Vielen Dank für Ihren Besuch auf Nature.com. Sie verwenden eine Browserversion mit eingeschränkter CSS-Unterstützung. Edelstahl-Spiralrohr. Für ein optimales Erlebnis empfehlen wir Ihnen, einen aktualisierten Browser zu verwenden (oder den Kompatibilitätsmodus im Internet Explorer zu deaktivieren). Um den fortlaufenden Support zu gewährleisten, zeigen wir die Website außerdem ohne Styles und JavaScript an.
Zeigt ein Karussell mit drei Folien gleichzeitig an. Mit den Schaltflächen „Zurück“ und „Weiter“ können Sie jeweils drei Folien gleichzeitig durchblättern. Mit den Schiebereglern am Ende können Sie auch drei Folien gleichzeitig durchblättern.
In dieser Studie wird die Auslegung der Torsions- und Druckfedern des Flügelklappmechanismus der Rakete als Optimierungsproblem betrachtet. Nach dem Verlassen des Startrohrs müssen die geschlossenen Flügel geöffnet und für eine bestimmte Zeit fixiert werden. Ziel der Studie war es, die in den Federn gespeicherte Energie zu maximieren, damit sich die Flügel möglichst schnell entfalten können. Die Energiegleichung in beiden Publikationen wurde dabei als Zielfunktion des Optimierungsprozesses definiert. Drahtdurchmesser, Spulendurchmesser, Windungszahl und Auslenkungsparameter der Federauslegung wurden als Optimierungsvariablen definiert. Die geometrischen Grenzen der Variablen ergeben sich aus der Größe des Mechanismus sowie aus dem Sicherheitsfaktor, der durch die Federlast begrenzt ist. Zur Lösung dieses Optimierungsproblems und zur Federauslegung wurde der Honey-Bee-Algorithmus (BA) verwendet. Die mit BA erzielten Energiewerte übertreffen die Werte früherer Studien zur statistischen Versuchsplanung (DOE). Federn und Mechanismen, die mit den optimierten Parametern ausgelegt wurden, wurden zunächst mit dem Programm ADAMS analysiert. Anschließend wurden experimentelle Tests durchgeführt, indem die hergestellten Federn in reale Mechanismen integriert wurden. Dabei zeigte sich, dass sich die Flügel nach etwa 90 Millisekunden öffneten. Dieser Wert liegt deutlich unter dem Projektziel von 200 Millisekunden. Zudem beträgt der Unterschied zwischen den analytischen und experimentellen Ergebnissen lediglich 16 ms.
In Flugzeugen und Wasserfahrzeugen sind Faltmechanismen aus Edelstahl-Spiralrohren von entscheidender Bedeutung. Diese Systeme werden bei Flugzeugmodifikationen und -umbauten eingesetzt, um Flugleistung und -kontrolle zu verbessern. Je nach Flugmodus falten und entfalten sich die Flügel unterschiedlich, um die aerodynamischen Auswirkungen zu reduzieren1. Diese Situation lässt sich mit den Flügelbewegungen mancher Vögel und Insekten im Alltagsflug und beim Tauchen vergleichen. Ähnlich falten und entfalten sich Gleiter in Tauchbooten, um hydrodynamische Effekte zu reduzieren und die Handhabung zu optimieren3. Ein weiterer Zweck dieser Mechanismen ist es, volumetrische Vorteile für Systeme wie das Falten eines Hubschrauberpropellers4 für Lagerung und Transport zu bieten. Auch die Flügel der Rakete lassen sich einklappen, um den Lagerplatz zu reduzieren. So können mehr Raketen auf einer kleineren Fläche der Trägerrakete5 platziert werden. Die effektivsten Komponenten zum Falten und Entfalten sind Federn. Beim Falten wird Energie gespeichert und beim Entfalten wieder freigesetzt. Aufgrund ihrer flexiblen Struktur gleichen sich gespeicherte und freigesetzte Energie aus. Die Feder ist hauptsächlich für das System ausgelegt, was ein Optimierungsproblem darstellt6. Denn neben verschiedenen Variablen wie Drahtdurchmesser, Spulendurchmesser, Windungszahl, Spiralwinkel und Materialart spielen auch Kriterien wie Masse, Volumen, minimale Spannungsverteilung oder maximale Energieverfügbarkeit eine Rolle7.
