基于Isight的短行程复材压机结构优化设计

张祎杉

（福州大学 机械工程及自动化学院，福建 福州 350108）

1 引言

短行程压机采用下预紧梁柱式结构，机架主要由上下梁、活动梁和锁紧螺母组成，在工作循环中，回程缸驱动上梁沿拉杆垂直方向运动至下限位，活塞液压缸驱动活动梁向上运动完成压制。在限位处分别由锁紧活塞缸驱动固定于上梁的锁紧螺母对上梁进行位置锁定。结构上采用下置式油缸安装，降低整机中心。与传统压机相比，短行程压机主缸行程短缩短了建压时间，上梁移动速度更快，生产效率更高。液压组件更小，降低能耗的同时也使得压机整体结构更加紧凑。三维模型如图1 所示。

图1 装配体参数化模型示意图

作为液压机的主要支承部件，机架结构的合理设计对于减轻设备质量、提高结构综合性能和制品成型精度无疑具有重要意义[1]。刘占稳[2]建立100MN等温锻造液压机壳单元模型，结合正交试验和响应面近似建模方法对各板厚进行优化，获得两种优化方案：①刚度不变质量减少8.39%；②上梁刚度提高16.54%且总质量减轻4.18%两种优化方案。刘星等[3]针对700t 铸造式液压机上梁优化设计，提出一种改进遗传算法，以最大变形和最大应力最约束，以质量为目标响应，实现交互式优化设计，结果表明：在保持变形不变的情况下，最大应力下降5.87%，质量减少12.09%。文献[4]～[8]也分别通过不同的结构参数优化实现了机架优化设计。在满足设计标准的基础上，结合优化算法求解，提高液压机力学性能，减轻机架质量已经成为液压机结构优化设计的主要研究方向。

由于接触的非线性特点，分析整个装配体计算较为复杂，在对单一部件进行优化时，存在着边界条件难以确定的问题，而现有研究大多针对机架单个零部件进行分析和优化，对于整机机架多部件综合分析优化研究较少。笔者通过建立25MN 短行程复材压机参数化模型，结合试验设计和RBF 神经网络近似模型技术构建以上下梁刚度、机架总质量为目标的优化模型，利用NSGA-II 算法进行求解，获得符合优化预期的结构，进而提高机架的综合性能。

2 参数化建模

在优化过程中涉及高频率调用有限元模型进行计算模拟，反复多次调用模型在时间上并不具备可行性，因此采用基于Python 语言的参数化建模技术。为提高分析可行性和计算效率，对短行程复材压机模型做出以下简化和假设：①在建模中忽略回程缸、凸台、倒角及螺栓孔等不影响压机整体性能的细部结构；②由于载荷、材料和结构具有对称性，故只建立1/4 模型以提高计算效率；③压制过程中高压行程短，可忽略动载荷影响；④拉杆螺纹联接结构简化为绑定接触，降低计算规模，且对整体力学性能影响有限。

由于整机零部件较多，若是每个部件均使用脚本创建，则工作量过于庞大，因此仅对优化设计的重点部件：上梁、下梁和拉杆以及与拉杆同轴的螺母和导向套进行脚本创建，其余部件均保留原设计结构，通过程序语言调入。在脚本中需要对装配体中的接触区域进行网格细化以提高计算精度，将载荷施加在合适的截面上。部件装配是参数化的重点部分，需明确部件坐标及空间位置以保证参数变化时能够正确装配。螺母和导向套的孔径与拉杆直径相等，拉杆总长度与梁高相关联。通过参数化建模实现变化参数自动生成新的整机装配模型。参数化生成模型如图1 所示。

3 建立优化模型

3.1 设计变量

由于机架几何参数众多，考虑到优化求解的计算可行性。选取设计变量如下：下梁下板上部厚度x1、下梁上板下部厚度x2，拉杆直径x3、下梁中部高x4、下梁前后横向筋板x5、上梁下板上部厚度x6、上梁上板厚x7、上梁纵向板厚x8、工艺孔与下梁上板间距x9、上梁纵向板厚x10、上梁中部高x11、下梁中间横向板厚x12，下梁纵向板厚x13，下梁斜板厚x14，如图2 所示，从左至右依次为上梁、下梁和拉杆尺寸参数。从左至右依次为上梁、下梁和拉杆设计参数。设计变量记为：X=（x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13,x14）。

