本發(fā)明屬于液壓反鏟挖掘機設計，具體涉及一種液壓反鏟挖掘機工作裝置設計方法。

背景技術：

1、隨著全球現(xiàn)代化基礎設施的建設，液壓挖掘機已經(jīng)廣泛應用到建筑、農(nóng)田、水利及交通建設等眾多領域。因應用廣泛、創(chuàng)造價值高等優(yōu)勢，液壓挖掘機已經(jīng)占土石方工程約65％至70％的土方量，在工程機械領域具有舉足經(jīng)重的地位。挖掘機工作裝置通常指包括動臂、斗桿、鏟斗、搖臂、連桿在內(nèi)的機械裝置的統(tǒng)稱，是挖掘機直接完成挖掘任務的裝置，是挖掘機非常重要的部件之一。挖掘機作業(yè)性能的主要評價指標是挖掘范圍以及挖掘力，而不同尺寸參數(shù)的工作裝置具有不同的挖掘范圍，因此，挖掘機工作裝置設計成為了一項重要任務。隨著科學技術的發(fā)展，研究人員紛紛展開了對挖掘機工作裝置設計的研究工作，而其中大多數(shù)研究人員基于虛擬樣機技術、計算機技術展開研究，如：陳支等結合pro/e和adams進行運動學仿真，驗證了運動學模型的正確性。張桂菊等將pro/e和adams相結合，對某型23t挖掘機工作裝置進行挖掘機運動學、動力學仿真，仿真結果與實際相吻合，為挖掘機工作裝置結構設計提供了依據(jù)和方法。鄧防等進行solidworks三維建模，利用有限元軟件進行強度分析，驗證了所設計的斗桿能滿足強度要求，從而完成了挖掘機斗桿的設計。曹永利等利用solidworks和recurdyn進行動力學仿真分析，結果表明仿真結果與實際基本吻合，為挖掘機工作裝置設計提供了依據(jù)。李獻杰等在對工作裝置運動軌跡和受力規(guī)律分析、研究的基礎上，運用matlab開發(fā)了工作裝置挖掘性能可視化軟件，該軟件能快速、準確地繪制出工作裝置挖掘范圍以及挖掘力云圖，為挖掘機工作裝置的設計提供了理論依據(jù)和實用手段。

2、綜上所述，現(xiàn)有工作裝置設計研究大多數(shù)基于挖掘機尺寸參數(shù)考核其工作性能，欲設計出符合期望的工作裝置比較困難，主要有以下兩方面原因：首先，工作裝置涉及的尺寸參數(shù)、工作性能較多，且尺寸參數(shù)對工作性能的影響是高度非線性的；其次，各尺寸參數(shù)之間存在著復雜的耦合關系。因此，工作裝置設計往往不能一次滿足全部工作性能要求，需進行反復試驗，設計周期較長。實際上，工作裝置的設計過程是根據(jù)設計目標來確定工作裝置的尺寸參數(shù)，而少數(shù)研究人員也對此進行了研究，以期根據(jù)工作性能來確定挖掘機尺寸參數(shù)。如董翰林利用解方程組的方式，由已知設計目標來對挖掘機工作裝置進行設計，開發(fā)了實用且有效的工作裝置設計軟件，并在此基礎上進行運動學、動力學仿真，優(yōu)化挖掘機工作裝置鉸接點位置。但因解方程組需滿足方程與未知量數(shù)量相同，此方法仍需一定的尺寸參數(shù)為已知參數(shù)，不能僅由工作性能確定挖掘機尺寸參數(shù)，設計周期也相對較長。

3、近年來，隨著人工智能和計算機技術的蓬勃發(fā)展，出現(xiàn)了大量基于自然現(xiàn)象啟發(fā)的群體智能優(yōu)化算法，例如：粒子群優(yōu)化算法(particle?swarm?optimization?algorithm，以下簡稱pso)、蟻群優(yōu)化算法(ant?colony?optimization?algorithm，以下簡稱aco)、人工峰群算法(artificial?bee?colony?algorithm，以下簡稱abc)、螢火蟲群優(yōu)化算法(glowworm?swarm?optimization?algorithm，以下簡稱gso)、布谷鳥搜索算法(cuckoosearch?algorithm，以下簡稱cs)等。這些智能算法原理簡單、易于實現(xiàn)且無須借助梯度信息，能夠解決各種復雜的高維非線性問題，常用在各種工程優(yōu)化問題。然而，目前大多智能優(yōu)化算法易陷入局部最優(yōu)。黏菌算法(slime?mould?algorithm，以下簡稱sma)是li等在2020年提出的模擬黏菌覓食的智能優(yōu)化算法，與其他智能優(yōu)化算法相比具有結構簡單、調(diào)節(jié)參數(shù)少、尋優(yōu)能力強等特點，滿足多參數(shù)挖掘機工作裝置的快速設計的需求，但標準黏菌算法還存在局部搜索能力弱、搜索精度低等不足。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的問題,本發(fā)明提供一種液壓反鏟挖掘機工作裝置設計方法，本方法采用無反饋過程、最優(yōu)領導者策略以及麻雀引領搜索策略改進標準黏菌算法，提高算法的搜索精度，減少總體設計誤差。以改進黏菌算法(improved?slime?mold?algorithm，簡稱isma)為優(yōu)化搜索算法，以設計目標損失最小化為目標函數(shù)，構建反鏟液壓挖掘機工作裝置設計模型，該設計模型無需尺寸參數(shù)為已知參數(shù)，便可進行尺寸參數(shù)的自動化搜索，實現(xiàn)了以工作性能確定挖掘機工作裝置尺寸參數(shù)的設計，解決了挖掘機工作裝置設計流程需先確定尺寸參數(shù)后進行工作性能評估的問題，極大縮短了設計周期。