Diese Studie beleuchtet die Konstruktion und Optimierung von Federn für Flügelklappmechanismen in Raketensystemen. Die Flügel verbleiben vor dem Flug im Abschussrohr gefaltet an der Raketenoberfläche. Nach dem Verlassen des Abschussrohrs entfalten sie sich für eine gewisse Zeit und bleiben an die Oberfläche gedrückt. Dieser Prozess ist entscheidend für die ordnungsgemäße Funktion der Rakete. Im entwickelten Klappmechanismus wird das Öffnen der Flügel durch Torsionsfedern und das Verriegeln durch Druckfedern gewährleistet. Um eine geeignete Feder zu konstruieren, ist ein Optimierungsprozess erforderlich. Die Federoptimierung findet in der Literatur verschiedene Anwendungen.
Paredes et al.8 definierten den maximalen Ermüdungslebensdauerfaktor als Zielfunktion für die Konstruktion von Schraubenfedern und nutzten die Quasi-Newton-Methode als Optimierungsmethode. Als Optimierungsvariablen wurden Drahtdurchmesser, Windungsdurchmesser, Windungszahl und Federlänge identifiziert. Ein weiterer Parameter der Federstruktur ist das Material, aus dem die Feder gefertigt ist. Daher wurde dies in den Konstruktions- und Optimierungsstudien berücksichtigt. Zebdi et al.9 setzten in ihrer Studie, in der der Gewichtsfaktor eine signifikante Rolle spielte, die Ziele maximaler Steifigkeit und minimalen Gewichts als Zielfunktion. In diesem Fall definierten sie das Federmaterial und die geometrischen Eigenschaften als Variablen. Sie nutzten einen genetischen Algorithmus als Optimierungsmethode. In der Automobilindustrie ist das Materialgewicht in vielerlei Hinsicht nützlich, von der Fahrzeugleistung bis zum Kraftstoffverbrauch. Die Gewichtsminimierung bei der Optimierung von Schraubenfedern für Federungen ist eine bekannte Studie10. Bahshesh und Bahshesh11 identifizierten in ihrer Arbeit in der ANSYS-Umgebung Materialien wie E-Glas, Kohlenstoff und Kevlar als Variablen mit dem Ziel, minimales Gewicht und maximale Zugfestigkeit in verschiedenen Federverbundkonstruktionen zu erreichen. Der Herstellungsprozess ist entscheidend für die Entwicklung von Verbundfedern. Daher spielen bei einem Optimierungsproblem verschiedene Variablen eine Rolle, wie beispielsweise das Produktionsverfahren, die Prozessschritte und deren Reihenfolge12,13. Bei der Auslegung von Federn für dynamische Systeme müssen die Eigenfrequenzen des Systems berücksichtigt werden. Es wird empfohlen, dass die erste Eigenfrequenz der Feder mindestens das 5- bis 10-fache der Eigenfrequenz des Systems beträgt, um Resonanzen zu vermeiden14. Taktak et al.7 entschieden sich, die Federmasse zu minimieren und die erste Eigenfrequenz als Zielfunktionen bei der Auslegung von Schraubenfedern zu maximieren. Sie verwendeten Mustersuche, Innere-Punkte-Analyse, Active-Set-Analyse und genetische Algorithmen im Matlab-Optimierungstool. Analytische Forschung ist Teil der Federkonstruktionsforschung, und die Finite-Elemente-Methode ist in diesem Bereich weit verbreitet15. Patil et al.16 entwickelten eine Optimierungsmethode zur Gewichtsreduzierung einer Schraubendruckfeder mithilfe eines analytischen Verfahrens und testeten die analytischen Gleichungen mit der Finite-Elemente-Methode. Ein weiteres Kriterium für die Steigerung des Nutzens einer Feder ist die Erhöhung der speicherbaren Energie. Dies stellt außerdem sicher, dass die Feder ihre Funktionsfähigkeit über einen langen Zeitraum behält. Rahul und Rameshkumar17 versuchen, das Federvolumen zu reduzieren und die Dehnungsenergie bei der Konstruktion von Schraubenfedern in Autos zu erhöhen. Sie setzen in der Optimierungsforschung auch genetische Algorithmen ein.
