模拟轴承范文（精选4篇）
模拟轴承 第1篇
圆锥滚子轴承是一种以圆锥滚子为滚动体的可分离型轴承,由圆锥内圈组件和圆锥外圈组成,可分开安装,能够承受以径向为主的径向、单向轴向联合载荷,承载能力大,一般成对使用[1],广泛应用于汽车、冶金以及轧机、矿机、塑料机械等行业。圆锥滚子轴承的设计计算复杂,传统机械设计中手工计算的低效率和高主观性制约了轴承设计中轴承性能的进一步提高。
随着计算智能技术的飞速发展,智能优化算法日趋成熟,且广泛应用于机械设计中。在圆锥滚子轴承的优化研究领域中,相关工程技术人员已将综合约束函数双下降法、改进的遗传算法、粒子群算法等应用于其优化设计,取得了一定成果。本文将一种新型的仿生类智能算法——模拟植物生长算法应用于圆锥滚子轴承的优化设计中,取得了满意的结果。
1 圆锥滚子轴承优化设计的数学模型
圆锥滚子轴承的外形及参数如图1所示,T为轴承公称宽度(轴承装配高);C为轴承外圆公称宽度;D为轴承公称外径;E为轴承外圈公称小内经;B为内圈公称宽度;d为轴承公称内径;α为轴承公称接触角。
正常工作条件下,造成圆锥滚子轴承损坏的主要原因是零件接触表面疲劳损坏,故可把轴承的最长疲劳寿命作为轴承的优化设计目标[2],即:
L10=(Cr/P)10/3 。 (1)
其中:L10为轴承的基本额定寿命;Cr为轴承的额定动载荷;P为轴承的当量动载荷。
显然,当轴承的载荷条件一定时,轴承的额定动载荷越大,滚子轴承的疲劳寿命越长,因此将轴承的额定动载荷作为优化设计目标。根据帕姆格林和隆德伯格理论以及国际标准ISO281/1990,可得出以下的表达式:
f(X)=Cr=bmfc(iLwecosα)7/9Z3/4Dundefined。 (2)
其中:bm为关于当前材料和加工质量的额定系数,它随轴承类型和设计不同而异,圆锥滚子轴承采用精炼轴承钢制造时,bm=1.1;fc为额定动载荷计算用系数,取决于轴承零件的几何形状、制造精度和材料的系数,fc=tanφcosα/sin(α-φ),φ为圆锥滚子半锥角;Z为滚子数;Dwe为滚子平均直径;Lwe为滚子有效长度;i为滚动体列数,本文取1。经过推导及代换,式(2)可转换为:
f(X)=Cr=f(T,E,B,α,φ,a0,a1) 。 (3)
其中:a0、a1分别为内圆大、小挡边宽度。
由于T、E、B、α已标准化,且圆锥滚子半锥角φ值已经规范化,在结构合理及满足约束条件的前提下可以查表得到,因此本文将圆锥滚子轴承的优化设计变量设为X=T=T。
圆锥滚子轴承优化设计的约束条件为[3,4,5]:
(1) 内圆大挡边宽度的约束:
undefined。 (4)
(2) 内圆小挡边宽度的约束:
undefined。 (5)
(3) 滚子长度的约束:
G3(X)=C--r7max≥0 。 (6)
G4(X)=T-a0-Dwsin(α-φ)-Lncosα/cosφ-r6max≥0 。 (7)
(4) 内、外圈最小有效壁厚的约束:
G5(X)=Si-0.07(D-d)≥0 。 (8)
G6(X)=0.02(D-d)-|Si-Se|≥0 。 (9)
(5) 滚子大、小头相邻间隙J的约束:
(6) 保持架梁宽Cb的约束:
G8(X)=Cb-KjS≥0 。 (11)
(7) 内圈大挡边宽a0强度约束:
undefined。 (12)
其中:ka0、ka1分别为内圆大、小挡边宽度计算系数,可查表得到;Dw为滚子大头直径;r6max、r7max均为非装配倒角尺寸;Ln为滚子母线在滚子中心线上的投影长度;Si、Se分别为内、外圈有效壁厚;Kj为计算用系数;S为保持架板厚;[S]为许用安全系数,di′为弧形大挡边内圈滚道最大直径。上述参数皆可通过计算或查表求得。
综上所述,圆锥滚子轴承的数学优化模型可表示为:
maxf(X)=Cr=bmfc(iLwecosα)7/9Z3/4Dundefined。