2、一種液壓反鏟挖掘機工作裝置設計方法，包括以下步驟：

3、步驟一：整體尺寸設計階段

4、(1)根據(jù)設計要求獲取設計目標，包括最大挖掘深度h1、最大挖掘高度h2、最大挖掘半徑r1、最大卸載高度h3、動臂與斗桿長度之比k、動臂轉角范圍δθ1、斗桿轉角范圍δθ2、鏟斗轉角范圍δθ3，以h1、h2、r1、h3為目標函數(shù)目標值，后續(xù)改進黏菌算法利用下式計算誤差值即適應度值：

5、

6、式中：yi為第i個設計目標參數(shù)的設計目標值，即y1、y2、y3、y4分別為h1、h2、r1、h3；yi為利用整體尺寸設計階段數(shù)學模型計算得到的對應參數(shù)的預測值；

7、(2)設置黏菌算法參數(shù)，包括最大迭代次數(shù)t、種群數(shù)n、麻雀搜索算法ssa搜索次數(shù)閾值ts、調(diào)節(jié)系數(shù)m，設置變量動臂與轉臺鉸接點到轉臺回轉中心的水平距離bx、動臂與轉臺鉸接點到水平地面的垂直距離by、動臂長度l1、斗桿長度l2、鏟斗長度l3、動臂最小轉角θ1min、動臂最大轉角θ1max、斗桿最小轉角θ2min、斗桿最大轉角θ2max、鏟斗最小轉角θ3min、鏟斗最大轉角θ3max的邊界條件，結果如下式所示：

8、lbi≤xi≤ubi?1≤i≤11

9、式中：ubi、lbi為第i個變量xi的自定義的上、下界，其中x＝[bx,by,l1,l2,l3,θ1min,θ1max,θ2min,θ2max,θ3min,θ3max]；

10、(3)取設計變量x＝[bx,by,l1,l3,θ1min,θ2max,θ3max]，根據(jù)下式更新設計變量l1、θ1min、θ2max、θ3max的上、下界：

11、

12、式中：ub、lb為對應設計變量的新上界、新下界；lb0、lb1、lb2、lb3分別為l1、θ1min、θ2max、θ3max的原下界；ub0、ub1、ub2、ub3分別為l1、θ1min、θ2max、θ3max的原上界；lb0、lb1、lb2、lb3分別為l2、θ1max、θ2min、θ3min的下界；ub0、ub1、ub2、ub3分別為l2、θ1max、θ2min、θ3min的上界；

13、(4)運行改進黏菌算法，利用其進行設計變量的自動化搜索；算法運行結束后獲取設計變量設計值，而后根據(jù)以下公式獲取變量l2、θ1max、θ2min、θ3min的設計值；最后輸出該設計階段全部設計值bx、by、l1、l2、l3、θ1min、θ1max、θ2min、θ2max、θ3min、θ3max，后進行下一階段設計；

14、

15、步驟二：動臂、斗桿轉角設計階段

16、(1)以整體尺寸設計階段設計值l1為已知參數(shù)，以整體尺寸設計階段θ1min、θ1max、θ2min、θ2max設計值為目標函數(shù)目標值，后續(xù)改進黏菌算法利用下式計算誤差值即適應度值：

17、

18、式中：yi為第i個設計目標參數(shù)的設計目標值，即y1、y2、y3、y4分別為θ1min、θ1max、θ2min、θ2max；yi為利用動臂、斗桿轉角設計階段數(shù)學模型計算得到的對應參數(shù)的預測值；

