Vielen Dank für Ihren Besuch auf Nature.com. Sie verwenden eine Browserversion mit eingeschränkter CSS-Unterstützung. Edelstahl-Spiralrohr. Für eine optimale Darstellung empfehlen wir Ihnen, einen aktuellen Browser zu verwenden (oder den Kompatibilitätsmodus im Internet Explorer zu deaktivieren). Um die zukünftige Unterstützung zu gewährleisten, wird die Website ohne CSS-Formatierung und JavaScript angezeigt.
Es werden drei Folien gleichzeitig angezeigt. Verwenden Sie die Schaltflächen „Zurück“ und „Weiter“, um jeweils drei Folien durchzublättern, oder verwenden Sie die Schieberegler am Ende, um ebenfalls jeweils drei Folien gleichzeitig anzuzeigen.
In dieser Studie wird die Auslegung der Torsions- und Druckfedern des Flügelfaltmechanismus einer Rakete als Optimierungsproblem betrachtet. Nach dem Verlassen des Startrohrs müssen die geschlossenen Flügel geöffnet und für eine bestimmte Zeit gesichert werden. Ziel der Studie war es, die in den Federn gespeicherte Energie zu maximieren, um ein möglichst schnelles Entfalten der Flügel zu gewährleisten. Die Energiegleichung aus beiden Publikationen diente als Zielfunktion im Optimierungsprozess. Drahtdurchmesser, Spulendurchmesser, Windungszahl und Auslenkungsparameter wurden als Optimierungsvariablen definiert. Aufgrund der Größe des Mechanismus bestehen geometrische Beschränkungen für die Variablen sowie aufgrund der Federbelastung Beschränkungen des Sicherheitsfaktors. Zur Lösung des Optimierungsproblems und zur Federauslegung wurde der Honey-Bee-Algorithmus (BA) verwendet. Die mit BA erzielten Energiewerte sind besser als die aus früheren Versuchsplanungsstudien (DOE). Die mit den Optimierungsparametern entworfenen Federn und Mechanismen wurden zunächst im ADAMS-Programm analysiert. Anschließend wurden experimentelle Tests durchgeführt, indem die gefertigten 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 die Differenz 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 -steuerung zu verbessern. Je nach Flugmodus werden die Tragflächen unterschiedlich ein- und ausgeklappt, um den aerodynamischen Einfluss zu reduzieren¹. Dies lässt sich mit den Flügelbewegungen einiger Vögel und Insekten beim Fliegen und Tauchen vergleichen. Auch Segelflugzeuge in Tauchbooten klappen ein und aus, um hydrodynamische Effekte zu minimieren und die Manövrierfähigkeit zu optimieren³. Ein weiterer Zweck dieser Mechanismen besteht darin, Volumenvorteile zu erzielen, beispielsweise durch das Einklappen eines Hubschrauberpropellers⁴ für Lagerung und Transport. Auch die Tragflächen von Raketen lassen sich einklappen, um den Lagerplatz zu reduzieren. Dadurch können mehr Raketen auf einer kleineren Fläche der Startrampe untergebracht werden⁵. Die effektivsten Komponenten für das Ein- und Ausklappen sind in der Regel Federn. Beim Einklappen wird Energie in der Feder gespeichert und beim Ausklappen wieder freigesetzt. Dank ihrer flexiblen Struktur gleichen sich gespeicherte und freigesetzte Energie aus. Die Feder ist speziell für das System ausgelegt, und diese Auslegung stellt ein Optimierungsproblem dar⁶. Denn neben verschiedenen Variablen wie Drahtdurchmesser, Spulendurchmesser, Windungszahl, Steigungswinkel und Materialart gibt es auch Kriterien wie Masse, Volumen, minimale Spannungsverteilung oder maximale Energieverfügbarkeit7.
Diese Studie beleuchtet die Konstruktion und Optimierung von Federn für Flügelfaltmechanismen in Raketensystemen. Vor dem Start befinden sich die Flügel im Startrohr und liegen dort gefaltet an der Raketenoberfläche an. Nach dem Verlassen des Startrohrs entfalten sie sich für eine gewisse Zeit und bleiben an die Oberfläche gepresst. Dieser Vorgang ist entscheidend für die einwandfreie Funktion der Rakete. Im entwickelten Faltmechanismus erfolgt das Öffnen der Flügel durch Torsionsfedern, das Verriegeln durch Druckfedern. Für die Konstruktion einer geeigneten Feder ist ein Optimierungsprozess erforderlich. In der Fachliteratur finden sich zahlreiche Anwendungsgebiete der Federoptimierung.
