تعداد نشریات | 44 |
تعداد شمارهها | 1,301 |
تعداد مقالات | 15,907 |
تعداد مشاهده مقاله | 52,157,896 |
تعداد دریافت فایل اصل مقاله | 14,928,022 |
روشهای بهینهسازی وزن گیربکس اصلی هلیکوپتر آگوستا | ||
مهندسی مکانیک دانشگاه تبریز | ||
مقاله 38، دوره 48، شماره 3، آبان 1397، صفحه 347-354 اصل مقاله (1.24 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
فرید وکیلی تهامی1؛ اکبر رسولیان* 2؛ ساناز سعادتمند هاشمی3 | ||
1دانشیار، گروه مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران | ||
2دانشجوی دکترا، باشگاه پژوهشگران جوان و نخبگان، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران | ||
3دانشجوی کارشناسیارشد، باشگاه پژوهشگران جوان و نخبگان، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران | ||
چکیده | ||
امروزه یکی از مقولههای مهم در علوم مهندسی، بهینهسازی طرحهای جدید بهمنظور رقابت در عرصهی بازار صنعتی میباشد. در صنایع هوافضا، وزن و عمر قطعات از معیارهای بسیار مهم طراحی میباشند. بهعنوان مثال، مسئله بهینهسازی وزن گیربکس اصلی هلیکوپترها، توأم با عملکرد و عمر خستگی قابل قبول آنها از اهمیت بالایی برخوردار است. در این پژوهش، پارامترهای طراحی گیربکس اصلی هلیکوپتر آگوستا، با استفاده از سه روش مختلف بهینهسازی الگوریتم ژنتیکی (GA)، اجتماع ذرات (PSO) و جستجوی گرانشی (GSA) تعیین شدهاند. تابع هدف مسئله، جرم چرخدندهها با قیود مختلف مبتنی بر محدودیتهای هندسی میباشد. ضرایب اطمینان خستگی نیز مطابق روابط آگما (AGMA) در نظر گرفته شدهاند. متغیرهای طراحی موجود شامل عرض چرخدندهها بهعنوان پارامتری پیوسته و مدول عمودی آنها بهعنوان پارامتری گسسته میباشند. هرچند مقایسهی نتایج بهینهسازی، حاکی از موفقیت هر سه روش در کمینهسازی حدود 23 تا 27 درصدی وزن گیربکس نسبت بهطرح صنعتی موجود هستند اما الگوریتم جستجوی گرانشی نهتنها بهترین جواب بهینه از نظر وزن را بهدست میدهد، بلکه بیشترین سرعت همگرایی را نیز داشته است. | ||
کلیدواژهها | ||
بهینهسازی وزن؛ خستگی؛ گیربکس هلیکوپتر؛ الگوریتم ژنتیکی؛ الگوریتم اجتماع ذرات؛ الگوریتم جستجوی گرانشی | ||
مراجع | ||
[1] Ognjanovic M., Decisions in gear train transmission design. Research in Engineering Design, Vol. 8, [2] Yokota T., Taguchi T., and Gen M., A solution method for optimal weight design problem of the gear using genetic algorithms. Computers & industrial engineering, Vol. 35, No. 3, pp. 523-526, 1998. [3] Chong T. H. and Lee J. S., A Design Method of Gear Trains Using a Genetic Algorithm. International Journal of the Korean Society of Precision Engineering, Vol. 1, No. 1, 2000. [4] Barbieri M., Bonowi G., Scagliarini G., and Pellicano F., Gear vibration reduction using genetic algorithms. In 12th IFToMM World Congress, Besancon, France, 2007. [5] Savsani V., Rao R., and Vakharia D., Optimal weight design of a gear train using particle swarm optimization and simulated annealing algorithms. Mechanism and machine theory, Vol. 45, No. 3, [6] Tudose L., Buiga O., Ştefanache C., and Sóbester A., Automated optimal design of a two-stage helical gear reducer.StructuralandMultidisciplinary Optimization, Vol. 42, No. 3, pp. 429-435, 2010. [7] Mendi F., Başkal T., Boran K., and Boran F. E., Optimization of module, shaft diameter and rolling bearing for spur gear through genetic algorithm. Expert Systems with Applications, Vol. 37, No. 12, [8] Jeon E. C., Lee S. Y., Song H. B., Chun J. D., and Kim S. Y., Study for the verification of the tooth profile accuracy of the automatic gear design program. Global Journal of Technology and Optimization, [9] Sun Y., and Xiong H. G., Optimal Design of Gear Based on Quantum Genetic Algorithm. Sensors & Transducers, Vol. 16, pp. 137, 2012. [10] Mermoz E., Astoul J., Sartor M., Linares J. M., and [11] Rao R. V., Design Optimization of a Spur Gear Train Using TLBO and ETLBO Algorithms. Teaching Learning Based Optimization Algorithm. Springer International Publishing, pp. 91-101, 2016. [12] Jammu V. B., Danai K., and Lewicki D., Structure-based connectionist network for fault diagnosis of helicopter gearboxes. Journal of Mechanical Design, Vol. 120, No. 1, pp. 100-105, 1998. [13] Standard, A., Fundamental rating factors and calculation methods for involute spur and helical gear teeth. ANSI/AGMA-B88, 2001. [14] Standard, A., Design Manual for Bevel Gears. ANSI/AGMA 2005-D03, 2005. [15] Haupt R.L. and Haupt S.E., Practical genetic algorithms. John Wiley & Sons, 2004. [16] Panigrahi B. K., Hiot L. M., and Shi Y., Handbook of swarm intelligence: concepts, principles and applications. Vol. 8, Springer, 2010. [17] Clerc M., Particle swarm optimization. Vol. 93, [18] Perez R. and Behdinan K., Particle swarm approach for structural design optimization. Computers & Structures, Vol. 85, No. 19, pp. 1579-1588, 2007. [19] Rashedi E., Nezamabadi-Pour H., and Saryazdi S., GSA: a gravitational search algorithm. Information sciences, Vol. 179, No. 13, pp. 2232-2248, 2009. [20] Rashedi E., Nezamabadi-Pour H., and Saryazdi S., BGSA: binary gravitational search algorithm. Natural Computing, Vol. 9, No. 3, pp. 727-745, 2010. | ||
آمار تعداد مشاهده مقاله: 621 تعداد دریافت فایل اصل مقاله: 360 |