Wie ersichtlich, variieren die Parameter in Optimierungsstudien systemspezifisch. Generell sind Steifigkeit und Schubspannung in Systemen wichtig, deren Last der bestimmende Faktor ist. Die Materialauswahl wird mit diesen beiden Parametern in das Gewichtslimitsystem einbezogen. Andererseits werden Eigenfrequenzen überprüft, um Resonanzen in hochdynamischen Systemen zu vermeiden. In Systemen, bei denen der Nutzen eine Rolle spielt, wird die Energie maximiert. Obwohl die FEM in Optimierungsstudien für analytische Untersuchungen verwendet wird, zeigt sich, dass metaheuristische Algorithmen wie der genetische Algorithmus14,18 und der Gray-Wolf-Algorithmus19 innerhalb eines bestimmten Parameterbereichs zusammen mit dem klassischen Newton-Verfahren eingesetzt werden. Metaheuristische Algorithmen wurden basierend auf natürlichen Anpassungsmethoden entwickelt, die sich in kurzer Zeit dem optimalen Zustand annähern, insbesondere unter dem Einfluss der Population20,21. Bei einer zufälligen Verteilung der Population im Suchbereich vermeiden sie lokale Optima und bewegen sich in Richtung globaler Optima22. Daher wurden sie in den letzten Jahren häufig im Kontext realer industrieller Probleme23,24 eingesetzt.
Der kritische Fall für den in dieser Studie entwickelten Faltmechanismus besteht darin, dass sich die vor dem Flug geschlossenen Flügel eine bestimmte Zeit nach dem Verlassen des Rohrs öffnen. Danach blockiert das Verriegelungselement die Flügel. Daher beeinflussen die Federn die Flugdynamik nicht direkt. Ziel der Optimierung war in diesem Fall die Maximierung der gespeicherten Energie zur Beschleunigung der Federbewegung. Rollendurchmesser, Drahtdurchmesser, Rollenanzahl und Auslenkung wurden als Optimierungsparameter definiert. Aufgrund der geringen Größe der Feder wurde das Gewicht nicht als Ziel betrachtet. Daher ist der Materialtyp als fest definiert. Die Sicherheitsmarge für mechanische Verformungen wird als kritische Einschränkung festgelegt. Darüber hinaus sind variable Größenbeschränkungen im Anwendungsbereich des Mechanismus enthalten. Als Optimierungsmethode wurde die BA-Metaheuristik gewählt. BA wurde aufgrund ihrer flexiblen und einfachen Struktur sowie ihrer Fortschritte in der mechanischen Optimierungsforschung bevorzugt25. Im zweiten Teil der Studie werden detaillierte mathematische Ausdrücke in den Rahmen des Grunddesigns und der Federauslegung des Faltmechanismus integriert. Der dritte Teil enthält den Optimierungsalgorithmus und die Optimierungsergebnisse. Kapitel 4 führt Analysen im ADAMS-Programm durch. Die Eignung der Federn wird vor der Produktion analysiert. Der letzte Abschnitt enthält experimentelle Ergebnisse und Testbilder. Die in der Studie erzielten Ergebnisse wurden außerdem mit früheren Arbeiten der Autoren mithilfe des DOE-Ansatzes verglichen.
Die in dieser Studie entwickelten Flügel sollten sich zur Raketenoberfläche hin falten. Die Flügel rotieren von der gefalteten in die entfaltete Position. Hierfür wurde ein spezieller Mechanismus entwickelt. Abb. 1 zeigt die gefaltete und entfaltete Konfiguration5 im Raketenkoordinatensystem.