Paredes et al.⁸ definierten den maximalen Ermüdungslebensdauerfaktor als Zielfunktion für die Auslegung von Schraubenfedern und verwendeten die quasi-Newtonsche Methode zur Optimierung. Als Optimierungsvariablen wurden Drahtdurchmesser, Spulendurchmesser, Windungszahl und Federlänge identifiziert. Ein weiterer Parameter der Federstruktur ist das Material, aus dem sie gefertigt ist. Daher wurde dieses in den Auslegungs- und Optimierungsstudien berücksichtigt. Zebdi et al.⁹ setzten in ihrer Studie, in der das Gewicht eine signifikante Rolle spielte, die Ziele maximale Steifigkeit und minimales Gewicht in der Zielfunktion. In diesem Fall definierten sie das Federmaterial und die geometrischen Eigenschaften als Variablen. Sie verwendeten einen genetischen Algorithmus zur Optimierung. In der Automobilindustrie ist das Gewicht von Materialien in vielerlei Hinsicht von Bedeutung, von der Fahrzeugleistung bis zum Kraftstoffverbrauch. Die Gewichtsminimierung bei der Optimierung von Schraubenfedern für die Federung ist ein bekanntes Forschungsgebiet¹⁰. 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 Verbundfederkonstruktionen für die Federung zu erreichen. Der Herstellungsprozess ist bei der Entwicklung von Verbundfedern von entscheidender Bedeutung. Daher spielen verschiedene Variablen bei einem Optimierungsproblem eine Rolle, wie beispielsweise die Produktionsmethode, die einzelnen Prozessschritte und deren Reihenfolge^12,13. 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 Resonanz zu vermeiden¹⁴. Taktak et al.⁷ minimierten die Masse der Feder und maximierten die erste Eigenfrequenz als Zielfunktionen bei der Auslegung von Schraubenfedern. Sie verwendeten Methoden wie Mustersuche, Innere-Punkt-Verfahren, Active-Set-Verfahren und genetische Algorithmen im Optimierungstool Matlab. Analytische Untersuchungen sind Bestandteil der Federauslegung, und die Finite-Elemente-Methode (FEM) ist in diesem Bereich weit verbreitet¹⁵. Patil et al.¹⁶ entwickelten eine Optimierungsmethode zur Gewichtsreduzierung einer Druckschraubenfeder mithilfe eines analytischen Verfahrens und testeten die analytischen Gleichungen mit der FEM. Ein weiteres Kriterium zur Steigerung der Nutzbarkeit einer Feder ist die Erhöhung ihrer speicherbaren Energie. Dieser Fall gewährleistet zudem, dass die Feder ihre Funktionsfähigkeit über einen langen Zeitraum beibehält. Rahul und Rameshkumar17 streben danach, das Federvolumen zu reduzieren und die Dehnungsenergie in Pkw-Schraubenfederkonstruktionen zu erhöhen. Sie haben außerdem genetische Algorithmen in ihrer Optimierungsforschung eingesetzt.
Wie ersichtlich, variieren die Parameter in der Optimierungsstudie je nach System. Im Allgemeinen sind Steifigkeits- und Schubspannungsparameter in Systemen, deren Last den bestimmenden Faktor darstellt, von Bedeutung. Die Materialauswahl wird bei Systemen mit Gewichtsbegrenzung unter Berücksichtigung dieser beiden Parameter berücksichtigt. Andererseits werden die Eigenfrequenzen überprüft, um Resonanzen in hochdynamischen Systemen zu vermeiden. In Systemen, in denen die Nutzbarkeit im Vordergrund steht, wird die Energie maximiert. Obwohl die FEM in Optimierungsstudien für analytische Untersuchungen verwendet wird, kommen metaheuristische Algorithmen wie der genetische Algorithmus^14,18 und der Grauwolf-Algorithmus¹⁹ in Kombination mit dem klassischen Newton-Verfahren innerhalb eines bestimmten Parameterbereichs zum Einsatz. Metaheuristische Algorithmen basieren auf natürlichen Anpassungsmethoden, die sich dem optimalen Zustand in kurzer Zeit annähern, insbesondere unter dem Einfluss der Population^20,21. Durch die zufällige Verteilung der Population im Suchraum vermeiden sie lokale Optima und bewegen sich auf globale Optima zu²². Daher werden sie in den letzten Jahren häufig im Kontext realer industrieller Probleme eingesetzt^23,24.
