Optimierung der Federparameter durch Verwendung des Bees-Algorithmus für den faltbaren Flügelmechanismus

Wissenschaftliche Berichte Band 12, Artikelnummer: 21913 (2022) Diesen Artikel zitieren

979 Zugriffe

1 Zitate

3 Altmetrisch

Details zu den Metriken

In dieser Studie wird die Gestaltung der Torsions- und Druckfedern des im Flugkörper verwendeten faltbaren Flügelmechanismus als Optimierungsproblem betrachtet. Nachdem die Rakete das Rohr verlassen hat, müssen die im geschlossenen Zustand wartenden Flügel innerhalb einer bestimmten Zeit geöffnet und fixiert werden. Ziel der Studie ist es, die von den Federn gespeicherte Energie zu maximieren, damit der Flügel in kürzester Zeit geöffnet werden kann. In diesem Zusammenhang wird in beiden Publikationen die Energiegleichung als Zielfunktion im Optimierungsprozess definiert. Als Optimierungsgrößen wurden Drahtdurchmesser, Windungsdurchmesser, Windungszahl und die für die Federauslegung erforderlichen Durchbiegungsparameter ermittelt. Aufgrund der Abmessungen des Mechanismus bestehen geometrische Einschränkungen für die Variablen und aufgrund der Belastungen, denen die Federn ausgesetzt sind, gelten auch Einschränkungen hinsichtlich des Sicherheitsfaktors. Der Bees-Algorithmus (BA) wurde verwendet, um dieses Optimierungsproblem zu lösen und den Federentwurf durchzuführen. Die mit BA erhaltenen Energiewerte waren besser als die Werte, die zuvor mit der Design of Experiment (DOE)-Studie erhalten wurden. Die mit den aus der Optimierung erhaltenen Parameter entworfenen Federn und Mechanismen wurden zunächst im ADAMS-Programm analysiert. Anschließend wurden experimentelle Tests durchgeführt, bei denen die hergestellten Federn in den eigentlichen Mechanismus integriert wurden. Als Ergebnis der Tests wurde beobachtet, dass sich der Flügel nach etwa 90 ms öffnete. Dieser Wert liegt deutlich unter dem Projektziel von 200 ms. Zudem beträgt der Unterschied zwischen der Analyse und den experimentellen Ergebnissen nur 16 ms.

In Luft- und Schiffsfahrzeugen übernehmen Faltmechanismen entscheidende Aufgaben. Diese Systeme werden bei Morphing- und Umbauarbeiten an Flugzeugen eingesetzt, um die Flugleistung und -kontrolle zu verbessern. Je nach Flugmodus werden die Flügel auf unterschiedliche Weise gefaltet und wieder geöffnet, um aerodynamische Effekte zu reduzieren1. Diese Situation kann mit den Flügelbewegungen einiger Vögel und Insekten während des Routineflugs und Tauchens verglichen werden2. Ebenso falten und entfalten sich Segelflugzeuge in Unterwasserfahrzeugen, um hydrodynamische Effekte zu reduzieren und maximale Fahrleistung zu erzielen3. Eine weitere Aufgabe der Mechanismen besteht darin, den Systemen Volumenvorteile zu verleihen, beispielsweise das Zusammenklappen der Propeller von Hubschraubern während der Lagerung und des Transports4. Die Flügel der Raketen sind außerdem gefaltet, um den Stauraum zu reduzieren. Auf diese Weise können mehr Raketen in einem kleineren Bereich des Abschusssystems5 platziert werden. Die effektiv beim Ein- und Ausklappen eingesetzten Komponenten sind in der Regel Federn. Im Moment der Faltung wird in ihnen Energie gespeichert, die im Moment der Entfaltung wieder freigesetzt wird. Dank ihrer flexiblen Struktur gleicht sich die gespeicherte und abgegebene Energie aus. Federn werden hauptsächlich für das System entwickelt, und dieses Design stellt ein Optimierungsproblem dar6. Denn es umfasst zwar verschiedene Variablen wie Drahtdurchmesser, Windungsdurchmesser, Windungszahl, Spiralwinkel und Materialtyp, es gibt aber auch Kriterien wie Minimierung von Masse, Volumen, Spannungsverteilung oder maximale Energie7.

Diese Studie enthüllt das Design und die Optimierung der Federn des faltbaren Flügelmechanismus, der in einem Raketensystem verwendet wird. Während sie sich vor dem Flug im Abschussrohr befinden, bleiben die Flügel über der Raketenoberfläche gefaltet, und nach dem Verlassen des Rohrs öffnen sie sich innerhalb einer bestimmten Zeit und bleiben auf der Oberfläche verriegelt. Dieser Vorgang ist entscheidend für die ordnungsgemäße Funktion der Rakete. Bei dem in der Studie entworfenen Klappmechanismus erfolgt das Öffnen des Flügels durch die Torsionsfeder, während die Verriegelung durch die Druckfeder erfolgt. Um geeignete Federn zu konstruieren, ist es notwendig, einen Optimierungsprozess durchzuführen. Im Rahmen der Optimierung von Federn finden sich in der Literatur unterschiedliche Anwendungen.