Abb. 2 zeigt eine Schnittansicht des Mechanismus. Der Mechanismus besteht aus mehreren mechanischen Teilen: (1) Hauptkörper, (2) Flügelwelle, (3) Lager, (4) Verriegelungskörper, (5) Verriegelungsbuchse, (6) Anschlagstift, (7) Torsionsfeder und (8) Druckfeder. Die Flügelwelle (2) ist über die Verriegelungshülse (4) mit der Torsionsfeder (7) verbunden. Alle drei Teile rotieren nach dem Abheben der Rakete gleichzeitig. Durch diese Drehbewegung werden die Flügel in ihre Endposition gedreht. Anschließend wird der Stift (6) durch die Druckfeder (8) betätigt, wodurch der gesamte Mechanismus des Verriegelungskörpers (4) blockiert wird.
Elastizitätsmodul (E) und Schubmodul (G) sind wichtige Konstruktionsparameter der Feder. In dieser Studie wurde Federstahldraht mit hohem Kohlenstoffgehalt (Musikdraht ASTM A228) als Federmaterial gewählt. Weitere Parameter sind Drahtdurchmesser (d), durchschnittlicher Windungsdurchmesser (Dm), Windungszahl (N) und Federweg (xd für Druckfedern und θ für Torsionsfedern)26. Die gespeicherte Energie für Druckfedern \({(SE}_{x})\) und Torsionsfedern (\({SE}_{\theta}\)) kann mit den Gleichungen (1) und (2)26 berechnet werden. (Der Schubmodulwert (G) für die Druckfeder beträgt 83,7E9 Pa, der Elastizitätsmodulwert (E) für die Torsionsfeder 203,4E9 Pa.)
Die mechanischen Abmessungen des Systems bestimmen direkt die geometrischen Beschränkungen der Feder. Zusätzlich müssen die Bedingungen, unter denen die Rakete eingesetzt wird, berücksichtigt werden. Diese Faktoren bestimmen die Grenzen der Federparameter. Eine weitere wichtige Einschränkung ist der Sicherheitsfaktor. Die Definition eines Sicherheitsfaktors wird von Shigley et al.26 ausführlich beschrieben. Der Druckfeder-Sicherheitsfaktor (SFC) ist definiert als die maximal zulässige Spannung geteilt durch die Spannung über die durchgehende Länge. Der SFC kann mithilfe der Gleichungen (3), (4), (5) und (6)26 berechnet werden. (Für das in dieser Studie verwendete Federmaterial gilt \({S}_{sy}=980 MPa\)). F steht für die Kraft in der Gleichung und KB für den Bergstrasser-Faktor von 26.
Der Torsionssicherheitsfaktor einer Feder (SFT) ist definiert als M geteilt durch k. SFT kann mit den Gleichungen (7), (8), (9) und (10)26 berechnet werden. (Für das in dieser Studie verwendete Material gilt \({S}_{y}=1600 \mathrm{MPa}\)). In der Gleichung steht M für das Drehmoment, \({k}^{^{\prime}}\) für die Federkonstante (Drehmoment/Rotation) und Ki für den Spannungskorrekturfaktor.
Das Hauptoptimierungsziel dieser Studie ist die Maximierung der Federenergie. Die Zielfunktion wird so formuliert, dass \(\overrightarrow{\{X\}}\) gefunden wird, das \(f(X)\) maximiert. \({f}_{1}(X)\) und \({f}_{2}(X)\) sind die Energiefunktionen der Druck- bzw. Torsionsfeder. Die berechneten Variablen und Funktionen, die für die Optimierung verwendet werden, sind in den folgenden Gleichungen dargestellt.
Die verschiedenen Einschränkungen bei der Federkonstruktion sind in den folgenden Gleichungen angegeben. Die Gleichungen (15) und (16) stellen die Sicherheitsfaktoren für Druck- bzw. Torsionsfedern dar. In dieser Studie muss SFC größer oder gleich 1,2 und SFT größer oder gleich θ26 sein.