Der kritische Fall für den in dieser Studie entwickelten Faltmechanismus besteht darin, dass sich die vor dem Flug geschlossenen Flügel nach Verlassen des Rohrs für eine gewisse Zeit öffnen. Anschließend blockiert das Verriegelungselement den 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, Anzahl der Rollen und Auslenkung wurden als Optimierungsparameter definiert. Aufgrund der geringen Größe der Feder wurde das Gewicht nicht berücksichtigt. Daher wurde die Materialart als festgelegt definiert. Die Sicherheitsmarge für mechanische Verformungen wurde als kritische Einschränkung bestimmt. Zusätzlich sind variable Größenbeschränkungen im Anwendungsbereich des Mechanismus zu berücksichtigen. Die BA-Metaheuristik wurde als Optimierungsmethode gewählt. BA wurde aufgrund seiner flexiblen und einfachen Struktur sowie seiner Fortschritte in der mechanischen Optimierungsforschung bevorzugt. Im zweiten Teil der Studie werden detaillierte mathematische Ausdrücke im Rahmen des Grunddesigns und der Federkonstruktion des Faltmechanismus vorgestellt. Der dritte Teil enthält den Optimierungsalgorithmus und die Optimierungsergebnisse. Kapitel 4 beschreibt die Analyse im ADAMS-Programm. Die Eignung der Federn wird vor der Produktion geprüft. Der letzte Abschnitt enthält die experimentellen Ergebnisse und Testbilder. Die in dieser Studie erzielten Ergebnisse wurden zudem mit früheren Arbeiten der Autoren unter Anwendung des DOE-Ansatzes verglichen.
Die in dieser Studie entwickelten Flügel sollen sich zur Raketenoberfläche hin einklappen lassen. Die Flügel rotieren von der eingeklappten in die ausgeklappte Position. Hierfür wurde ein spezieller Mechanismus entwickelt. Abbildung 1 zeigt die eingeklappte und die ausgeklappte Konfiguration⁵ im Raketenkoordinatensystem.
Abbildung 2 zeigt einen Schnitt durch den Mechanismus. Dieser besteht aus mehreren mechanischen Teilen: (1) Hauptkörper, (2) Flügelwelle, (3) Lager, (4) Verriegelungskörper, (5) Verriegelungsbuchse, (6) Anschlagstift, (7) Torsionsfeder und (8) Druckfedern. Die Flügelwelle (2) ist über die Verriegelungshülse (4) mit der Torsionsfeder (7) verbunden. Alle drei Teile rotieren nach dem Start der Rakete gleichzeitig. Durch diese Drehbewegung erreichen die Flügel ihre Endposition. Anschließend wird der Stift (6) durch die Druckfeder (8) betätigt und blockiert so den gesamten Verriegelungsmechanismus des Verriegelungskörpers (4).
Elastizitätsmodul (E) und Schubmodul (G) sind wichtige Auslegungsparameter der Feder. In dieser Studie wurde hochkohlenstoffhaltiger Federstahldraht (Musikdraht ASTM A228) als Federmaterial gewählt. Weitere Parameter sind der Drahtdurchmesser (d), der mittlere Windungsdurchmesser (Dm), die Windungszahl (N) und die Federauslenkung (xd für Druckfedern und θ für Drehfedern)²⁶. Die gespeicherte Energie für Druckfedern (SE_x) und Drehfedern (SE_θ) kann mit den Gleichungen (1) und (2)²⁶ berechnet werden. (Der Schubmodul (G) der Druckfeder beträgt 83,7 × 10⁹ Pa, der Elastizitätsmodul (E) der Drehfeder 203,4 × 10⁹ Pa.)