Paredes et al.8 ermittelten die Maximierung des maximalen Ermüdungslebensdauerfaktors als Zielfunktion für die Schraubenfederkonstruktion und verwendeten den Quasi-Newton-Ansatz als Optimierungsmethode. Als Variablen der Optimierung wurden Drahtdurchmesser, Windungsdurchmesser, Windungszahl und Federlänge ermittelt. Ein weiterer Parameter bei der Federkonstruktion ist das bei der Herstellung verwendete Material. Daher wird es in Design- und Optimierungsstudien berücksichtigt. Zebdi et al.9 haben in einer Studie, in der der Gewichtsfaktor eine wesentliche Rolle spielt, das Ziel einer maximalen Steifigkeit und eines minimalen Gewichts in der Zielfunktion festgelegt. Als Variablen ermittelten sie dabei das Federmaterial und die geometrischen Eigenschaften. Als Optimierungsmethode nutzten sie den genetischen Algorithmus. Im Automobilbereich wirken sich Materialgewichte in vielen Bereichen aus, von der Fahrzeugleistung bis zum Kraftstoffverbrauch. Die Minimierung des Gewichts durch die Optimierung von Schraubenfedern für die Aufhängung ist eine berühmte Studie10. Bakhshesh und Bakhshesh11 ermittelten bei ihrer Arbeit im ANSYS-Umfeld die Materialien E-Glas, Carbon und Kevlar als Variable und strebten bei verschiedenen Verbundkonstruktionen für die Aufhängungsfedern ein minimales Gewicht und eine maximale Spannungskapazität an. Bei der Konstruktion von Verbundfedern sind die Produktionsprozesse von wesentlicher Bedeutung. Daher spielen beim Optimierungsproblem verschiedene Variablen wie Produktionsmethoden, während des Prozesses durchgeführte Schritte und die Reihenfolge dieser Schritte eine Rolle12,13. Bei Federn, die für dynamische Systeme ausgelegt sind, sollte die Eigenfrequenz des Systems berücksichtigt werden. Es wird empfohlen, dass die erste Eigenfrequenz der Feder mindestens fünf- bis zehnmal größer ist als die Eigenfrequenz des Systems, um Resonanzen zu vermeiden14. Taktak et al.7 entschieden sich für die Minimierung der Federmasse und die Maximierung der ersten Eigenfrequenz als Zielfunktion im Schraubenfederdesign. Sie verwendeten Mustersuch-, Innenpunkt-, Aktivsatz- und genetische Algorithmusmethoden im Matlab Optimization Tool. Einer der Teile der Federkonstruktionsstudien ist die Analysestudie, und in diesem Bereich ist die Finite-Elemente-Methode vorherrschend15. Patil et al.16 entwickelten eine Optimierungstechnik zur Reduzierung des Gewichts der Schraubendruckfeder mithilfe des analytischen Verfahrens und überprüften die analytischen Gleichungen mit der Finite-Elemente-Methode. Ein weiteres Kriterium, das den Nutzen der Feder erhöht, ist die Erhöhung der Energiespeicherung. Diese Situation stellt auch sicher, dass die Feder über lange Zeiträume ihre Funktionsfähigkeit behält. Rahul und Rameshkumar17 zielten darauf ab, das Federvolumen zu reduzieren und die Verformungsenergie in der im Automobilbau verwendeten Schraubenfederkonstruktion zu erhöhen. Sie verwendeten in ihren Optimierungsstudien auch genetische Algorithmen.

Es zeigt sich, dass die Parameter in den Optimierungsstudien je nach System variieren. Im Allgemeinen sind Steifigkeits- und Schubspannungsparameter in Systemen von entscheidender Bedeutung, bei denen die von ihnen getragene Last ausschlaggebend ist. Die Materialauswahl ist in gewichtsbeschränkten Systemen mit diesen beiden Parametern enthalten. Andererseits wird die Eigenfrequenz überprüft, um Resonanzen in hochdynamischen Systemen zu vermeiden. In Systemen, in denen der Nutzen von Bedeutung ist, wird die Energie maximiert. Während in Optimierungsstudien Analysestudien mit FEM durchgeführt werden, zeigt sich, dass im Rahmen der Parameterbestimmung metaheuristische Algorithmen wie der genetische Algorithmus14,18 und der Gray-Wolf-Algorithmus19 zusammen mit klassischen Newton-Methoden verwendet werden. In Anlehnung an die Anpassungsmethode der Natur wurden metaheuristische Algorithmen entwickelt, die sich in kurzer Zeit dem Optimum nähern, insbesondere mit der Macht der Bevölkerung20,21. Durch die zufällige Verteilung der Bevölkerung im Suchgebiet vermeiden sie das lokale Optimum und steuern auf das globale Optimum zu22. Aus diesem Grund wurde es in den letzten Jahren häufig im Zusammenhang mit realen industriellen Problemen eingesetzt23,24.