图2 机架结构尺寸参数示意图

3.2 约束条件

对于强度，要求上梁、下梁所受最大应力均不超过材料许用应力，如式1：

式中：σ1max、σ2max分别为上下梁所受最大应力；[σ1]、[σ2]分别为梁部件最大材料许用应力。

3.3 确定优化目标函数

本研究优化设计目标是更优刚度性能和降低总质量，因此，以上梁刚度f1、下梁刚度f2为优化目标和机架总质量f3为目标。其中，刚度计算如式2，质量计算如式3。

式中：δ1为梁对称面最大竖直位移，δ2为梁对称面最小竖直位移，L 为梁跨度。

式中：Vi为单元体积，m 为划分单元总数。

在确定设计变量取值范围时，需保证各部件之间不产生干涉。结合装备工艺约束等条件，得到机架多目标优化模型如式4：

4 多目标优化求解与分析

4.1 优化流程

机架优化流程如图3 所示，Isight 与Abaqus 的集成主要通过参数化脚本作为源文件进行模型自动重生成与计算。其中：输入文件Press_frame_in.py 用于定义设计变量，创建机架装配体参数化模型；Press_frame.bat 为批处理文件，用于调用输入文件计算；Press_frame_out 为输出结果文件，计算输出优化目标函数值。

图3 Isight 优化设计流程示意图

通过最优超拉丁方方法生成的试验设计的样本点自动重生成模型计算目标响应值，随后基于径向基神经网络构建近似模型，最后结合NSGA-II 算法进行优化求解。

4.2 构建近似模型与误差检验

RBF 神经网络具有极佳的逼近能力，尤其是应用于非线性函数的拟合，具有较强的鲁棒性和容错性，基于以上优点，本文采用径向基神经网络方法构建整机近似代理模型。由于近似模型都存在误差，因此近似建模后需检验模型精度是否符合要求，通常采用复相关系数R2进行检验（通常视R2≥0.9 为满足精度要求），R2值越接近1，代表模型拟合精度越高。三个响应值的近似模型拟合精度均大于0.98，满足精度要求。

4.3 多目标优化分析

工程优化问题通常涉及多目标优化，各目标之间往往相互冲突，因此得到的优化解并不唯一，只能获得一组pareto 最优解集[9]。

NSGA-II 算法采用拥挤度和比较算子，降低了非劣排序遗传算法的复杂性，前沿Pareto 最优解可以均匀扩散至整个Pareto 求解域，对于解决机架参数多目标优化问题有较大优势[4]。因此本文选择NSGA-II 遗传算法对优化模型进行求解，设置种群规模大小为100，循环迭代次数为200，交叉概率为0.9，共进行20000 次迭代求解。最终得到653 组Pareto 最优解集构成的前沿曲线。上下梁刚度这两个目标之间为矛盾关系，无法同时达到最优。

从Pareto 解集中选取6 个优化解进行设计变量数值圆整，并将其优化值和有限元实际仿真值进行比较，计算相对误差。最大误差为3.688%在有限样本点内为可接受水平。通过对Pareto 解集分析可知：①下梁上台下厚x1、下梁前后横板厚x5、上梁下板上部厚度x6、上梁下台板x7和下梁中间横板厚x12在各优化组合中均趋向设计域上限；②下梁上板下厚x2、拉杆直径x3、上梁纵向板厚x8、工艺孔与下梁上板间距x9、上梁横板厚x10、下梁斜板厚x13和下梁纵向板厚x14在各优化组合中均趋于设计域下限；③下梁中部高度x4、下梁中部高度x11取值在各优化组合下不同。

优化结果中增加了上下台板的厚度，大幅改善了上下台板对称面的应力集中现象，同时，上台板面应力分布明显更加均匀。优化后最大应力为123.5MPa低于原设计的128.7MPa。优化后轴向位移幅值低于原设计，刚度为0.1265mm/m，较原设计0.140mm/m 提高约10.2%。下梁优化前后最大应力为278.3MPa，位于地脚螺栓孔安装面，这是由于网格畸变所导致。实际最大应力为215.8MPa，位于右侧中间横向筋板与下台板连接处，优于原设计的225.3MPa，上台面拉杆孔周围、侧板下部和工艺孔周围应力分布得到明显的改善，说明上台板厚度和侧板厚度是影响上台面和侧板应力分布的重要影响参数，而工艺孔区域应力分布情况主要受工艺孔位置板和孔距下梁上台面距离共同作用。优化后的轴向位移分布更为均匀合理，优化后下梁刚度为0.475mm/m 较原结构刚度0.575mm/m 提升约17.4%。机架总质量也从116.67t 下降至112.65t，减重3.4%，符合预期优化目标。

4 结论

本文通过建立短行程复材压机参数化模型对机架主要支承部件进行优化设计，通过优化结果与原设计的验证对比，得到如下结论：①优化后结果与原设计相比，上下梁最大应力均有所减小，且应力分布更为均匀合理，侧板和台板厚度是影响部件应力分布的重要参数；②拉杆直径对于整机结构刚度性能影响不大，在优化过程中可以考虑在允许范围内取下限值，有利于降低机架质量，减少制造成本；③优化后在满足设计标准的条件下，上梁刚度提高10.2%，下梁刚度提高17.4%，总质量下降3.4%，优化效果显著；③本研究的优化流程同样适用于大型复杂机械结构的优化设计，具有良好的工程应用价值。