Die mechanischen Abmessungen des Systems bestimmen direkt die geometrischen Randbedingungen der Feder. Zusätzlich müssen die Einsatzbedingungen der Rakete berücksichtigt werden. Diese Faktoren legen die Grenzen der Federparameter fest. Eine weitere wichtige Einschränkung ist der Sicherheitsfaktor. Dessen Definition wird von Shigley et al.²⁶ detailliert beschrieben. Der Sicherheitsfaktor einer Druckfeder (SFC) ist definiert als die maximal zulässige Spannung dividiert 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 bezeichnet die Kraft in der Gleichung und KB den Bergstrasser-Faktor aus²⁶.
Der Torsionssicherheitsfaktor einer Feder (SFT) ist definiert als M dividiert durch k. Der SFT kann mithilfe der 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/Drehung) und Ki für den Spannungskorrekturfaktor.
Das Hauptziel dieser Studie ist die Maximierung der Federenergie. Die Zielfunktion ist so formuliert, dass sie den Wert \(\overrightarrow{\{X\}}\) findet, der \(f(X)\) maximiert. \({f}_{1}(X)\) und \({f}_{2}(X)\) sind die Energiefunktionen der Druck- bzw. Drehfeder. Die berechneten Variablen und Funktionen, die zur Optimierung verwendet werden, sind in den folgenden Gleichungen dargestellt.
Die verschiedenen Randbedingungen für die Federkonstruktion sind in den folgenden Gleichungen angegeben. Gleichung (15) und (16) stellen die Sicherheitsfaktoren für Druck- bzw. Drehfedern dar. In dieser Studie muss SFC mindestens 1,2 und SFT mindestens θ26 betragen.
Der Bienen-Suchalgorithmus (BA) ist von den Pollensuchstrategien der Bienen inspiriert²⁷. Bienen suchen Pollen, indem sie mehr Sammlerinnen zu fruchtbaren und weniger zu weniger fruchtbaren Pollenfeldern entsenden. Dadurch wird die maximale Effizienz der Bienenpopulation erreicht. Gleichzeitig suchen Spurbienen kontinuierlich nach neuen Pollengebieten. Finden sie produktivere Gebiete als zuvor, werden viele Sammlerinnen dorthin geleitet²⁸. Der BA besteht aus zwei Teilen: der lokalen und der globalen Suche. Die lokale Suche konzentriert sich auf die Suche nach möglichst vielen Bienenvölkern in der Nähe des Minimums (Elite-Standorte) und weniger auf andere Standorte (optimale oder ausgewählte Standorte). Im globalen Suchteil wird eine zufällige Suche durchgeführt. Werden gute Ergebnisse gefunden, werden die Standorte in der nächsten Iteration in den lokalen Suchteil verschoben. Der Algorithmus verwendet folgende Parameter: die Anzahl der Spurbienen (n), die Anzahl der lokalen Suchstandorte (m), die Anzahl der Elite-Standorte (e), die Anzahl der Sammlerinnen in Elite-Standorten (nep) und die Anzahl der Sammlerinnen 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 \({g}_{2}(X)\). In jeder Iteration werden optimale Werte ermittelt und eine Population um diese Werte herum aufgebaut, um die besten Werte zu finden. Einschränkungen werden in der lokalen und globalen Suche überprüft. Bei einer lokalen Suche wird, sofern diese Faktoren erfüllt sind, der Energiewert berechnet. Ist der neue Energiewert größer als der optimale Wert, wird er dem optimalen Wert zugewiesen. Ist der beste gefundene Wert größer als der aktuelle Wert, wird das neue Element in die Sammlung aufgenommen. Das Blockdiagramm der lokalen Suche ist in Abbildung 4 dargestellt.