Gi(X)≥0 i=1,2,…,9。
2 模拟植物生长算法
1968年,美国生物学家Lindenmayer首次提出了“字符串重写规则(string rewriting system)”即L-系统(L-system),系统以简单的重写、分支规则为基础,对植物形态及生长方式进行描述,成为植物生长建模的主要方法之一。L-系统建模的核心思想是:①破土而出的茎秆在一些叫做节的部位长出新枝;②大多数新枝上又长出更新的枝,这种分枝行为反复进行;③不同的枝彼此具有相似性,整个植物具有自相似结构。模拟植物生长算法(Plant Growth Simulation Algorithm ,PGSA)正是运用植物最普遍的向光性原理,并根据上述L系统模型演化出的一种智能搜索算法。
在PGSA算法中,优化问题解的可行域演变为植物的生长空间,全局最优解演变为光源,寻找全局最优解的过程就是种子(优化问题解的初始点)破土而出长出枝丫而后长满整个空间的过程。生物学中把植物在茎、枝上能够生长出新枝的部位叫做生长点。根据植物的生长特性,植物上各生长点的形态素(一种促使植物细胞生长的激素)浓度的大小主要由植物的向光性决定,并在植物生长出新的枝丫后随着环境位置的变化而变化。形态素浓度大的生长点比形态素浓度小的生长点优先生长。文献[6]给出了模拟植物向光性的概率生长模型(叶序模型),其生长过程表示为:设树干的长度为M,上面有k个初始生长点(删去比树根差的点)SM=(SM1,SM2,…,SMk),生长点的形态素浓度为PM=(PM1,PM2,…,PMk);设树枝的单位长度为m,枝干上具有q个生长点Sm=(Sm1,Sm2,…,Smq),其形态素浓度为Pm=(Pm1,Pm2,…,Pmq),则植物上各生长点的形态素浓度表达式为:
undefined。 (13)
undefined。 (14)
其中:x0为种子(初始可行解);f(*)为优化问题的目标函数值。式(13)和式(14)中,各生长点形态素浓度是由各点对于树根的相对位置以及该位置的环境信息(目标函数值)决定的,当有新的枝丫产生,每个生长点的形态素浓度都会发生改变,符合了植物向光性生长特性中形态素浓度的生成机理。同时由表达式可推知undefined,故形态素浓度的状态空间如图2所示。用计算机随机产生一个0～1上的随机数,用该随机数所对应的形态素浓度所代表的生长点作为新的生长点。这一过程就像向图2的状态空间上投掷小球,小球落在状态空间上哪一区间,该区间代表的形态素浓度所对应的生长点将优于其他点获得生长权利,新的生长点上将长出λn(λ由新枝之间的旋转角度决定,n为优化问题的维数)个新枝,此时k+q的值发生改变,植物上各生长点的形态素浓度随之发生改变,而后再次利用形态素浓度公式(13)、(14)对所有现存生长点进行形态素浓度值计算,确定新一轮的生长点,按照此循环方式,直至空间中没有新枝产生为止。
3 模拟植物生长算法在圆锥滚子轴承中的应用
模拟植物生长算法应用于圆锥滚子轴承优化设计流程图如图3所示。
由圆锥滚子轴承的数学优化模型可知,优化问题属于多约束优化,且约束条件全部为不等式约束,故本文选用内点惩罚函数法对约束条件进行处理。根据圆锥滚子轴承优化设计的要求,选取搜索步长为0.001,初始搜索点aundefined、aundefined可根据下式确定:
aundefined=Bka0+Rand 。 (15)
aundefined=Bka1+Rand 。 (16)
其中:ka0、ka1的取值范围可查表得到;Rand为区间[0,1]上的随机数。
在约束条件组成的有界闭区间上,由式(15)、式(16)随机产生初始点作为搜索的起始点,而后输入待优化轴承的外部形态参数和内部参数,计算出新的生长点并按流程图依次执行,满足条件后输出结果。本文对3种常用的圆锥滚子轴承进行了优化设计,具体结果见表1。