Die kritische Situation für den in dieser Studie entworfenen Faltmechanismus besteht darin, dass sich der Flügel, der sich vor dem Flug in der geschlossenen Position befindet, nach dem Verlassen der Röhre vor einer bestimmten Zeit öffnet. Danach verriegeln die Verriegelungselemente die Flügel. Daher hat die Flugdynamik keinen direkten Einfluss auf die Federn. Als Ziel der Optimierung wurde in diesem Zusammenhang die Maximierung der gespeicherten Energie zur Beschleunigung der Federbewegung festgelegt. Als Optimierungsparameter wurden Windungsdurchmesser, Drahtdurchmesser, Windungszahl und Durchbiegung ermittelt. Aufgrund der geringen Größe der Federn wurde das Gewicht nicht als Ziel betrachtet. Daher wurde der Materialtyp als fest definiert. Als kritische Randbedingung wurden Sicherheitsfaktoren ermittelt, um eine mechanische Verformung zu verhindern. Darüber hinaus sind Dimensionsgrenzen für die Variablen in Bezug auf die Volumina des Mechanismus enthalten. Als Optimierungsverfahren wurde BA, ein metaheuristisches Verfahren, gewählt. BA wurde aufgrund seiner flexiblen und einfachen Struktur und seines Erfolgs bei mechanischen Optimierungsstudien bevorzugt25. Im zweiten Teil der Studie werden detaillierte mathematische Ausdrücke im Rahmen des Grundaufbaus des Klappmechanismus und der Federkonstruktion erläutert. Der dritte Abschnitt enthält den Optimierungsalgorithmus und die Optimierungsergebnisse. Im vierten Kapitel werden Analysen durchgeführt, die im ADAMS-Programm durchgeführt wurden. Die Eignung der Federn wurde vor der Produktion analysiert. Der letzte Abschnitt enthält experimentelle Ergebnisse und Bilder der Tests. Die in der Studie erzielten Ergebnisse wurden auch mit früheren Arbeiten der Autoren mit der DOE-Methode verglichen.

Der in dieser Studie entworfene Flügel sollte auf die Oberfläche der Rakete gefaltet werden. Der Flügel dreht sich um eine Achse von der gefalteten in die ausgefahrene Position. Aus diesem Grund wurde ein spezieller Mechanismus entwickelt. Abbildung 1 zeigt gefaltete und entfaltete Konfigurationen im Koordinatensystem der Rakete5.

Eingeklappte und ausgefahrene Positionen des Raketenflügels von links nach rechts.

Abbildung 2 zeigt die Schnittansicht des Mechanismus. Der Mechanismus besteht aus mehreren mechanischen Komponenten: (1) Hauptgehäuse, (2) Flügelwelle, (3) Lager, (4) Verriegelungsgehäuse, (5) Verriegelungsbuchse, (6) Verriegelungsstift, (7) Torsionsfeder und (8) Druckfeder. Die Flügelwelle (2) ist über ein Verriegelungsgehäuse (4) mit einer Torsionsfeder (7) verbunden. Diese drei Teile drehen sich gleichzeitig, nachdem die Rakete abfliegt. Durch diese Drehbewegung wird der Flügel in seine endgültige Position gebracht. Danach wird der Stift (6) durch eine Druckfeder (8) aktiviert, die den gesamten Mechanismus des Verriegelungsgehäuses (4) verriegelt5.

Querschnittsansicht des Mechanismus und der Ausrichtung der Komponenten.

Elastizitätsmodul (E) und Schubmodul (G) sind die entscheidenden Parameter für die Federkonstruktion. In dieser Studie wurde ein Federdraht mit hohem Kohlenstoffgehalt (Musikdraht ASTM A228) als Federmaterial ausgewählt. Die anderen Parameter waren der Drahtdurchmesser (d), der mittlere Windungsdurchmesser (Dm), die Windungszahl (N) und die Auslenkung der Federn (xd für Druckfeder und θ für Torsionsfeder)26. Die gespeicherten Energien für Druck-\({(SE}_{x})\) und Torsionsfedern (\({SE}_{\theta }\)) können mithilfe der Gleichungen berechnet werden. (1) und (2)26. (Der Wert des Schermoduls (G) der Druckfeder beträgt 83,7E9 Pa und der Wert des Elastizitätsmoduls (E) der Torsionsfeder beträgt 203,4E9 Pa.)