BA wurde von den Pollensuchstrategien der Bienen inspiriert27. Bienen suchen, indem sie mehr Sammelbienen zu fruchtbaren Pollenfeldern und weniger Sammelbienen zu weniger fruchtbaren Pollenfeldern schicken. Dadurch wird die größtmögliche Effizienz der Bienenpopulation erreicht. Andererseits suchen Kundschafterbienen weiterhin nach neuen Pollengebieten, und wenn es produktivere Gebiete als zuvor gibt, werden viele Sammelbienen in dieses neue Gebiet geleitet28. BA besteht aus zwei Teilen: der lokalen und der globalen Suche. Bei der lokalen Suche wird nach mehr Gemeinschaften in der Nähe des Minimums (Elitestandorte) gesucht, ähnlich wie bei Bienen, und weniger nach anderen Standorten (optimale oder ausgewählte Standorte). Im globalen Suchteil wird eine beliebige Suche durchgeführt, und wenn gute Werte gefunden werden, werden die Stationen in der nächsten Iteration in den lokalen Suchteil verschoben. Der Algorithmus enthält einige Parameter: die Anzahl der Kundschafterbienen (n), die Anzahl der lokalen Suchstandorte (m), die Anzahl der Elitestandorte (e), die Anzahl der Sammelbienen in Elitestandorten (nep), die Anzahl der Sammelbienen in optimalen Gebieten. Standort (nsp), Nachbarschaftsgröße (ngh) und Anzahl der Iterationen (I)29. Der BA-Pseudocode ist in Abbildung 3 dargestellt.
Der Algorithmus arbeitet zwischen \({g}_{1}(X)\) und \({g}_{2}(X)\). Nach jeder Iteration werden optimale Werte ermittelt und eine Population um diese Werte herum zusammengestellt, um die besten Werte zu erhalten. Einschränkungen werden in den Abschnitten für die lokale und globale Suche überprüft. Bei einer lokalen Suche wird der Energiewert berechnet, wenn diese Faktoren geeignet sind. Ist der neue Energiewert größer als der optimale Wert, wird dem optimalen Wert der neue Wert zugewiesen. Ist der im Suchergebnis gefundene beste Wert größer als das aktuelle Element, wird das neue Element in die Sammlung aufgenommen. Das Blockdiagramm der lokalen Suche ist in Abbildung 4 dargestellt.
Die Population ist einer der Schlüsselparameter in BA. Frühere Studien zeigen, dass eine Vergrößerung der Population die Anzahl der erforderlichen Iterationen reduziert und die Erfolgswahrscheinlichkeit erhöht. Allerdings steigt auch die Anzahl der Funktionsbewertungen. Das Vorhandensein einer großen Anzahl von Elitestandorten hat keinen signifikanten Einfluss auf die Leistung. Die Anzahl der Elitestandorte kann gering sein, wenn sie ungleich Null ist30. Die Größe der Kundschafterbienenpopulation (n) wird üblicherweise zwischen 30 und 100 gewählt. In dieser Studie wurden sowohl 30- als auch 50-Szenarien ausgeführt, um die entsprechende Anzahl zu bestimmen (Tabelle 2). Andere Parameter werden in Abhängigkeit von der Population bestimmt. Die Anzahl der ausgewählten Standorte (m) beträgt (ungefähr) 25 % der Populationsgröße, und die Anzahl der Elitestandorte (e) unter den ausgewählten Standorten beträgt 25 % von m. Die Anzahl der Futterbienen (Anzahl der Suchvorgänge) wurde mit 100 für Elite-Parzellen und 30 für andere lokale Parzellen festgelegt. Die Nachbarschaftssuche ist das Grundkonzept aller evolutionären Algorithmen. In dieser Studie wurde die Methode der sich verjüngenden Nachbarn verwendet. Diese Methode reduziert die Größe der Nachbarschaft bei jeder Iteration um eine bestimmte Rate. In zukünftigen Iterationen können kleinere Nachbarschaftswerte30 für eine genauere Suche verwendet werden.