表1内的标准参数指的是平时设计所用的主参数的值,将其与用模拟植物生长算法优化出的结果相比较可以看出:在大、小挡边厚度满足约束条件的情况下,优化后轴承的基本额定动载荷的值要比原值更优,故优化过程可行。
4 结论
本文将PGSA算法成功应用于圆锥滚子轴承的优化设计中,丰富了轴承优化设计的方法。该算法具有全局寻优的特点,保证了轴承优化寻优的可行性,且每一次搜索都是从离光源最近的点出发,搜索速度较快,提高了圆锥滚子轴承优化设计的效率。算法本身对初始点的选取没有严格的要求,同时优化过程中不需要确定其他算法中所需的一些难以确定的参数,充分体现了模拟植物生长算法精度高、稳定性好、实用性强的特点。
摘要：对圆锥滚子轴承进行数学优化建模。介绍了模拟植物生长算法的基本原理,并将其应用于圆锥滚子轴承优化设计中,对优化结果进行分析,表明该算法应用可行性强、精度高、稳定性好。
关键词：圆锥滚子轴承,优化设计,模拟植物生长算法
参考文献
[1]陈龙,颉潭成,夏新涛.滚动轴承应用技术[M].北京:机械工业出版社,2010.
[2]夏新涛,马伟,颉潭成.滚动轴承制造工艺学[M].北京:机械工业出版社,2007.
[3]Tedric A Harris,Michael N Kotzalas.滚动轴承分析[M].第5版.罗继伟,马伟,译.北京:机械工业出版社,2010.
[4]孙靖民,梁迎春.机械优化设计[M].北京:机械工业出版社,2007.
[5]赵章荣,隋晓梅,杜鹏,等.改进模拟退火算法在圆锥滚子轴承优化中的应用[J].机床与液压,2008,36(8):21-23.
模拟轴承 第2篇
关键词：外圈旋转轴承,摩擦驱动,气压加载,模拟试验
0 引言
电梯曳引系统专用密封轴承单元工作时内圈固定, 外圈由聚酯钢丝复合曳引带摩擦带动做交变式换向加减速、变向旋转、歇停并承受曳引带径向施加的载荷。轴承的运行噪音、温升和密封特性直接影响电梯轿厢运行安全性、舒适度和电梯箱体洁净度。为验证和改进轴承设计、判定产成品性能是否满足要求, 依据电梯实际运转状况对轴承单元进行密封效果、温升特性、振动噪声模拟试验显得尤为重要。
1 现有技术及其不足
常用轴承试验机多为外圈固定、内圈旋转并通过外圈施加试验载荷。而外圈旋转式轴承试验机旋转时除轴承本身产生转动外, 轴承外圈与加载装置间要产生相对滑动, 目前采取的主要加载方式有:钢丝绳、链条、摩擦轮等。其中钢丝绳和链条加载均需一定预紧力, 对试验轴承可靠性试验工况有一定影响, 且钢丝绳频繁反向复位, 影响试验进度[1]。摩擦轮传动是相对于上述方式更为安全、简单的加载方式, 但现有外圈旋转摩擦驱动式轴承性能试验机多为悬臂或简支梁式支承结构, 辅助机构多、加载和驱动系统复杂、每次仅能试验单套或两套轴承, 试验数据和结果获取周期长, 对比度差。
2 中心摩擦轮驱动式轴承模拟试验机
2.1 试验机工作原理
为模拟电梯曳引机轴承外圈旋转并不时正转、反转、停止以适应电梯升降和歇停工况特点, 本试验机采用中心摩擦轮驱动方式, 在其外周上以行星方式对称设置若干组试验轴承, 气压加载将试验轴承紧压在摩擦轮外壁上, 按照可编程控制器设定的变速时间、运转速度、变向及停顿节拍、循环次数等参数进行轴承密封、温升、振动等性能模拟运转试验跑合。
1.电动机2.摩擦轮3.安装背板4.气缸导轨5.气缸6.安装轴基座7.试验轴承8.安装芯轴9.轴承固定装置10.电气控制箱11.变速器12.调压阀13.启动按钮
2.2 试验机主体结构
本试验机包括电动机、变速器、摩擦轮、安装背板、加载气缸、轴承固定装置和电气控制箱等。如图1所示, 安装背板作为试验机主体机身套装于变速器外部且与电动机和摩擦轮所在轴线垂直, 摩擦轮设置于安装背板前方中心位置, 绕其外周成对设置有若干组指向摩擦轮中心的导轨, 导轨上设有由气缸推动并沿其滑动的安装轴基座, 通过设置在基座上与摩擦轮轴线平行的安装芯轴安装试验轴承并由轴承固定装置定位锁紧。