Die mechanischen Abmessungen des Systems bestimmen direkt die geometrischen Beschränkungen der Federn. Darüber hinaus sollten die Bedingungen berücksichtigt werden, denen die Rakete ausgesetzt sein wird. Diese Faktoren bestimmen die Grenzen der Federparameter. Eine weitere wichtige Einschränkung ist der Sicherheitsfaktor. Die Bestimmung der Sicherheitsfaktoren wird ausführlich in Shigley et al.26 beschrieben. Der Sicherheitsfaktor für Druckfedern (SFC) ist definiert als die Division der maximal zulässigen Spannung durch die Spannung über die gesamte Länge. SFC kann mit den Gleichungen berechnet werden. (3), (4), (5) und (6)26. (Für das in dieser Studie verwendete Federmaterial gilt \({S}_{sy}=980 MPa\)). F gibt die Kraft in den Gleichungen an und KB gibt den Bergstrasser-Faktor26 an.

Der Sicherheitsfaktor für Torsionsfedern (SFT) ist definiert als die Division von M durch k. Die SFT kann aus den Gleichungen berechnet werden. (7), (8), (9) und (10)26. (Für das in dieser Studie verwendete Material gilt \({S}_{y}=1600 \mathrm{MPa}\)). In den Gleichungen wird M für das Moment, \({k}^{^{\prime}}\) für die Federrate (Drehmoment/Umdrehung) und Ki für den Spannungskorrekturfaktor verwendet.

Der Hauptzweck der Optimierung in dieser Studie besteht darin, die Energie der Federn zu maximieren. Die Zielfunktion wird formuliert, um \(\overrightarrow{\{X\}}\) zu finden, das \(f(X)\) maximiert. \({f}_{1}(X)\) und \({f}_{2}(X)\) stellen Energiefunktionen für Druck- bzw. Torsionsfeder dar. Die Designvariablen und Funktionen zur Optimierung sind in den folgenden Gleichungen dargestellt.

Die verschiedenen Einschränkungen für die Federkonstruktion sind in den folgenden Gleichungen angegeben. Die Gleichungen (15) und (16) stellen die Sicherheitsfaktoren für Druck- bzw. Torsionsfedern dar. In dieser Studie sollte SFC größer oder gleich 1,2 und SFT größer oder gleich θ26 sein.

Die unteren und oberen Grenzen der Federparameter sind in Tabelle 1 angegeben.

BA wurde von den Pollensuchstrategien der Honigbienen inspiriert27. Die Suchmethode der Honigbienen basiert darauf, mehr Sammler zu fruchtbaren Pollenfeldern und weniger Sammler zu weniger fruchtbaren Feldern zu schicken. Auf diese Weise wird die höchste Effizienz aus der Bienenpopulation erzielt. Andererseits suchen Kundschafterbienen weiterhin nach neuen Pollengebieten, und wenn es produktivere Gebiete als die vorherigen gibt, werden viele Sammler in dieses neue Gebiet geschickt28. BA besteht aus zwei Teilen: lokaler und globaler Suche. Bei der lokalen Suche werden mehr Nachbarschaften in der Nähe der Mindestwerte (Elite-Site) durchsucht, wie bei Honigbienen, während auf anderen Sites (Beste Site oder Ausgewählte Site) weniger Suchvorgänge durchgeführt werden. Im globalen Suchbereich werden zufällige Suchvorgänge durchgeführt. Wenn gute Werte gefunden werden, werden diese Websites in der nächsten Iteration in den lokalen Suchbereich übertragen. Der Algorithmus enthält einige Parameter: Anzahl der Kundschafterbienen (n), Anzahl der lokalen Suchstandorte (m), Anzahl der Elitestandorte (e), Anzahl der Futterbienen im Elitestandort (nep), Anzahl der Futterbienen im Besten Standort (nsp), Nachbarschaftsgröße (ngh) und die Anzahl der Iterationen (I)29. Der Pseudocode von BA ist in Abb. 3 dargestellt.

Pseudocode von BA.

Der Algorithmus versucht, die höchsten Werte für \({f}_{1}(X)\) und \({f}_{2}\left(X\right)\) innerhalb der Einschränkungen von \({g }_{1}(X)\) und \({g}_{2}(X)\). Als Ergebnis jeder Iteration werden die besten Werte ermittelt, die Grundgesamtheit um diese Werte herum gesammelt und versucht, bessere Werte zu erhalten. Einschränkungen werden sowohl in lokalen als auch in globalen Suchabschnitten überprüft. Bei der lokalen Suche werden Energiewerte berechnet, wenn diese Faktoren geeignet sind. Ist der neue Energiewert größer als der Bestwert, wird der neue Wert dem Bestwert zugeordnet. Wenn der beste als Suchergebnis gefundene Wert größer ist als der des aktuellen Mitglieds, wird das neue Mitglied in die Grundgesamtheit aufgenommen. Das Flussdiagramm der lokalen Suche ist in Abb. 4 dargestellt.