Für jedes Szenario wurden zehn aufeinanderfolgende Tests durchgeführt, um die Reproduzierbarkeit des Optimierungsalgorithmus zu prüfen. Abb. 5 zeigt die Ergebnisse der Optimierung der Torsionsfeder für Schema 1 und Abb. 6 für Schema 2. Testdaten sind auch in den Tabellen 3 und 4 aufgeführt (eine Tabelle mit den für die Druckfeder erhaltenen Ergebnissen befindet sich in den Zusatzinformationen S1). Die Bienenpopulation intensiviert die Suche nach guten Werten in der ersten Iteration. In Szenario 1 lagen die Ergebnisse einiger Tests unter dem Maximum. In Szenario 2 ist ersichtlich, dass sich alle Optimierungsergebnisse aufgrund der Zunahme der Population und anderer relevanter Parameter dem Maximum nähern. Man erkennt, dass die Werte in Szenario 2 für den Algorithmus ausreichend sind.
Bei der Ermittlung des maximalen Energiewerts in Iterationen wird zusätzlich ein Sicherheitsfaktor als Randbedingung für die Untersuchung angegeben. Sicherheitsfaktor siehe Tabelle. Die mit BA ermittelten Energiewerte werden in Tabelle 5 mit denen der 5-DOE-Methode verglichen. (Zur Vereinfachung der Herstellung beträgt die Anzahl der Windungen (N) der Torsionsfeder 4,9 statt 4,88, und die Auslenkung (xd) beträgt 8 mm statt 7,99 mm bei der Druckfeder.) Es ist ersichtlich, dass BA bessere Ergebnisse liefert. BA wertet alle Werte durch lokale und globale Suchläufe aus. Auf diese Weise kann er schneller mehrere Alternativen ausprobieren.
In dieser Studie wurde Adams verwendet, um die Bewegung des Flügelmechanismus zu analysieren. Adams erhält zunächst ein 3D-Modell des Mechanismus. Definieren Sie dann eine Feder mit den im vorherigen Abschnitt ausgewählten Parametern. Darüber hinaus müssen für die eigentliche Analyse einige andere Parameter definiert werden. Diese sind physikalische Parameter wie Verbindungen, Materialeigenschaften, Kontakt, Reibung und Schwerkraft. Zwischen der Blattwelle und dem Lager befindet sich ein Drehgelenk. Es gibt 5–6 zylindrische Gelenke. Es gibt 5–1 feste Gelenke. Der Hauptkörper besteht aus Aluminium und ist fest. Das Material der restlichen Teile ist Stahl. Wählen Sie je nach Materialart den Reibungskoeffizienten, die Kontaktsteifigkeit und die Eindringtiefe der Reibungsfläche. (Edelstahl AISI 304) In dieser Studie ist der kritische Parameter die Öffnungszeit des Flügelmechanismus, die weniger als 200 ms betragen muss. Behalten Sie daher während der Analyse die Flügelöffnungszeit im Auge.
Als Ergebnis der Analyse von Adams beträgt die Öffnungszeit des Flügelmechanismus 74 Millisekunden. Die Ergebnisse der dynamischen Simulation von 1 bis 4 sind in Abbildung 7 dargestellt. Das erste Bild in Abbildung 5 zeigt den Startzeitpunkt der Simulation und die Flügel befinden sich in der Warteposition zum Einklappen. (2) zeigt die Position des Flügels nach 40 ms, wenn sich der Flügel um 43 Grad gedreht hat. (3) zeigt die Position des Flügels nach 71 Millisekunden. Außerdem zeigt das letzte Bild (4) das Ende der Flügeldrehung und die geöffnete Position. Als Ergebnis der dynamischen Analyse wurde beobachtet, dass der Flügelöffnungsmechanismus deutlich kürzer ist als der Zielwert von 200 ms. Außerdem wurden bei der Dimensionierung der Federn die Sicherheitsgrenzen aus den höchsten in der Literatur empfohlenen Werten ausgewählt.
Nach Abschluss aller Design-, Optimierungs- und Simulationsstudien wurde ein Prototyp des Mechanismus hergestellt und integriert. Der Prototyp wurde anschließend getestet, um die Simulationsergebnisse zu verifizieren. Zunächst wurde die Hauptschale befestigt und die Flügel eingeklappt. Anschließend wurden die Flügel aus der eingeklappten Position gelöst und ein Video der Rotation der Flügel von der eingeklappten in die ausgeklappte Position erstellt. Der Timer wurde auch zur Zeitanalyse während der Videoaufnahme verwendet.