2.3 轴承径向加载机构
本文所述电梯曳引机专用轴承主要承受电梯自重 (或对重) 和载重施加的径向载荷。如图1所示, 加载机构由气缸、气缸导轨、调压阀、启动按钮等构成, 并附带含主阀和冷凝分离装置的气体过滤维护单元。根据试验轴承规格和运转工况, 使用带有压力表的气压调压阀可设定所应施加试验载荷大小, 并由气缸活塞推动安装轴基座和其上试验轴承沿导轨向摩擦轮中心移动并最终压紧在摩擦轮外壁上, 达到预定载荷后电动机驱动摩擦轮自转并带动压紧在其上的试验轴承转动, 此时试验轴承所承受的径向载荷与其对摩擦轮的压紧力相等。
2.4 试验轴承固定装置及其固定方法
2.4.1 轴承固定装置
试验轴承固定装置采用偏心凸轮机构实现轴承快速拆装、更换及可靠锁紧。由U型插口压板, 凹形曲面垫板, 中心螺纹夹压杆和由销轴与螺纹夹压杆铰接的夹压把手组成, 夹压把手头部为与曲面垫板形状吻合并可拖动垫板随螺纹夹压杆一起转动的凸型偏心压轮 (图2) 。
2.4.2 固定方法及步骤
(1) 将带有曲面垫板和夹压把手的螺纹夹压杆旋入安装芯轴端部的中心螺纹孔中;
(2) 放置试验轴承并在轴承内圈端面与曲面垫板间插入U型插口压板;
(3) 旋转曲面垫板使其凹形曲面与偏心压轮凸面相合, 旋转夹压把手带动曲面垫板通过压板将试验轴承顶压在预压紧状态;
(4) 绕销轴轴心方向扳动夹压把手, 通过偏心压轮将轴承牢靠地轴向定位锁紧;
(5) 反向操作可实现轴承拆卸。
2.5 摩擦轮驱动面材料
摩擦轮传动依靠接触面间产生的摩擦力来传转并带动压紧在其上的所有试验轴承按照事先设定的试验参数做定时加减速运转、转向切换和间歇停顿循环跑合, 达到循环次数自动停机;读取轴承温度变化情况并卸下轴承评定漏脂率, 确定是否满足设计要求。需要时, 可应用本试验机对试验轴承进一步加压、加速进行模拟寿命试验。递动力, 根据其润滑状态不同, 通常有干摩擦、油润滑等两种类型[1]。从简化结构出发, 本试验机采用干摩擦驱动方式, 摩擦轮外径表面采用Vulkollan低损耗高性能聚氨酯弹性体涂层 (图3) , 可有效增大摩擦系数, 避免轮面磨损、烧伤及减少接触面打滑。
9-1 U型缺口压板9-2凹形曲面垫板9-3螺纹夹压杆9-4夹压把手9-5销轴
2.6 试验机运转程序
试验时依据轴承实际运转工况通过控制箱编程设定变速时间、运转速度、变向及停顿节拍、循环次数等参数;放置试验轴承并固定锁紧后, 使用气压调压阀调整试验轴承应加载荷大小;按下启动按钮, 气缸活塞推动安装轴基座和其上试验轴承沿导轨向摩擦轮中心移动并最终压紧在摩擦轮上, 达到预定载荷时, 电动机驱动摩擦轮自
3 试验机主要技术效果
(1) 通过可编程控制器实现无级变速旋转、定时变向和静止循环, 由可调气缸对每套试验轴承径向加载, 可高度模拟轴承工况并按照电梯升、降、歇停进行正转、反转和歇停切换, 驱动和加载系统简单、操作方便。
(2) 轴承直接安装于试验机台架背板上, 相对于现有悬臂梁或简支梁轴承支承结构, 具有更好的刚性且易于安装、拆卸。
(3) 多套轴承同时跑合运转, 试验效率高、结果对比性强。
(4) 试验轴承以行星方式对称且成对布局于摩擦轮周边, 使每对试验轴承作用于摩擦轮的力相互抵消[2], 令摩擦轮运转平稳, 使用寿命长。
4 结束语
本试验机成功应用于电梯轴承生产企业, 可为验证和改进轴承设计、判定产成品性能是否满足要求提供快速、直观的试验效果, 尤其适用于漏脂、温升质量水平要求高, 样本数量多的轴承试验。
参考文献
[1]孙刚.外圈旋转轴承多点加载装置研究[D].哈尔滨:哈尔滨工程大学, 2010.