Das Flussdiagramm der lokalen Suche.

Die Populationsgröße ist einer der kritischen Parameter bei BA. Aus früheren Studien30 geht hervor, dass eine Erweiterung der Grundgesamtheit die Anzahl der erforderlichen Iterationen verringert und die Erfolgswahrscheinlichkeit erhöht. Allerdings steigt auch die Zahl der Funktionsauswertungen. Eine große Anzahl von Elite-Websites hat keinen wesentlichen Einfluss auf die Leistung. Die Anzahl der Elite-Sites kann gering sein, sofern sie ungleich Null ist30. Die Größe der Kundschafterbienenpopulation (n) wird normalerweise zwischen 30 und 100 gewählt. In dieser Studie wurden zwei Szenarien für 30 und 50 durchgeführt, um die geeignete Anzahl zu bestimmen (Tabelle 2). Abhängig von der Populationszahl wurden weitere Parameter ermittelt. Die Anzahl der ausgewählten Standorte (m) betrug (ungefähr) 25 % der Bevölkerungsgröße, und die Anzahl der Elitestandorte (e) unter den ausgewählten betrug 25 % der m. Die Anzahl der Futterbienen (Suchzahlen) wurde für die Elitestandorte mit 100 und für die anderen lokalen Standorte mit 30 ausgewählt. Die Nachbarschaftssuche ist ein wesentliches Konzept für alle evolutionären Algorithmen. In dieser Studie wurde die Methode der schrumpfenden Nachbarschaft verwendet. Diese Methode verringert die Nachbarschaftsgröße bei jeder Iteration mit einer bestimmten Rate. In zukünftigen Iterationen können präzisere Suchen mit kleineren Nachbarschaftswerten durchgeführt werden30.

Mit jedem Szenario wurden zehn aufeinanderfolgende Tests durchgeführt, um die Wiederholbarkeit des Optimierungsalgorithmus zu testen. Abbildung 5 zeigt die Optimierungsergebnisse der Torsionsfeder für Szenario 1 und Abbildung 6 zeigt Szenario 2. Testdaten sind auch in den Tabellen 3 und 4 aufgeführt (die Tabelle mit den für die Druckfeder erhaltenen Ergebnissen befindet sich in der Zusatzinformation S1). . Wie aus den Diagrammen hervorgeht, kommt es in den ersten Iterationen zu einem schnellen Anstieg, bevor der Maximalwert erreicht wird. Mit den ersten Iterationen intensiviert das Bienenvolk seine Suche nach guten Werten. In den Ergebnissen von Szenario 1 lagen einige Tests unter dem Maximalwert. In Szenario 2 ist zu erkennen, dass sich alle Optimierungsergebnisse den Maximalwerten nähern, indem die Grundgesamtheit und andere damit verbundene Parameter erhöht werden. Es zeigt sich, dass die Werte in Szenario 2 für den Algorithmus ausreichend sind.

Optimierungsergebnisse für Torsionsfeder – Szenario 1.

Optimierungsergebnisse für Torsionsfeder – Szenario 2.

Während maximale Energiewerte in Iterationen ermittelt werden, werden auch Sicherheitsfaktoren angegeben, die die Einschränkungen der Studie darstellen. Sicherheitsfaktoren sind in der Tabelle aufgeführt. Die durch BA erhaltenen Energiewerte werden mit denen der DOE-Methode5 in Tabelle 5 verglichen. (Zur Vereinfachung der Produktion beträgt die Anzahl der Windungen (N) in der Torsionsfeder 4,9 statt 4,88 und die Durchbiegung (xd) beträgt 8 (mm statt 7,99 mm bei der Druckfeder.) Es zeigt sich, dass BA bessere Ergebnisse bei den Sicherheitsfaktoren erzielt hat. BA wertet alle Werte sowohl mit lokalen als auch mit globalen Suchen aus. Dadurch kann es schneller mehr Alternativen ausprobieren.

In dieser Studie war Adams daran gewöhnt, die Bewegungen des Flügelmechanismus zu analysieren. Zunächst wurde das 3D-Modell des Mechanismus an Adams übertragen. Anschließend wurden die Federn definiert, deren Parameter im vorherigen Abschnitt ausgewählt wurden. Außerdem müssen einige andere Parameter definiert werden, um eine realistische Analyse durchzuführen. Dabei handelt es sich um physikalische Parameter wie Verbindungen, Materialspezifikationen, Kontakte, Reibungen und Schwerkräfte. Zwischen der Messerwelle und den Lagern befindet sich ein Drehgelenk. Es gibt 5–6 zylindrische Gelenke. Es gibt 5–1 feste Gelenke. Der Hauptkörper besteht aus Aluminium und ist fest montiert. Das Material der übrigen Komponenten ist Stahl. Die Reibungskoeffizienten der Reibflächen, die Kontaktsteifigkeit und die Eindringtiefe wurden entsprechend der Materialart ausgewählt. (Edelstahl AISI 304) In dieser Studie ist der kritische Parameter die Öffnungszeit des Flügelmechanismus, die weniger als 200 ms betragen sollte. Daher wurde bei der Analyse die Flügelöffnungszeit berücksichtigt.

