購買設(shè)計請充值后下載，，資源目錄下的文件所見即所得，都可以點開預(yù)覽，，資料完整，充值下載可得到資源目錄里的所有文件。。?！咀ⅰ浚篸wg后綴為CAD圖紙，doc,docx為WORD文檔，原稿無水印，可編輯。。。具體請見文件預(yù)覽，有不明白之處，可咨詢QQ:12401814
差動分級式齒輥式破碎機
使用遺傳算法的多目標優(yōu)化設(shè)計
摘要：我們的差分級齒輥式破碎機結(jié)合了齒輥式破碎機，顎式破碎機的破碎比高，破碎效率高，多篩分的優(yōu)點，克服齒輥式破碎機的缺憾。動顎破碎機采用曲柄搖桿機制，從而優(yōu)化動態(tài)性能和改善破碎機的抗裂能力，我們建立了一個數(shù)學(xué)模型來優(yōu)化傳輸角ｒ，以盡量減少行程特性值m。使用遺傳算法優(yōu)化的破碎機曲柄搖桿機構(gòu)多對象的設(shè)計獲得最佳的結(jié)果。根據(jù)實驗，顯示出動顎式破碎機和裂解能力的性能得到改善。
關(guān)鍵詞：差分和分級齒輥式破碎機，曲柄搖桿機構(gòu)遺傳算法多目標優(yōu)化。
1.引言
在許多行業(yè)中，物料粉碎過程是不可缺少的（如采礦，金屬
冶煉的，化工等行業(yè)）。傳統(tǒng)式破碎機（例如，顎式破碎機，沖擊式破碎機，回轉(zhuǎn)式破碎機，錘式粉碎機），實現(xiàn)物資的粉碎破碎能力，主要取決于工作沖擊壓力的部分。這些破碎機效率低，能耗高。我們已經(jīng)不能滿足傳統(tǒng)的破碎機。在最近幾年，一個英國MMD齒輥式破碎機大量被使用。但是，從平時的調(diào)查來看，我們發(fā)現(xiàn)在這些齒輥式破碎機的一些不足之處：1）通過齒嚙合來破碎物料。所有需要被粉碎的原料礦物被輸送到一個粉碎腔，通過標準嚙合齒粉碎成微粒排出。破碎機未能完成實際的分級破碎，不僅使用了大量的能量，而且效率低下，破碎齒還會迅速出現(xiàn)損壞和金屬疲勞。 2）兩種情況下發(fā)生堵塞現(xiàn)象。一個是一種高流動大塊的煤混有較小條的情況，另一種是濕潤的煤會導(dǎo)致堵塞。齒輥式破碎機由于沒有有效的分級機制，結(jié)果是不令人滿意的，我們不能單靠齒嚙合。根據(jù)使用MMD齒輥式破碎機的一些煤礦區(qū)的調(diào)查，我們發(fā)現(xiàn)，他們大多數(shù)煤礦沒有要求的干燥度。 3）MMD破碎機的破碎能力通過提高傳動部分的力來增加破碎的能力，從而導(dǎo)致高功耗和高成本。基于這些考慮，并結(jié)合中國神華能源有限責任公司和神東煤炭分公司的需求，我們的研究團隊設(shè)計了一個新的，高效的差分和分級齒輥式破碎機，以彌補傳統(tǒng)破碎機的缺陷。
如圖1所示，破碎機破碎部分組成的牙齒和曲柄搖桿機構(gòu)。動顎曲柄搖桿機構(gòu)的草圖如圖2。在搜索的曲柄搖桿機構(gòu)的優(yōu)化設(shè)計中，
似乎有很多的文獻研究的目的只是在優(yōu)化的傳輸角度ｒ。例如，李等人只是選擇減少圖[2-3]中的行程特性值m。但是，在一個實際的和典型的破碎機設(shè)計中，動顎的破碎能力和傳動角，行程特性值m都有密切的聯(lián)系。我們已經(jīng)使用了GA（遺傳算法），以便優(yōu)化曲柄搖桿機構(gòu)的差動齒輥式破碎機的傳動角ｒ，和最小行程值m。
1．電機組裝篩分機制；2.齒輥屏軸; 3.傳動齒輪：4.粉碎齒; 5.動顎 6. 調(diào)整機制
7.機殼 8. 裝配曲軸 9. 齒輥軸電機
圖1齒輥式破碎機結(jié)構(gòu)圖
圖2 齒輥式破碎機斷裂機制示意圖
2．曲柄搖桿的動力學(xué)分析