模拟轴承 第3篇
滚动轴承广泛用于汽车、工程机械、机床、电机、化工等行业, 对滚动轴承进行有效的状态监控和故障诊断, 可以显著降低生产设备停机几率和生产成本。在工程技术领域, 状态监控技术对于保证设备的正常运转和生产的顺利进行起着重要的作用[1]。
BP (Back Propagation) 神经网络广泛应用于状态监控和故障诊断。但是不同的应用场合需要设置不同的网络结构参数, 试凑法并不能快速有效地找到较优参数[2]。基于此, 本文提出了一种基于模拟退火的方法, 将优化BP神经网络参数和寻找最优特征子集同时进行, 可使神经网络对监控状态分类准确率达到最高。
1BP神经网络
BP神经网络即误差反向传播神经网络, 是目前应用最广泛的一种神经网络模型。BP神经网络包括输入层、隐含层 (也称中间层) 和输出层。BP算法是一种梯度下降算法, 其学习过程由正向传播和反向传播两部分组成。正向传播是输入模式从输入层经隐含层处理传向输出层;反向传播是误差信号从输出层向输入层传播并沿途调整各层连接权值及各层神经元的阈值, 以使误差信号不断减小。
参数设置对神经网络非常重要, 影响神经网络的稳定性和快速性。本文使用BP神经网络进行故障诊断时用到的重要参数有3个:学习速率、动量项和隐含层神经元数目[3]。
2基于模拟退火的优化方法
模拟退火算法 (Simulated Annealing, SA) 是以马尔科夫链的遍历理论为基础的一种适用于大型组合优化问题的启发式随机搜索技术。SA算法的核心在于模拟热力学中液体的冻结与结晶过程。采用Metropolis接受准则避免落入局部最优, 渐进收敛于全局最优。
SA-BPN实现最优搜索的具体步骤如下:
(1) 给定参数组合变化范围, 在此范围内随机选择一个作为初始参数组合, 并计算相应的神经网络分类准确率R (Xk) , 其中, k=0。
(2) 在当前参数组合的邻域内进行扰动, 随机产生一个新参数组合Xk+1, 并检查Xk+1是否满足约束条件。若不满足, 则重新产生新状态Xk+1, 直至满足约束条件为止, 计算相应的分类准确率R (Xk+1) , 得到ΔR=R (Xk+1) -R (Xk) 。
(3) 若ΔR>0, 则接受新状态Xk+1;若ΔR<0, 则按概率P=exp (-ΔR/T) 接受新状态Xk+1, 其中, T为温度。
(4) 在温度T下, 重复步骤 (2) 、 (3) 。
(5) 缓慢降低温度T。
(6) 重复步骤 (2) 至步骤 (5) , 直至收敛条件满足为止。
从算法流程中可以看出, SA-BPN算法主要包括状态产生函数、状态接受函数、温度更新函数、内循环终止准则、外循环终止准则和初温的设定, 这些环节的设定将决定SA-BPN算法的寻优性能。
3实验验证
3.1 实验数据
本实验采用SKF公司的深沟球轴承, 型号为6205-RS。fSF、fPFI、fPFO分别代表滚动体故障频率、内圈故障频率、外圈故障频率。设NB为滚动体的数目, Db为滚动体直径, Dc为轴承节圆直径, θ为接触角, 则故障特征频率的计算公式分别为:
undefined。 (1)
undefined。 (2)
undefined。 (3)
其中:fs为轴承所在轴的转动频率。
4种类型的振动数据分别对应正常状态、内圈故障、外圈故障、球体故障。球轴承安装在电机驱动的实验系统中, 测试了4种载荷条件下的轴承振动数据。加速度传感器安装在电机的驱动端以获取轴承的振动信号, 采样频率为12 000 Hz。故障的引入采用电火花加工方法。