19、(2)設置黏菌算法參數(shù)，包括最大迭代次數(shù)t、種群數(shù)n、麻雀搜索算法ssa搜索次數(shù)閾值ts、調(diào)節(jié)系數(shù)m，設置變量鉸接點a、b連線長度ab、鉸接點d、e連線長度de、鉸接點e、f連線長度ef、鉸接點連線oa、ab夾角∠oab、鉸接點連線be、bc夾角∠cbe、鉸接點連線be、ce夾角∠bec、鉸接點連線ce、de夾角∠ced、鉸接點連線ef、ei夾角∠fei、動臂液壓缸最短安裝距離acmin、動臂液壓缸最長安裝距離acmax、斗桿液壓缸最短安裝距離dfmin、斗桿液壓缸最長安裝距離dfmax的邊界條件，結果如下式所示：

20、lbi≤xi≤ubi?1≤i≤12

21、式中：ubi、lbi為第i個變量xi的自定義的上、下界，其中x＝[ab,de,ef,∠oab,∠cbe,∠bec,∠ced,∠fei,acmin,acmax,dfmin,dfmax]。

22、(3)取設計變量x＝[ab,de,ef,∠oab,∠cbe,∠bec,∠ced,∠fei,acmin,acmax,dfmin,dfmax]，在計算過程中應保證設計變量滿足下式約束

23、

24、(4)運行改進黏菌算法，利用其進行設計變量的自動化搜索；算法運行結束后獲取設計變量設計值并輸出該設計階段全部設計值ab、de、ef、∠oab、∠cbe、∠bec、∠ced、∠fei、acmin、acmax、dfmin、dfmax，后進行下一階段設計；

25、步驟三：鏟斗轉角設計階段

26、(1)以整體尺寸設計階段設計值l2以及動臂、斗桿轉角設計階段設計值ef、∠fei為已知參數(shù)，以整體尺寸設計階段θ3min、θ3max設計值為目標函數(shù)目標值，后續(xù)改進黏菌算法利用下式計算誤差值即適應度值：

27、

28、式中：yi為第i個設計目標參數(shù)的設計目標值，即y1、y2分別為θ3min、θ3max；yi為利用鏟斗轉角設計階段數(shù)學模型計算得到的對應參數(shù)的預測值；

29、(2)設置黏菌算法參數(shù)，包括最大迭代次數(shù)t、種群數(shù)n、ssa搜索次數(shù)閾值ts、調(diào)節(jié)系數(shù)m；設置變量鉸接點h、i連線長度hi、鉸接點g、i連線長度gi、鉸接點h、k連線長度hk、鉸接點k、j連線長度kj、鉸接點i、j連線長度ij、鉸接點連線ei、hi夾角∠eih、鉸接點連線fi、gi夾角∠fig、鉸接點連線ij、il夾角∠jil、鏟斗液壓缸最短安裝距離gkmin、鏟斗液壓缸最長安裝距離gkmax的邊界條件，結果如下式所示：

30、lbi≤xi≤ubi?1≤i≤10

31、式中：ubi、lbi為第i個變量xi的自定義的上、下界，其中x＝[hi,gi,hk,kj,ij,∠eih,∠fig,∠jil,gkmin,gkmax]；

32、(3)取設計變量x＝[hi,gi,hk,kj,ij,∠eih,∠fig,∠jil,gkmin,gkmax]，在計算過程中應保證設計變量滿足下式約束，除此之外，還應保證不發(fā)生干涉：

33、

34、(4)運行改進黏菌算法，利用其進行設計變量的自動化搜索；算法運行結束后獲取設計變量設計值并輸出該設計階段全部設計值hi、gi、hk、kj、ij、∠eih、∠fig、∠jil、gkmin、gkmax，后結束設計。

35、對本發(fā)明的進一步說明，在改進黏菌算法迭代期間，不利用黏菌質(zhì)量進行反饋調(diào)節(jié)的反饋過程，減少算法迭代的隨機性，以提高算法收斂性能。

36、對本發(fā)明的進一步說明，所述改進黏菌算法采用最優(yōu)領導者策略以及麻雀引領搜索策略改進標準黏菌算法；所述最優(yōu)領導者策略表示種群中最優(yōu)個體作為領導者領導種群進行優(yōu)化，其他個體作為其追隨者，能有效提高了算法的收斂速度以及精度，平衡算法的全局和局部搜索能力，定義最優(yōu)個體作為種群的領導者，則黏菌個體位置的公式表示為：

37、x(t+1)＝xb(t)+vb·(w·xb(t)-xa(t))

38、式中：t為當前迭代次數(shù)；xb(t)為目前適應度最優(yōu)的個體位置；xa(t)為隨機的個體位置；vb為[-b,b]的隨機數(shù)，決定黏菌個體的移動方向；w為黏菌的重量，其計算公式如下式所示；