一個鉸鏈四桿機構(gòu)的性能依賴其連桿相對長度。如果我們把搖臂?的長度等于1，那么相對長度的曲柄，連桿和身體幀分別為a，b和d。數(shù)學(xué)模型曲柄搖桿機構(gòu)的設(shè)計是獨立的的實際長度，這使得它更普遍。
2.1 最佳傳動角ｒ
曲柄搖桿機構(gòu)的傳輸力主要取決于傳動角ｒ。輸送傾角更大，就能更好的傳輸力。在傳輸過程中，傳輸角度時刻變化。每個組件的選擇具有合適的尺寸，可以優(yōu)化得到最小傳動角。因此，有必要增加傳輸角度，以提高傳輸力和破碎力。
兩個最小傳動角的可能位置如圖所示。
圖3.最小傳動角位置示意圖
2.3 行程特征值m
動顎的行程，被分成水平和垂直的兩個部分。水平部分的功能是粉碎材料，垂直行程不能幫助粉碎，但也可以加速粉碎。遞減m的值既可以降低能耗和耐磨耗，同時，可以提高生產(chǎn)效率和提高破碎比。應(yīng)采取一些措施，以減少m的值。為了簡化計算，C點被取出進行分析。幾何關(guān)系如圖所示。
圖4.曲軸和連桿路線圖
因此，行程特征值到C 點的距離是：m=h/s. 肘板的角度是:β=γ+α-90°，肘板的擺動角度：
傾角大小取決于連桿機制和動顎的力。它的取值范圍通常15°到20°之間。 s是水平行程，h是垂直行程。
3差分和分級齒輥式破碎機的動顎的數(shù)學(xué)模型
根據(jù)動力學(xué)分析，無論是傳動角γ和行程特性C點的值都可以表示為相對長度的曲柄，連桿和身體幀的曲柄搖桿機構(gòu)。設(shè)計變量是：
動顎的目標函數(shù)最大化的最小傳動角γ：
動顎的目標函數(shù)最小化的行程特征m值??是：
適用以下約束：
1） 設(shè)計變量的邊界約束條件：
其中aimax和bimax是設(shè)計變量的上限和下限設(shè)計變量。
2） 擁有一個曲柄的曲柄搖桿機構(gòu)的條件：
3） 約束的傳輸角度：增加傳輸角度可以提高傳輸效率和增強水平行程。但是，過多大傳動角具有相反的效果。
一種常見的情況是：
4）約束的行程特征值：根據(jù)經(jīng)驗，通常m的范圍是1.5和2.5之間。
5）動顎的水平行程S對生產(chǎn)力有明顯的影響。如果s是太小會降低生產(chǎn)率，但與此相反，它會加大破碎力，并導(dǎo)致過載損壞設(shè)備。水平行程的范圍：
其中dmin是排放口的最小尺寸。
6）肘板的角度約束。通常情況下，γ的范圍是18°至23°。綜上所述，優(yōu)化問題的可以歸結(jié)為曲柄搖桿機構(gòu)的問題：
其中
多目標優(yōu)化問題的傳統(tǒng)解決方案，導(dǎo)致了低效率，并很容易導(dǎo)致一個明顯得局部問題。但遺傳算法的方法是迭代運行得到一個局部最優(yōu)解。通過可能的傳輸規(guī)則來指導(dǎo)搜索方向，GA搜索空間（如連通性，凸性等），并沒有特殊要求，不需要任何額外的信息。我們已應(yīng)用遺傳算法優(yōu)化了差分和分級齒輥式破碎機的
多對象設(shè)計的曲柄搖桿機構(gòu)。
4遺傳算法
遺傳算法是一種隨機搜索方法，它模仿自然演化規(guī)律。GA第一次是在1975年由荷蘭提出，它有以下主要特點：它直接運行在結(jié)構(gòu)化對象，沒有任何限制函數(shù)求導(dǎo)和連續(xù)性;它擁有隱式并行和改進的能力全局優(yōu)化;通過使用隨機優(yōu)化方法，它可以自動獲取和引導(dǎo)優(yōu)化的搜索空間，并且還可以調(diào)整沒有具體的自適應(yīng)搜索方向和規(guī)則。 GA具有的后期，一個重要技術(shù)OGY智能計算。主要方法是：1）編碼前的數(shù)據(jù)中搜索解空間，GA的數(shù)據(jù)表示，作為一個基因型表型的字符串結(jié)構(gòu)和各種組合獲得不同的點。 