷

 \

式中:G额——额定载荷
    G0——货叉重力
    G一伸缩臂重力
    ψ1——重量转化系数
    ψ   ——动力系数
    G——折臂重力
    由于HyperMesh自动计算伸缩臂自重,故计算垂直载荷时去掉上式中第2项,即

 \


1.2 臂端力矩

 \


由于货物偏心而可能产生的最大臂端扭矩M=G额l/2=1.25×450=562.5(t·mm)
式中:l1——载荷中心距
    l2——折臂长度
    l’——最大偏心距

2 模型建立及有限元分析

2.1 模型导入

采用SolidWorks软件对该伸缩臂进行三维建模,并通过igs格式转入到HyperMesh软件中。为了保证计算结果的正确性和经济性,建模过程中在尽量保持和原始结构一致的同时,也需以符合结构主要力学性能为前提进行必要的简化。伸缩臂结构采用板壳单元进行离散,以四边形单元为主,应避免采用过多的三角形单元引起局部刚性过大;为了使整个伸缩臂有限元模型规模不致过大以保证计算的经济性,单元尺寸控制在20 mm。伸缩臂单元总数为50 445个,节点总数为50 667个,模型如图2所示。

  \

图2 有限元模型(局部)


该伸缩臂采用HG60制成,杨氏模量210 000MPa,泊松比0.3,密度7850 kg/m3,屈服强度450 MPa,抗拉强度570 MPa。

2.2 伸缩臂连接部分模型处理

建模后必须建立各节臂的连接关系。伸缩臂连接部分采用滑块接触,属于非线性接触问题,须反复迭代计算求解,计算量过大,且准确性也较差,因此运用节点自由度耦合技术来模拟各节臂的连接。为实现伸缩臂与滑块之间仅传递压力而不传递拉力的目的,利用各节臂与滑块位置相邻近节点的自由度耦合。耦合的方法:选择analysis面板equations功能,将主动点的法向自由度和dof 6与从动点的法向自由度耦合。伸缩臂节点耦合如图3所示。

\

图3 伸缩臂节点耦合图

2.3 设置边界条件

在基本臂铰座处,采用发散形状的刚性连接,实现铰座处轴承之间力的传递,使其只转动,不平动,实现铰轴的静力特性和运动特性。约束基本臂铰座处3个方向平移自由度(dofl、dof2、dof3)和2个方向的转动自由度(dof5、dof6)。在3节臂头部采用发散形状的刚性连接,实现伸缩臂与折臂之间的弯矩和扭矩的传递,约束3节臂头部中心节点处的6个自由度。

2.4 施加弯矩、扭矩边界条件

伸缩臂所承受的载荷有额定载荷、货叉重力、折臂重力、伸缩臂自重及额定载荷偏心时所产生的扭矩。伸缩臂自重计算通过设置重力加速度的大小和方向自动完成。折臂重力、货叉重力和额定载荷所产生的弯矩施加于3节臂臂端中心节点处。由于偏心扭矩方向存在2种可能情况,因此在3节臂臂端中心节点处施加正负2个方向的扭矩。

2.5 工况设置

额定载荷不产生扭矩和额定载荷分别在正或负方向产生最大扭矩3种工况。

3 伸缩臂结构的拓扑优化

伸缩臂的结构为板壳结构,在轴承及液压缸的约束下,承受前端载荷力。

(1)设计目标为加权应变能最小,约束为体积分数的上限为0.3;

(2)在responses子面板中定义volume-frac和wcomp 2个响应。选择objective面板将响应wcomp定义成目标函数;选择dconstraints面板将响应volumefrac定义成约束条件;

(3)为得到易于制造的结构和满足实际设计需要,在拓扑优化过程中考虑对称条件,并设置base thickness为2mm;

(4)采用变密度法,通过OptiStruct进行优化,得到各节臂优化结果。

从各节臂优化结果图(图略)可以看出,伸缩臂的密度分布主要集中在连接部分以及l节臂端部和举升液压缸上铰点之间,这是因为举升液压缸与1节臂连接处的应力集中所引起的。伸缩臂密度分布反映了最佳传力路径。由图4可知,目标函数最终收敛于某数值上。

 \

图4 伸缩臂结构优化目标函数迭代图


来源:仿真老兵
OptiStructHyperMesh非线性拓扑优化SolidWorksUM理论控制Altair
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2025-05-19
最近编辑:5小时前
无情浪子
硕士 签名征集中
获赞 27粉丝 26文章 76课程 0
点赞
收藏
作者推荐