39、

40、式中：si＝sort(s)表示將黏菌按適應度值最優(yōu)至最差排序的適應度值序列；condition表示適應度值排在群體前一半的個體；others表示適應度值排在群體后一半的個體；r表示[0,1]之間的隨機數(shù)；bf和wf表示當前迭代中最優(yōu)適應度值和最差適應度值(本文取目標函數(shù)為適應度，則最小適應度值為最優(yōu))；

41、所述麻雀引領搜索策略通過麻雀搜索算法(ssa)進行算法迭代前期的全局搜索，同時對參數(shù)vb的邊界b進行改進，以進行算法迭代后期的局部搜索，提高改進黏菌算法的全局搜索能力和局部搜索能力，從而提高算法收斂性能，b的定義如下：

42、

43、式中，t為第t次迭代；t為最大迭代次數(shù)；m為調(diào)節(jié)系數(shù)，調(diào)節(jié)b值的下降速度，即m越大，下降越快；

44、所述改進后的改進黏菌算法數(shù)學模型為：

45、

46、式中，ts為麻雀引領搜索策略通過麻雀搜索算法(ssa)迭代搜索次數(shù)閾值；vb為[-b,b]的隨機數(shù)，t為當前迭代次數(shù)；r1、r2為[0,1]之間的隨機數(shù)；ub、lb為搜索區(qū)域的上、下界；z為轉換概率，用于算法在全局搜索階段與局部搜索階段進行切換，取z＝0.03；xb(t)為目前適應度最優(yōu)的個體位置；xa(t)為隨機的個體位置。

47、所述改進黏菌算法的具體步驟如下：

48、步驟1：設定參數(shù)：最大迭代數(shù)t、種群數(shù)n、麻雀搜索算法ssa迭代搜索次數(shù)閾值ts、調(diào)節(jié)系數(shù)m，而后初始化種群，計算適應度值；設定算法的參數(shù)以及生成所要設計的尺寸參數(shù)的初始值，并計算適應度值以了解其與設計目標的距離，為設計的進行提供初始條件；

49、步驟2：進行ssa搜索，直至迭代次數(shù)t不小于ts，后進行步驟3；

50、步驟3：計算重量w；

51、步驟:4：生成隨機數(shù)r1，判斷隨機數(shù)r1與參數(shù)z的大小，若r1<z，則更新個體位置；否則更新參數(shù)b并計算vb，然后更新個體位置；根據(jù)位置更新公式更新尺寸參數(shù)，以期逐漸減小尺寸參數(shù)組合與設計目標的距離；

52、步驟5：邊界條件約束，計算適應度值，更新全局最優(yōu)解；對更新的尺寸參數(shù)進行邊界約束，超出邊界的值更換為設計范圍的一個隨機值，以防所設計的尺寸參數(shù)超出設計范圍；而后計算適應度值并根據(jù)適應度值更新全局最優(yōu)解即當前最優(yōu)的尺寸參數(shù)組合；

53、步驟6：判斷是否滿足結束條件即迭代次數(shù)達到最大迭代數(shù)或者其他結束條件，若滿足，則輸出全局最優(yōu)解和適應度并結束算法；反之，依次執(zhí)行步驟3～6。檢查算法運行是否滿足結束要求，若不滿足結束要求，則反復執(zhí)行步驟3至6；反之，則輸出當前最優(yōu)適應度對應的最優(yōu)解即當前最優(yōu)的尺寸參數(shù)組合，此步驟保證算法的迭代運行。

54、本發(fā)明的有益效果：

55、本方法采用改進黏菌算法用于挖掘機工作裝置設計的優(yōu)化搜索過程，自動搜索最優(yōu)尺寸參數(shù)組合，不依賴于傳統(tǒng)的試錯方法，減少了人工干預和反復試驗的需要，從而大大縮短了設計周期。由于工作裝置的尺寸參數(shù)之間存在復雜的耦合關系，改進黏菌算法能夠有效地處理這些關系，找到滿足所有設計要求的尺寸參數(shù)組合。本方法采用了改進黏菌算法，則設計過程無需預設尺寸參數(shù)，直接基于設計目標(工作性能)進行尺寸參數(shù)的自動化搜索，可以直接將工作性能需求轉化為尺寸參數(shù)。改進黏菌算法的應用使得根據(jù)特定的工作性能要求(設計目標)定制挖掘機工作裝置成為可能，而不是僅僅依賴于標準化的設計。

56、說明書附圖

57、圖1為本發(fā)明的流程示意圖；

58、圖2為本發(fā)明設計方法變量參考示意圖；

59、圖3為取最大迭代次數(shù)為1000，將改進黏菌算法與標準黏菌算法的b參數(shù)、vb振蕩向量對比參照圖。