2）創(chuàng)建一個初始化的GE-菜單組：GA隨機生成N初始化字符串數(shù)據(jù)，其中每個數(shù)據(jù)被稱為一個單獨UAL和這些人形成一個屬組。 GA開始使用的字符串數(shù)據(jù)作為初始迭代點。 3）個體適應(yīng)值估計的適應(yīng)性函數(shù)表示的質(zhì)量個人或溶液。針對不同的問題，本一個適應(yīng)性函數(shù)的定義是不同的。 4）選擇：選擇的目的是選擇前CELLENT目前屬群和個人之間允許他們有機會繁殖后代的父母。選擇是這一思想的體現(xiàn)為GA。選擇的原則是，指示高適應(yīng)性viduals將有較大貢獻一個或多個后代的概率。 5）分頻點：這是最重要的操作GA。交叉操作可以生成新的屬具備的特點與前面的蒸發(fā)散一代。它體現(xiàn)了思想的信息交換。 6）基因突變：第一，GA隨機選擇個人從組屬。然后改變一個數(shù)據(jù)的值從字符串數(shù)據(jù)與給定的概率為選定的個人。類似生物宇宙，突變的概率GA是也很低，通常取值范圍為0.001至0.01，也就是說，突變提供了一個機會產(chǎn)生新的個體。
5基于遺傳算法的多目標優(yōu)化
我們采取了不同的曲柄搖桿機構(gòu)與差分和分級齒輥式破碎機我們的優(yōu)化對象壓榨能力為4000噸/小時。為了決定在曲軸的長度，濃度曲柄搖桿桿與主體框架的連接獲得機制，當目標函數(shù)（9）的最大值，該值的條件下行程速比系數(shù)為1.25時，連桿行程300毫米，傾角18°。我們使用遺傳算法來解決這個問題，通過設(shè)置屬群規(guī)模等于50，交叉概率性為0.8，變異概率為0.005和數(shù)代的演變在1000。傳統(tǒng)的二進制編碼方法比較相對方便的使用時，在理論分析。但對于多維和高精度數(shù)值校準的問題，它往往效率低，不準確。我們用一個自然數(shù)編碼方法設(shè)置三個變量a，b和d的基因，有序的結(jié)合入染色體。例如
就包含在其中。
在初始化期間，GA將產(chǎn)生一個屬基團，其中50個個體上產(chǎn)生的根據(jù)一個變量的范圍。我們選擇了式（9）為總目標函數(shù)的值表示個人適應(yīng)性。作為例子，我們把個人的p和q被取代的式（9），即，（P）=0.8145，F(xiàn)（Q）=0.7887，F(xiàn)（P）> F（Q）。這表明，指示的p適應(yīng)性比q的更好。
輪盤賭的方法用于在選擇操作中，在輪盤賭的游戲，我們模仿和計算的總的適應(yīng)性和在同一時間的相對并累計每一個人的適應(yīng)性。然后，輪盤變成為50倍，和一個隨機號0和1之間的每個時間。一個數(shù)比較，可以選擇由個人的累積，為每個單獨的適應(yīng)性。例如，如果我們讓r是一個隨機數(shù)，然后FC（I）累計適應(yīng)性個體iFC（i +1）的累計個體適應(yīng)性I +1。如果FC（I）<=γ<=（i +1）的話，那么個體i+1將選擇。依此類推，所有選定的個人我們可以組成一個新屬組，并開展交叉和變異操作。
單點雜交方法采用的是交叉操作，生成一個隨機數(shù)介于01時屬組。如果數(shù)少于交叉概率和個人選擇一個偶數(shù)，那么配對后，可以實現(xiàn)交叉操作隨機的。以個人的p和q為配對例如，我們的交叉點設(shè)置為2，這意味著我們選擇了第二個基因跨越。后交叉操作，個人成為
方法是通過一個統(tǒng)一的突變操作，生成一個隨機數(shù)介于0和1之間時屬組。如果的數(shù)量小于變異概率，當前個人會發(fā)生變異。突變運算的方思是類似初始化我們重建設(shè)計的邊界中的一個單獨的基因變量。