Als Ergebnis der Adams-Analyse betrug die Öffnungszeit des Flügelmechanismus 74 ms. Die Ergebnisse der dynamischen Simulation von 1 bis 4 sind in Abb. 7 dargestellt. Das erste Bild von Abb. 5 zeigt den Startzeitpunkt der Simulation, und der Flügel wartet auf die gefaltete Position. (2) zeigt die Position des Flügels nach 40 ms, und in diesem Moment hat sich der Flügel um 43 Grad gedreht. (3) zeigt die Position des Flügels nach 71 ms. Darüber hinaus zeigt das letzte Bild (4) das Ende der Flügeldrehung und die Öffnungsposition. Als Ergebnis der dynamischen Analyse wurde beobachtet, dass sich der Flügelmechanismus in einer viel kürzeren Zeit als dem Zielwert von 200 ms öffnete. Darüber hinaus wurden bei der Bestimmung der Federparameter Sicherheitsbeschränkungen aus den höchsten in der Literatur empfohlenen Werten ausgewählt.

Dynamische Simulation des Mechanismus von der gefalteten bis zur ausgefahrenen Position.

Nachdem alle Design-, Optimierungs- und Simulationsstudien abgeschlossen waren, wurden Prototypen des Mechanismus hergestellt und integriert. Anschließend wurden Tests der Prototypen durchgeführt, um die Simulationsergebnisse zu verifizieren. Zuerst wurde das Hauptgehäuse befestigt und der Flügel gefaltet. Dann wurde der Flügel aus der zusammengeklappten Position gelöst und die Videoaufzeichnung wurde aufgenommen, während sich der Flügel von der zusammengeklappten Position in die ausgefahrene Position drehte. Während der Videoaufzeichnung wurde auch ein Chronometer verwendet, um das Timing zu analysieren.

Abbildung 8 zeigt Einzelbilder aus der Videoaufzeichnung mit den Nummern 1–4. Der Rahmen mit der Nummer 1 in der Abbildung zeigt den Moment, in dem der gefaltete Flügel freigegeben wurde. Dieser Zeitpunkt wird als Anfangszeitpunkt t0 angenommen. Die Bilder mit den Nummern 2 und 3 zeigen die Flügelposition 40 ms und 70 ms nach der Anfangszeit. Bei der Analyse der Frames 3 und 4 konnte festgestellt werden, dass die Stabilisierung der Flügelbewegung 90 ms nach t0 erreicht wurde und die Entfaltung des Flügels zwischen 70 und 90 ms abgeschlossen war. Diese Situation bedeutet, dass sowohl die Simulation als auch der Prototypentest ungefähr die gleiche Einsatzzeit des Raketenflügels ergeben und das Design die Leistungsanforderungen des Mechanismus erfüllt.

Prototypentest zur Analyse der Einsatzzeit des faltbaren Flügelmechanismus.

In diesem Artikel werden die im faltbaren Flügelmechanismus verwendeten Torsions- und Druckfedern mithilfe von BA optimiert. Die Parameter wurden mit einer geringen Anzahl von Iterationen schnell erreicht. Sie errechnet sich für die Torsionsfeder mit 1075 mJ und für die Druckfeder mit 37,24 mJ. Diese Werte sind 40–50 % besser als frühere DOE-Studien. Die Federn wurden in den Mechanismus integriert und im ADAMS-Programm analysiert. In der Analyse wurde festgestellt, dass sich der Flügel innerhalb von 74 ms öffnete. Dieser Wert liegt deutlich unter dem Projektziel von 200 ms. In späteren experimentellen Untersuchungen wurde die Öffnungszeit mit etwa 90 ms gemessen. Dieser Unterschied von 16 ms zwischen den Analysen kann durch Umgebungsfaktoren verursacht worden sein, die im Programm nicht modelliert wurden. Es wird davon ausgegangen, dass der als Ergebnis der Studie erhaltene Optimierungsalgorithmus auch für verschiedene Federkonstruktionen verwendet werden kann.

Das Material der Federn war vorgegeben und wurde nicht als Variable in die Optimierung einbezogen. Da es in Flugzeugen und Raketen viele verschiedene Arten von Federn gibt, wird BA in zukünftigen Studien auf die Konstruktion anderer Federtypen unter Verwendung unterschiedlicher Materialien angewendet, um optimale Federdesigns zu erreichen.