3.2 数据集
为了验证本文方法的有效性, 建立了3个不同的振动信号样本集 (1、2、3) , 故障尺寸的单位是cm。
样本集1有400个数据样本, 其中训练集数据和测试集数据各200个, 涵盖4种运行状态 (正常、外圈故障、内圈故障、滚动体故障) 和两种载荷 (1.2 N·m和2.3 N·m) 。训练集数据对应小故障尺寸, 测试集数据对应大故障尺寸。
样本集2与数据集1基本相同, 区别在于样本集2的训练样本是数据集1的测试样本, 样本集2的测试样本是数据集1的训练样本。
样本集3有600个数据样本, 其中训练集和测试集各300个。数据集3样本较多, 包括多种运行条件、故障尺寸、载荷、转速。
3.3 特征提取
首先, 从采集到的时域振动信号及其频谱中提取12个时域特征参数和4个频域特征参数。时域特征分别为均值、峰值、均方值、方差、标准差、均方根、峰值指标、脉冲指标、波形指标、裕度指标、偏度、峭度。频域特征分别是频率均值、频率中心、均方根频率、标准差频率[4]。
其次, 为了更加精细地捕捉故障信息, 使用小波包分解方法对原振动信号进行分解。通过一维离散小波包变换将时域信号分解为4层共16个小波包。采用这16个小波包的归一化能量作为特征。
最后, 提取包络谱的4个频率特征参数和4层小波包分解后得到的16个归一化能量作为特征。
3.4 对比分析
为了说明本文方法 (记为SA-BPN) 对学习速率、动量项和隐含层神经元数目3个参数优化的有效性, 将其与未经参数优化的神经网络和自适应神经模糊推理系统 (ANFIS) 方法进行对比, 结果见表1。说明经过模拟退火算法对BP神经网络参数优化后分类准确率有所提高。
为了说明本文方法在特征选择方面的有效性, 与其他特征选择技术进行了比较 (见表2) 。这些技术分别是顺序前进法 (SFS) 、顺序后退法 (SBS) 和顺序浮动前进法 (SFFS) 。
从表2可以看出, 本文方法优于其他方法。
4结论
本文提出利用模拟退火的方法同时对BP神经网络参数和特征寻优, 并将此方法应用到滚动轴承状态监控中。与其他的特征选择方法相比, 本文方法可以有效去除冗余和不相关特征, 同时可获得更高的分类准确率。
摘要：为了提高轴承状态监控的准确性, 提出了一种基于模拟退火并可同时得到较好神经网络参数的新的优化方法。为验证所提方法的有效性, 将实验台测得的滚动轴承振动信号作为研究样本, 提取信号的特征。实验结果表明, 该方法对轴承运行状态分类的准确率较高, 可用于此类旋转机械的状态监控。
关键词：状态监控,BP神经网络,模拟退火算法,轴承
参考文献
[1]管辉, 陈永会, 李小强.基于小波分析的滚动轴承故障诊断方法的研究[J].机械工程与自动化, 2008 (6) :100-102.
[2]吴自明.基于神经网络的转子系统故障诊断[J].机械工程与自动化, 2007 (1) :131-133.
[3]Lin S W, Tseng T Y, Chou S Y, et al.A simulated-annealing-based approach for simultaneous parameteroptimization and feature selection of back-propagationnetworks[J].Expert Systems with Applications, 2008, 34 (2) :1491-1499.