經(jīng)過選擇，交叉和變異操作，評價函數(shù)被調(diào)用，以確保最好的個人可以被保存。優(yōu)化結(jié)果（轉(zhuǎn)換）示于表1。
最優(yōu)化的結(jié)果，這已被應(yīng)用于在生產(chǎn)實踐中，能滿足約束情況。鄭州長城冶金設(shè)備廠，與我們的合作廠家，產(chǎn)生了相應(yīng)的破碎機已經(jīng)在中國大量出售。根據(jù)實際工作情況，不同的差分和分級齒輥式破碎機具有破碎強度大的特點，高突破效率，穩(wěn)定的工作狀態(tài)，高能力清除堵塞和抗粘連和穩(wěn)定粒度破碎產(chǎn)品，所有這些都達到了他們預(yù)期的設(shè)計目標。
6結(jié)論
我們已經(jīng)用遺傳算法進行了多目標優(yōu)化設(shè)計。我們可以聲明如下：
1）我們的差分和分級齒輥式破碎機的優(yōu)點，具有很大的破碎比，破碎效率高。
2）由于它不同于傳統(tǒng)的優(yōu)化方法，GA可以開展啟發(fā)式全局優(yōu)化。這是一個并行，并發(fā)和逐漸進化搜索過程，在這過程中，避免局部最優(yōu)。
3）優(yōu)化的結(jié)果已在實踐中應(yīng)用的實際破碎機的工作狀態(tài)是穩(wěn)定的。工業(yè)上的應(yīng)用已被證明效果良好。也已表明，以優(yōu)化破碎機的曲柄搖桿機構(gòu)
多目標設(shè)計與優(yōu)化傳動角γ和動顎m作為目標函數(shù)最小化的行程特性，能獲得最佳效果。
致謝
作者向黃教授表達自己最真摯的感謝以及感謝嘉興集團提供的寶貴意見。編者還要感謝鄭州長城冶金設(shè)備廠免費提供的有用的材料。
參考文獻
[1] Zhao L L, Zang F, Wang Z B, et al.設(shè)計與運動模擬差分和分級齒輥破碎機。煤礦機械, 2007, 28(6): 19–21. (In Chinese)
[2] Li X, Wang G B. 優(yōu)化設(shè)計顎式破碎機與遺傳算法。施工機械, 2006(6): 55–62. (In Chinese)
[3] Shen Y J.復(fù)擺顎式破碎機的優(yōu)化設(shè)計，機械, 1994, 21(4): 23–25. (In Chinese)
[4] Zheng S H. 應(yīng)用遺傳算法在最佳設(shè)計平面曲柄搖桿機構(gòu)?？镏袊嬃靠茖W(xué)研究院, 1999(2): 71–74. (In Chinese)
[5] Wang P. 破碎機的曲柄搖桿機構(gòu)的優(yōu)化設(shè)計。中國南方建筑大學(xué)學(xué)報, 1998, 6(2): 60–65. (In Chinese)
[6]荷蘭輝適應(yīng)自然和人工系統(tǒng)。密歇根州：密歇根大學(xué)出版社 1975年。
[7] Pan F P, Gong D W, Sun X Y, et al. 研究小說自適應(yīng)遺傳算法。中國大學(xué)學(xué)報采礦與技術(shù), 2003, 32(1): 68–70. (In Chinese)
[8] Michalewicz Z. 組合遺傳算法和數(shù)據(jù)結(jié)構(gòu)。北京：科學(xué)出版社, 2000. (In Chinese)
[9] Zhang J, Li D L, Li P. 遺傳的比較研究算法的編碼機制。中國統(tǒng)一
多樣性礦業(yè), 2002, 31(6): 637–640. (In Chinese)