Wir erklären, dass dieses Manuskript ein Original ist, noch nie veröffentlicht wurde und derzeit nicht für eine Veröffentlichung an anderer Stelle in Betracht gezogen wird.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel [und seinen ergänzenden Informationsdateien] enthalten.

Algorithmuscodes wurden in das System hochgeladen (Ergänzungsmaterial).

Min, Z., Kien, VK & Richard, LJ Flugzeug-Morphlügelkonzepte mit radikaler Geometrieänderung. IES J. Teil A Civ. Struktur. Ing. 3(3), 188–195 (2010).

Artikel Google Scholar

Sun, J., Liu, C. & Bhushan, B. Eine Übersicht über die Hinterflügel von Käfern: Struktur, mechanische Eigenschaften, Mechanismus und Bioinspiration. J. Mech. Verhalten. Biomed. Mater. 94, 63–73 (2019).

Artikel Google Scholar

Chen, Z., Yu, J., Zhang, A. & Zhang, F. Design und Analyse des Faltantriebsmechanismus für hybridbetriebene Unterwassergleiter. Ocean Eng. 119, 125–134 (2016).

Artikel Google Scholar

Karthik, HS & Prithvi, C. Design und Analyse des Klappmechanismus für einen horizontalen Stabilisator in einem Hubschrauber. Int. J. Eng. Res. Technol. (IJERT) 9(05), 110–113 (2020).

Google Scholar

Kulunk, Z. & Sahin, M. Optimierung mechanischer Entwurfsparameter für den faltbaren Flügelmechanismus von Raketen mithilfe der Design-of-Experiment-Methode. Int. J. Modell. Optim. 9(2), 108–112 (2019).

Artikel Google Scholar

Ke, J., Wu, ZY, Liu, YS, Xiang, Z. & Hu, XD Entwurfsmethode, Leistungsuntersuchung und Herstellungsprozess von Verbundschraubenfedern: Ein Überblick. Kompositionen. Struktur. 252, 112747 (2020).

Artikel Google Scholar

Taktak, M., Omheni, K., Aloui, A., Dammak, F. & Haddar, M. Dynamisches Optimierungsdesign einer zylindrischen Schraubenfeder. Appl. Akustisch. 77, 178–183 (2014).

Artikel Google Scholar

Paredes, M., Sartor, M. & Masclet, C. Ein Optimierungsprozess für die Konstruktion von Zugfedern. Berechnen. Methoden Appl. Mech. Ing. 191(8–10), 783–797 (2001).

Artikel ADS MATH Google Scholar

Zebdi, O., Boukhili, R. & Trochu, F. Optimales Design einer zusammengesetzten Schraubenfeder durch Optimierung nach mehreren Kriterien. J. Reinf. Plast. Kompositionen. 28(14), 1713–1732 (2009).

Artikel CAS Google Scholar

Pawar, HB & Desale, DD Optimierung der Schraubenfeder der Vorderradaufhängung von Dreirädern. Proz. Hersteller 20, 428–433 (2018).

Google Scholar

Bakhshesh, M. & Bakhshesh, M. Optimierung der Stahlschraubenfeder durch Verbundfeder. Int. J. Multidisziplin. Wissenschaft. Ing. 3(6), 47–51 (2012).

Google Scholar

Chen, L. et al. Verständnis mehrerer Parameter, die die statische und dynamische Leistung von Verbundschraubenfedern beeinflussen. J. Markt. Res. 20, 532–550 (2022).

Google Scholar

Frank, J. Analyse und Optimierung zusammengesetzter Schraubenfedern, Doktorarbeit, Sacramento State (2020).

Gu, Z., Hou, Proz. Inst. Mech. Ing. C J. Mech. Ing. Wissenschaft. 235(22), 5917–5930 (2021).

Artikel Google Scholar

Wu, L. et al. Mehrsträngige Schraubenfedern aus Kohlenstofffaserverbundwerkstoff mit einstellbarer Federkonstante: Design- und Mechanismusstudien. J. Markt. Res. 9(3), 5067–5076 (2020).

CAS Google Scholar

Patil, DS, Mangrulkar, KS & Jagtap, ST Gewichtsoptimierung einer Schraubendruckfeder. Int. J. Innov. Res. Multidisziplinär. 2(11), 154–164 (2016).

Google Scholar

Rahul, MS & Rameshkumar, K. Mehrobjektive Optimierung und numerische Modellierung von Schraubenfedern für Automobilanwendungen. Mater. Heute Proc. 46, 4847–4853 (2021).

Artikel Google Scholar

Bai, JB et al. Bestimmung der besten Vorgehensweise – Optimale Designs von zusammengesetzten helikalen Strukturen mithilfe genetischer Algorithmen. Kompositionen. Struktur. 268, 113982 (2021).

