转向架构架外文资料翻译

基于确保疲劳强度和减轻重量的转向架构架设计

B.H.Park and K.Y.Lee

机械工程学院，延世大学，首尔，韩国.

这份手稿是于2005年4月8日收到后接受修改,出版于2005年11月25日。

DOI: 10.1243/09544097F01405

摘要：在一个转向架的设计发展过程中，转向架构架疲劳强度的影响是一个重要的设计准则。此外,为了节约能源和材料需要减轻重量。在这项研究中，用有限元方法在各种加载条件下对转向架构架进行疲劳分析是根据UIC的标准形成的，这种方法试图通过人工神经网络和遗传算法来减小转向架构架的重量。

关键词：转向架、强度、疲劳强度分析、神经网络、优化。

1简介：

转向架是列车上一个非常重要的构件，它承载着铁道车辆在运动中的各种力。铁道车辆的运动受到轨道的几何形状、轮轨相互作用、悬挂装置和零部件的惯性力的影响。同时，一台高速运行列车的转向架结构的重量应该尽可能轻。因此，转向架的强度应该在国际标准如UIC[1]和JIS [2]的基础上仔细地进行计算分析，以获得一个合理的设计方案。在过去的设计过程里，诸如一些试验，现场测试，并对原型改进得到一个合理的设计等步骤需要许多时间和很高的成本。然而，在计算机辅助工程(CAE)产品设计中，应用有限元分析方法(FE)可以减少所需的成本和时间。利用有限元分析方法研究转向架构架曾有几次先例[3,4]。

此外，转向架占车辆总重量的一大部分。目前设计者在节省能源和材料的驱动下对车辆的结构进行轻量化设计。在CAE产品设计步骤，降低重量的优化方案以及最优算法的应用可使重量减轻并满足约束条件的疲劳强度。

这是一个典型的疲劳约束下降低转向架重量的结构优化问题,但只是应用现有数控优化算法，问题是无法解决的。在这一问题上，疲劳约束作为一种分析不表达功能方面的设计变量。在这篇文章中，建立转向架构架的有限元模型是为了模拟疲劳试验。这项研究中使用的转向架是由焊接构架、摇枕、自导向机制、一系悬挂、二系悬挂和盘形制动装置组成。转向架构架疲劳强度的评估则根据国际标准UIC615-4进行“动力单位转向架和运行齿轮转向架构架结构强度试验”。该优化问题是由一个降低转向架重量的对象函数和约束条件下的疲劳设计标准构成。近似疲劳的约束的人工神经网络(ANN)函数

和微观遗传算法(µGA)被用来解决这一优化问题。

图1转向架构架模型

2转向架构架的应力分析

2.1转向架构架的有限元模型

在这项研究中，分析对象是摇枕转向架（图1(a)）。对转向架构架有限元模型数值分析的目的是进行除摇枕外转向架疲劳强度的评估，拖车转向架构架是由28250个节点、23870个矩形壳单元、2710个六角形固体单元紧密连接而成。考虑到拖车转向架构架一系悬挂的边界条件，弹簧边界元件就可以建立，并且这些元件的刚度与一系悬挂完全相同。拖车转向架构架有12根弹簧为基本悬挂单元。软件程序使用Altair Hyper Mesh和ABAQU。

这个转向架构架材料是SWS490A，定义在文献[2]，该材料的性能见表1。

2.2负载条件下评价转向架构架疲劳强度的影响

疲劳分析是基于暂行标准。

在职载荷主要是为了确保使用时在已考虑到的主要力综合作用过程中没有任何发生疲劳裂纹的风险。载荷产生的情况，包含转向架构架的各种不同负载、直线轨道、曲线通过、轧制和跳跃的影响、和跟踪扭曲。表2和3显示各个负载的负载情况和应用领域。

表1转向架构架材料特性（MPa）

表2主应力情况

在表2中，m v(kg)是空车质量，n b是转向架数量，m+(kg)是单个转向架质量，C1(kg)是乘客的平均质量，g (m/s−2)为重力加速度。根据表2和标准UIC 615-4[ 1 ]，主要载荷的情况可由表3进行规定。疲劳强度分析时使用的变量如F z1,F z2,F y,F t1,F t2的施加情况列在图.1(a)中。

在每个节点，每种载荷下的应力由表3确定。可以从结果看出，表5中定义的最大应力σmax和最小应力σmin的大小由图2中步骤确定，根据σmax and σmin，平均应力σm和应力幅值σa由下式定义：

σm=σmax+σmin

2和σa

=

σmax−σmin

2

(1)

表3主应力载荷（KN）

根据每一节点上的σm 和 σa ，可以得到如图.3所示的古德曼图。应力幅值需满足下式要求：

n =σ

a σp

<1 (2)

图2 最大和最小应力的确定

图3修改后的古德曼图

许用应力σp从古德曼图中获得，n是设计因数。表4中的初始设计的分析结果如图3中所示。如图3所示，疲劳强度大多满足古德曼应力图的要求。在焊接和磨削处，

一些节点违反古德曼图。最高值的n是1.04。

3转向架构架的优化设计中

3.1人工神经网络的设计因数n

疲劳强度约束为一个三层逼近误差反向传播神经BPN网络。神经网络塑造了人脑执行某一特定任务或处理信息的方式[6]。人工神经网络的高度非线性逼近函数得到了很好的利用。反向传播是一种多用途的学习算法。

考虑转向架构架的疲劳强度，设计因子n被选择作为输出参数，然而其上盖板、下盖板和里面的侧架垂直盖板是被选择作为输入参数网络。

表4和图4显示各个设计变量的初始值，上、下限值和最初的重量。

首先，疲劳分析数据应该在逼近人工神经网络时获得。这三个水平的设计变量的全因子设计被用来产生训练数据集。每一个变量如表4所示有初始值和上下限值。三项测试验证了近似模型的可靠性。

用于BPN的特定的节点通过27次最严格的试验选择。这些结点呈现在图5中。

在这项研究中，图6所示的神经网络模型被应用于在每个节点上逼近设计因子。

表5标记了选定节点设计因子近似结果。测试数据及疲劳分析数据之间的最高百分比误差为5.34%，结果表明，该模型的测试成功完成。

表4设计变量和限值

设计变量位置厚度（mm）

下限值初始值上限值

初始重量：0.529t

X(1)侧架上盖板121620

X(2)侧架下盖板121620

X(3)侧架垂直盖板81216

3.2遗传算法优化

遗传算法(GAs)是一种基于自然选择力学和自然遗传学的搜索算法。遗传算法会结合收敛性解决方案得到全局最优或近似解，已经被成功运用到各种各样的一些功能优化问题。数量增加时，算法找到一个更好的解决办法。然而，一个更大的数量规模需要更多的计算时间才能找到最合适的解决方案。因此，戈德堡[7,8]提出了串行遗传算法(SGA)，它通过与常规遗传算法相比一个更小的规模。在SGA的基础上，Krishnakumar[9]在1989年提出了µGA。

图4转向架构架的设计变量X