طراحی بهینه سیستم های مکانیکی با استفاده از الگوریتم های هوش مصنوعی

چکیده - در طراحی سیستم های مکانیکی به ویژه گیربکس های صنعتی، الگوریتم های تکاملی مانند الگوریتم ژنتیک و بهینه سازی ازدحام ذرات نقش مهمی دارند. در این تحقیق روش ترکیبی جدیدی بر مبنای GA–PSO پیشنهاد شده است که برای تقریب سریع مسئله طراحی از یک شبکه عصبی مصنوعی به عنوان مدل جانشین استفاده می کند. هدف اصلی مسئله کاهش حجم کل گیربکس صنعتی (و به تبع آن وزن) با حفظ ضریب ایمنی خستگی مطابق استاندارد ISO ۶۳۳۶ است. در این چارچوب ابعاد بهینه چرخ دنده نیز با در نظر گرفتن معیارهای تنش تماس و تنش خمشی تعیین می گردد تا محدودیت های خستگی برآورده شوند. به منظور کاهش پیچیدگی محاسباتی، ابتدا یک مدل ANN برای تقریب رابطه بین پارامترهای طراحی و پاسخ خستگی ساخته شد. سپس الگوریتم های ژنتیک، PSO و روش ترکیبی GA–PSO برای جستجوی بهینه پارامترها به کار گرفته شدند. یافته های حاصل از بهینه سازی پیشنهادی نشان داد که حجم مجموعه گیربکس حدود ۳۰٪ کاهش می یابد، در حالی که ضریب ایمنی خستگی (مطابق ISO ۶۳۳۶ ) در تمام حالت ها حداقل ۱٫۶ حفظ شده است. دقت پیش بینی مدل ANN در حدود ۹۸٪ به دست آمد که نشان دهنده قابلیت بالای جانشینی این مدل در تخمین پاسخ های پیچیده است. زمان محاسباتی به طور چشمگیری کاهش یافت (به طور نمونه بیش از ۵۰٪ تسریع) که نشان دهنده کارایی بالای روش پیشنهادی است. به طور کلی، ترکیب هوشمند GA، PSO و ANN توانسته است به طور همزمان کاهش قابل توجهی در حجم گیربکس، بهبود معیارهای ایمنی خستگی و تسریع روند بهینه سازی را تامین کند. این دستاوردها نشان می دهد که روش پیشنهادی به نحو موثری دوام و وزن مجموعه را بهبود می دهد.

کلیدواژه ها:

بهینه سازی طراحی ، گیربکس صنعتی ، الگوریتم ژنتیک ، بهینه سازی ازدحام ذرات ، شبکه عصبی مصنوعی.