Artikel Google Scholar

Şahin, İ, Dörterler, M. & Gökçe, H. Optimale Gestaltung der Druckfeder entsprechend minimalem Volumen unter Verwendung der Gray-Wolf-Optimierungsmethode. Gazi J. Eng. Wissenschaft. 3(2), 21–27 (2017).

Google Scholar

Aye, CM, Pholdee, N., Yildiz, AR, Bureerat, S. & Sait, SM Multi-surrogate-unterstützte Metaheuristik zur Optimierung der Unfallsicherheit. Int. J. Veh. Des. 80(2–4), 223–240 (2019).

Artikel Google Scholar

Yıldız, AR & Erdaş, MU Ein neuer hybrider Taguchi-Salpen-Schwarmoptimierungsalgorithmus für das robuste Design realer technischer Probleme. Mater. Prüfen. 63(2), 157–162 (2021).

Artikel ADS Google Scholar

Yildiz, BS, Pholdee, N., Bureerat, S., Yildiz, AR & Sait, SM Robustes Design eines Robotergreifmechanismus unter Verwendung eines neuen Hybrid-Heuschrecken-Optimierungsalgorithmus. Experte. Syst. 38(3), e12666 (2021).

Artikel Google Scholar

Yildiz, BS, Pholdee, N., Bureerat, S., Yildiz, AR, & Sait, SM Verbesserter Grasshopper-Optimierungsalgorithmus unter Verwendung von Elite-Oppositionslernen zur Lösung realer technischer Probleme. Ing. Berechnen. 1–13 (2021).

Yıldız, BS, Pholdee, N., Panagant, N., Bureerat, S., Yildiz, AR und Sait, SM Ein neuartiger chaotischer Henry-Algorithmus zur Optimierung der Gaslöslichkeit zur Lösung realer technischer Probleme. Ing. Berechnen. 1–13 (2021).

Zarchi, M. & Attaran, B. Leistungsverbesserung eines aktiven Vibrationsabsorber-Subsystems für ein Flugzeugmodell mithilfe eines Bees-Algorithmus basierend auf intelligenter Optimierung mit mehreren Zielen. Ing. Optim. 49(11), 1905–1921 (2017).

Artikel Google Scholar

Shigley, JE, Mischke, CR, Budynes, RG Maschinenbaudesign. McGRAW-HILL Series in Mechanical Engineering, Neunte Auflage, New York, NY 542–549 (2011).

Pham, DT, Baronti, L., Zhang, B. & Castellani, M. Optimierung technischer Systeme mit dem Bienenalgorithmus. Int. J. Artif. Lebensres. (IJALR) 8(1), 1–15 (2018).

Artikel Google Scholar

Sahin, M. Lösen von TSP mithilfe des kombinatorischen Bees-Algorithmus mit der Methode des nächsten Nachbarn. Neuronale Berechnung. Appl. 1–17 (2022).

Baronti, L., Castellani, M. & Pham, DT Eine Analyse der Suchmechanismen des Bienenalgorithmus“. Schwarm-Evol. Berechnen. 59, 100746 (2020).

Artikel Google Scholar

Pham, DT & Castellani, M. Benchmarking und Vergleich von naturinspirierten, bevölkerungsbasierten kontinuierlichen Optimierungsalgorithmen. Soft Comput. 18, 871–903 (2014).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde von Roketsan Inc. finanziert.

Abteilung für Steuerungssysteme, Roketsan Inc., 06780, Elmadag, Ankara, Türkei

Murat Sahin

Abteilung für Systemtechnik, Roketsan Inc., 06780, Elmadag, Ankara, Türkei

Zafer Kulunk

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

MS hat Design- und Optimierungsstudien durchgeführt. ZK hat Analysestudien abgeschlossen. Sie führten gemeinsam experimentelle Studien durch und verfassten anschließend diese Arbeit.

Korrespondenz mit Murat Sahin.

Uns sind keine Interessenkonflikte im Zusammenhang mit dieser Veröffentlichung bekannt, und es gab keine nennenswerte finanzielle Unterstützung für diese Arbeit, die ihr Ergebnis hätte beeinflussen können. Als korrespondierender Autor bestätige ich, dass das Manuskript von allen genannten Autoren gelesen und zur Einreichung freigegeben wurde.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Sahin, M., Kulunk, Z. Optimierung der Federparameter durch Verwendung des Bees-Algorithmus für den faltbaren Flügelmechanismus. Sci Rep 12, 21913 (2022). https://doi.org/10.1038/s41598-022-26361-1

Zitat herunterladen

Eingegangen: 29. August 2022

Angenommen: 13. Dezember 2022

Veröffentlicht: 19. Dezember 2022

DOI: https://doi.org/10.1038/s41598-022-26361-1

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Wissenschaftliche Berichte (2023)

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.