模拟轴承 第4篇
模拟淬火遗传算法一种演化算法。这种演化算法是由Kirkpatrick开发的模拟淬火算法(Simulated Annealing,SA),模拟淬火算法能够处理非连续性方程和差分变量,而确定性优化方法无法实现,因此使得SA算法成为单目标和多目标优化问题的重要工具。但目前国内外许多学者都致力于这方面的研究。SA算法也具有迭代较慢,无任何迭代特性的缺点,目前已开发了许多新的多目标模拟淬火算法(MOSA)予以改进,如SMOSA,WMOSAPDMOSA,PDMOSA-I等。
编制优化模型是一个复杂的多目标规划本文提出了利用基于网格的模拟淬火遗问题。
度峰值曲线的方法合并内外套圈生产样本数据中客流量相似且相运行内外套圈和生产厂传算法来求解运行计划编制的新方法。
305轴承生产调度计划编制优化模型是一个复杂的多目标规划问题,它必须兼顾轴承生产和工厂双方的利益,才能使得整个生产调度计划有规律有节奏的运行。
1 新方法的基本思路
内外套圈的生产决定了内外套圈生产每日生产布曲线,然后对滚动体调度的时段配置相同的运力。
由于内外套圈生产状况具有一定周期性和重复性,因此我们首先对305轴承生产调度的历史客流量样本数据进行数据挖掘得到与算法相关的历史样本数据。
运行计划的好坏在很大程度上取决于能对于内外套圈来说生产时间越短越好,而对于滚动体来说质量越稳越好。这里我们以内外套圈生产和滚动体质量加权值作为遗传算法的适应度函数来评价染色体的优异性。
最后将最终染色体转换成套圈间隔,并根据套圈生产时间,得到套圈时刻表,即生产计划。
2 305轴承调度模型
基于305轴承调度模型构建及其求解方法如下。
2.1 模型假设
本文主要是根据获取适应度最大的染色体来优化内外套圈间隔,为了更好的进行研究工作,我们针对内外套圈的实际情况做出如下假设:
1)只考虑内套,内套和外套之间不相互影响。
2)在制定计划之前套圈系统有相关历史样本数据。
2.2 模型构建
1)从样本数据中查找满足以下约束的L线路历史样本,即:
2)分别累加R分钟内历史样本的客流量。即公式:
计算类直径
有序聚类法用“类直径”来表示段内的差异程度,段内差异愈小,直径就愈小。类{xi,xi+1,……,xj},的直径记为D(i,j),一般多采用“离差平方和”作为直径,即:
其中
定义损失函数
有序聚类法用“损失函数”来表示分割的好坏,损失函数E[p(n,k)]定义为各段直径之和,即:
2.3 模型求解
根据ηk将最终染色体分为若干个区间,并利用以下二进制转换成转化成十进制的计算公式可得到各区间的发车间隔,即:
再根据始末套圈时间tf和tf计算得到套圈时刻表,即:
3 仿真试验
根据我们掌握的305轴承的历史样本数据及其生产实际特点为了验证上述模型和算法的有效性和可靠性,我们进行了仿真试验。
在3台机床上调度所示的4个零件,各零件的加工实现方式及相应的工艺路线约束如表1所示。
MOSA所用评价指标为加权平均流通时间,采用常规的GA算法,给出进化过程中的平均适应度值。给出了进化的调度结果。
4 结论
本文探讨了基于网格的模拟淬火遗传算法及其在305轴承编制中的应用,提出一种模拟淬火遗传算法,以基于模型求解为基础,以仿真试验为方法,将轴承模型表示为由一系列修改操作组成的模拟淬火遗传算法模型。本文算法在模拟淬火遗传算法时,重点考虑了简化误差对模型精度的影响。该算法将细化操作分解为对轴承模型的关系信息,同时,该算法将全局简化误差保存在每一步修改操作中,既确保了多分辨轴承模型的健壮性,又使得通过全局简化误差来控制模拟淬火遗传算法分辨率。
摘要：本文利用基于网格的遗传算法解决305轴承生产调度中的计划编制问题。首先应用对305轴承生产调度样本数据进行数据挖掘,然后在综合考虑机床成本和305轴承运营亏损等因素的前提下构造模拟淬火遗传算法的适应度函数,最后在网格平台上初始化,进化操作,从而能快速得出满意的305轴承生产调度表;通过仿真试验,证明了该方法的有效性和实时性。
关键词：滚动轴承,遗传算法,网格,运行计划
参考文献
[1]J.Herrera,E.Huedo,R.Montero,and I.Llorente.A gridorientedgenetic algorithm.In Advances in Grid Computing-EGC,2005:315–322.