应用机器学习和deepseek辅助CAE分析案例

今天学习deepseek结合机器学习辅助Abaqus进行CAE仿真,分析一个特定尺寸的平板在受力后的应力和变形,然后改变平板的厚度,利用机器学习预测不同厚度下的应力和变形情况。让我梳理一下整个过程应该怎么做。首先,我需要明确整个流程。常规的CAE仿真步骤相比大家都很熟悉,但这次需要加入机器学习来进行预测,步骤包括:1. 数据生成:使用Abaqus对不同厚度的平板进行多次仿真,生成应力和变形的数据集。首先,我需要确定要改变厚度的范围。例如,厚度可能在1mm到10mm之间变化,以覆盖不同的情况。但需要多少个数据点呢?如果数据点太少,模型可能无法准确学习;太多的话,仿真时间会增加。可能需要找到一个平衡点,比如每隔0.5mm或1mm取一个点,这样可能有10到20个数据点。不过具体数量可能需要根据模型的复杂度调整。2. 特征工程:确定输入特征(如厚度、材料属性、载荷等)和目标变量(应力和变形)。输入特征可能只有厚度,而目标变量是最大应力和最大变形。但应力和变形是否在平板上均匀分布?之前的分析显示应力在大部分区域均匀,但固定端可能有轻微应力集中。这里可能需要明确目标变量是最大应力还是平均应力。同样,变形可能指的是最大位移,即加载端的位移。3. 模型选择与训练:选择合适的机器学习模型,用生成的数据训练模型,使其能够根据输入预测应力和变形。对于回归问题(预测连续值如应力和变形),可能的模型包括线性回归、决策树、随机森林、支持向量回归(SVR)、神经网络等。需要比较不同模型的性能,选择最适合的。考虑到数据量可能较小(比如20个样本),复杂的模型如深度神经网络可能容易过拟合,因此可能需要选择较简单的模型,如随机森林或SVR,并进行交叉验证。4. 模型验证与测试:验证模型的预测准确性,可能需要交叉验证或保留部分数据作为测试集。需要将数据集分为训练集和测试集,或者使用交叉验证来评估模型的泛化能力。如果数据量小,交叉验证可能更合适,比如k折交叉验证。此外,需要标准化输入特征,尤其是如果后续要使用如SVR或神经网络这类对尺度敏感的模型。5. 预测与应用:训练好模型后,输入新的厚度值,模型预测对应的应力和变形。需要检查预测结果是否符合物理规律,例如,随着厚度增加,应力应该减小(因为应力=F/A,A随厚度增加),变形也应该减小(因为刚度增加)。如果模型的预测趋势相反,可能存在问题,需要检查数据或模型选择。困难点:数据量不足:如果只生成少量数据,模型可能无法准确捕捉厚度与应力和变形之间的关系。可能需要生成足够多的数据点,或者使用数据增强的方法,如插值。过拟合:如果模型过于复杂而数据量少,容易过拟合。需要通过交叉验证、正则化等方法缓解。物理一致性:机器学习模型的预测需要符合物理规律,例如应力与厚度成反比。如果模型预测的结果违背这一点,可能需要调整模型或增加相关约束。大致思路:1.Abaqus支持通过Python脚本进行参数化建模和批量处理,可以编写一个循环,遍历不同的厚度值,每次修改模型参数,提交作业,运行仿真,然后在结果文件中提取所需数据。2.Abaqus的结果文件(ODB文件)可以通过Python脚本读取,获取节点或单元的应力值以及位移值。需要确定如何提取最大值或平均值,例如最大Von Mises应力和加载端的最大位移。3.机器学习部分,可能需要处理多输出回归问题,因为需要同时预测应力和变形两个目标变量。或者,可以分别训练两个模型,一个预测应力,另一个预测变形。不过,多输出回归模型可能更高效,尤其是当两个目标变量之间存在相关性时。分析步骤1.数据生成:参数化Abaqus仿真1.1 编写Abaqus Python脚本目标:自动化生成不同厚度的仿真数据。脚本功能:参数化定义平板厚度。自动修改几何模型、划分网格、施加边界条件和载荷。提交作业并提取最大应力和变形结果。1.2 生成数据集运行脚本后,得到数据文件plate_data.csv,示例数据如下:Thickness Max Stress Max Displacement 1 20.0 0.005 2 10.0 0.0025 3 6.666 0.001666 ... ... ... 2.机器学习模型训练2.1 数据预处理输入特征:厚度(或1/厚度,因应力/变形与厚度成反比)。目标变量:最大应力、最大变形。数据标准化:对输入特征做归一化(如StandardScaler)。代码示例:2.2 模型选择与训练模型选择:随机森林(多输出回归)、支持向量回归(SVR)、神经网络。代码示例(随机森林): 2.3 模型优化超参数调优:使用网格搜索(GridSearchCV)优化随机森林参数。3.预测新厚度下的结果3.1 输入新厚度值例如,预测厚度为7 mm时的应力和变形:输出示例:3.2 验证预测结果使用Abaqus对厚度为7 mm的平板单独仿真,对比预测值与实际值:厚度 预测应力 实际应力 预测变形 实际变形 7 2.86 2.857 0.000714 0.000714 4. 关键结论 数据驱动建模:通过自动化仿真生成数据,机器学习模型可快速预测不同厚度下的力学行为。 模型性能:随机森林等非线性模型能准确捕捉应力/变形与厚度的反比例关系。预测误差可控制在1%以内(需实际验证)。 应用场景:快速设计优化(如根据应力阈值选择最小厚度)。减少重复仿真时间,提升CAE分析效率。来源:仿真老兵

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