Abb. 8 zeigt die Videobilder 1–4. Bild 1 zeigt den Moment des Ausklappens der eingeklappten Flügel. Dieser Moment gilt als Startzeitpunkt t0. Die Bilder 2 und 3 zeigen die Flügelpositionen 40 ms bzw. 70 ms nach dem Startzeitpunkt. Bei der Analyse der Bilder 3 und 4 ist zu erkennen, dass sich die Flügelbewegung 90 ms nach t0 stabilisiert und das Ausklappen des Flügels zwischen 70 und 90 ms abgeschlossen ist. Dies bedeutet, dass Simulation und Prototypentests in etwa die gleiche Flügelausklappzeit ergeben und die Konstruktion die Leistungsanforderungen des Mechanismus erfüllt.
In diesem Artikel werden die im Flügelklappmechanismus verwendeten Torsions- und Druckfedern mittels BA optimiert. Die Parameter können mit wenigen Iterationen schnell erreicht werden. Die Torsionsfeder hat eine Nennkraft von 1075 mJ und die Druckfeder eine Nennkraft von 37,24 mJ. Diese Werte sind 40–50 % besser als in früheren DOE-Studien. Die Feder ist in den Mechanismus integriert und wird mit dem ADAMS-Programm analysiert. Die Analyse ergab, dass sich die Flügel innerhalb von 74 Millisekunden öffneten. Dieser Wert liegt deutlich unter dem Projektziel von 200 Millisekunden. In einer nachfolgenden experimentellen Studie wurde eine Einschaltzeit von etwa 90 ms gemessen. Dieser Unterschied von 16 Millisekunden zwischen den Analysen könnte auf Umgebungsfaktoren zurückzuführen sein, die in der Software nicht modelliert wurden. Es wird angenommen, dass der aus der Studie gewonnene Optimierungsalgorithmus für verschiedene Federkonstruktionen verwendet werden kann.
Das Federmaterial war vordefiniert und wurde bei der Optimierung nicht als Variable verwendet. Da in Flugzeugen und Raketen viele verschiedene Federtypen zum Einsatz kommen, wird BA in zukünftigen Forschungsarbeiten eingesetzt, um weitere Federtypen aus unterschiedlichen Materialien zu entwickeln und so ein optimales Federdesign zu erreichen.
Wir erklären, dass es sich bei diesem Manuskript um ein Original handelt, dass es zuvor noch nicht veröffentlicht wurde und dass derzeit auch keine Veröffentlichung an anderer Stelle in Erwägung gezogen wird.
Alle in dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel [und der zusätzlichen Informationsdatei] enthalten.
Min, Z., Kin, VK und Richard, LJ Flugzeugmodernisierung des Tragflächenkonzepts durch radikale geometrische Änderungen. IES J. Teil A Zivilisation. Zusammensetzung. Projekt. 3(3), 188–195 (2010).
Sun, J., Liu, K. und Bhushan, B. Ein Überblick über den Hinterflügel des Käfers: Struktur, mechanische Eigenschaften, Mechanismen und biologische Inspiration. J. Mecha. Verhalten. Biomedizinische Wissenschaft. Alma Mater. 94, 63–73 (2019).
Chen, Z., Yu, J., Zhang, A. und Zhang, F. Entwurf und Analyse eines faltbaren Antriebsmechanismus für einen hybridbetriebenen Unterwassergleiter. Ocean Engineering 119, 125–134 (2016).
Kartik, HS und Prithvi, K. Entwurf und Analyse eines Klappmechanismus für das horizontale Stabilisator eines Hubschraubers. interner J. Ing.-Lagertank. Technologie. (IGERT) 9(05), 110–113 (2020).
Kulunk, Z. und Sahin, M. Optimierung der mechanischen Parameter eines faltbaren Raketenflügeldesigns mithilfe eines experimentellen Designansatzes. interne J. Modelloptimierung. 9(2), 108–112 (2019).
Ke, J., Wu, ZY, Liu, YS, Xiang, Z. & Hu, XD-Designmethode, Leistungsstudie und Herstellungsprozess von Verbundschraubenfedern: Eine Übersicht. Zusammensetzung. 252, 112747 (2020).
Taktak M., Omheni K., Alui A., Dammak F. und Khaddar M. Dynamische Designoptimierung von Schraubenfedern. Anwendung für Schall. 77, 178–183 (2014).
Paredes, M., Sartor, M. und Mascle, K. Ein Verfahren zur Optimierung der Konstruktion von Zugfedern. Eine computergestützte Anwendung der Methode. Fur-Projekt. 191(8-10), 783-797 (2001).
Zebdi O., Bouhili R. und Trochu F. Optimales Design von Verbundschraubenfedern mittels Mehrzieloptimierung. J. Reinf. plastic. compose. 28 (14), 1713–1732 (2009).
Pawart, HB und Desale, DD Optimierung von Schraubenfedern an der Vorderradaufhängung von Dreirädern. Verfahren. Hersteller. 20, 428–433 (2018).
Bahshesh M. und Bahshesh M. Optimierung von Stahlschraubenfedern mit Verbundfedern. internal J. Multidisziplinär. das Wissenschaftsprojekt. 3(6), 47–51 (2012).
Chen, L. et al. Erfahren Sie mehr über die vielen Parameter, die die statische und dynamische Leistung von Verbundschraubenfedern beeinflussen. J. Market. Lagertank. 20, 532–550 (2022).
Frank, J. Analyse und Optimierung von Verbundschraubenfedern, Doktorarbeit, Sacramento State University (2020).
Gu, Z., Hou, X. und Ye, J. Methoden zum Entwurf und zur Analyse nichtlinearer Schraubenfedern unter Verwendung einer Kombination von Methoden: Finite-Elemente-Analyse, Latin Hypercube Limited Sampling und genetische Programmierung. Prozess. Fur Institute. Projekt. CJ Mecha. Projekt. Die Wissenschaft. 235(22), 5917–5930 (2021).
Wu, L., et al. Mehrsträngige Kohlefaser-Schraubenfedern mit einstellbarer Federrate: Eine Design- und Mechanismusstudie. J. Market. Lagertank. 9(3), 5067–5076 (2020).
Patil DS, Mangrulkar KS und Jagtap ST Gewichtsoptimierung von Druckschraubenfedern. interner J. Innov. Lagertank. Multidisziplinär. 2(11), 154–164 (2016).
Rahul, MS und Rameshkumar, K. Mehrzweckoptimierung und numerische Simulation von Schraubenfedern für Automobilanwendungen. Alma Mater. Process Today. 46. ​​4847–4853 (2021).
Bai, JB et al. Best Practice definieren – Optimales Design von zusammengesetzten Spiralstrukturen mithilfe genetischer Algorithmen. compose. composition. 268, 113982 (2021).
Shahin, I., Dorterler, M. und Gokche, H. Verwendung der 灰狼-Optimierungsmethode basierend auf der Optimierung des Mindestvolumens des Druckfederdesigns, Ghazi J. Engineering Science, 3(2), 21–27 (2017).
Aye, KM, Foldy, N., Yildiz, AR, Burirat, S. und Sait, SM Metaheuristiken unter Verwendung mehrerer Agenten zur Optimierung von Unfällen. intern J. Veh. Dez. 80 (2–4), 223–240 (2019).
Yildyz, AR und Erdash, MU Neuer hybrider Taguchi-Salpa-Gruppenoptimierungsalgorithmus für die zuverlässige Gestaltung realer technischer Probleme. Alma Mater. Test. 63(2), 157–162 (2021).
Yildiz BS, Foldi N., Burerat S., Yildiz AR und Sait SM Zuverlässiges Design von Robotergreifmechanismen mithilfe eines neuen hybriden Grasshopper-Optimierungsalgorithmus. expert. system. 38(3), e12666 (2021).