Die Populationsgröße ist einer der Schlüsselparameter in der biologischen Algorithmenfindung (BA). Frühere Studien haben gezeigt, dass eine Vergrößerung der Population die Anzahl der benötigten Iterationen reduziert und die Erfolgswahrscheinlichkeit erhöht. Allerdings steigt dadurch 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, solange sie nicht null beträgt. Die Größe der Spurbienenpopulation (n) wird üblicherweise zwischen 30 und 100 gewählt. In dieser Studie wurden Szenarien mit 30 und 50 Spurenbienen durchgeführt, um die optimale Anzahl zu ermitteln (Tabelle 2). Weitere Parameter werden populationsabhängig festgelegt. 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 für Eliteflächen auf 100 und für andere lokale Flächen auf 30 festgelegt. Die Nachbarschaftssuche ist das Grundprinzip aller evolutionären Algorithmen. In dieser Studie wurde die Tapering-Neighbors-Methode angewendet. Diese Methode reduziert die Größe der Nachbarschaft in jeder Iteration um einen bestimmten Faktor. In späteren Iterationen können kleinere Nachbarschaftswerte verwendet werden, um eine genauere Suche zu ermöglichen.
Für jedes Szenario wurden zehn aufeinanderfolgende Tests durchgeführt, um die Reproduzierbarkeit des Optimierungsalgorithmus zu überprüfen. Abbildung 5 zeigt die Ergebnisse der Optimierung der Torsionsfeder für Schema 1, Abbildung 6 für Schema 2. Die Testdaten sind auch in den Tabellen 3 und 4 aufgeführt (eine Tabelle mit den Ergebnissen für die Druckfeder befindet sich in den ergänzenden Informationen S1). Die Bienenpopulation intensiviert die Suche nach guten Werten in der ersten Iteration. In Szenario 1 lagen die Ergebnisse einiger Tests unter dem Maximalwert. In Szenario 2 ist zu erkennen, dass sich alle Optimierungsergebnisse aufgrund der erhöhten Populationsgröße und anderer relevanter Parameter dem Maximalwert annähern. Die Werte in Szenario 2 sind für den Algorithmus ausreichend.
Bei der Ermittlung des maximalen Energiewerts in Iterationen wird ein Sicherheitsfaktor als Randbedingung berücksichtigt. Die Tabelle enthält die Werte für den Sicherheitsfaktor. Die mit BA ermittelten Energiewerte werden in Tabelle 5 mit denen der 5-DOE-Methode verglichen. (Aus fertigungstechnischen Gründen beträgt die Windungszahl (N) der Torsionsfeder 4,9 statt 4,88 und die Auslenkung (xd) der Druckfeder 8 mm statt 7,99 mm.) BA liefert bessere Ergebnisse. BA wertet alle Werte durch lokale und globale Suchvorgänge aus und kann so schneller mehr Alternativen testen.
In dieser Studie wurde Adams zur Analyse der Bewegung des Flügelmechanismus verwendet. Adams erhält zunächst ein 3D-Modell des Mechanismus. Anschließend wird eine Feder mit den im vorherigen Abschnitt ausgewählten Parametern definiert. Für die eigentliche Analyse müssen zusätzlich weitere Parameter festgelegt werden. Dies sind physikalische Parameter wie Verbindungen, Materialeigenschaften, Kontakt, Reibung und Schwerkraft. Zwischen der Flügelachse und dem Lager befindet sich ein Drehgelenk. Es gibt 5–6 zylindrische Gelenke und 5–1 feste Gelenke. Der Hauptkörper besteht aus Aluminium und ist fest montiert. Die übrigen Teile sind aus Stahl gefertigt. Reibungskoeffizient, Kontaktsteifigkeit und Eindringtiefe der Reibungsfläche werden je nach Materialart (Edelstahl AISI 304) gewählt. Der kritische Parameter dieser Studie ist die Öffnungszeit des Flügelmechanismus, die unter 200 ms liegen muss. Daher muss die Flügelöffnungszeit während der Analyse überwacht werden.
Die Analyse von Adams ergab eine Öffnungszeit des Flügelmechanismus von 74 Millisekunden. Die Ergebnisse der dynamischen Simulationen (1 bis 4) sind in Abbildung 7 dargestellt. Abbildung 5 zeigt den Simulationsstart, die Flügel befinden sich in der Klappposition. Abbildung 2 zeigt die Flügelposition nach 40 ms, wenn sich der Flügel um 43 Grad gedreht hat. Abbildung 3 zeigt die Flügelposition nach 71 Millisekunden. Abbildung 4 zeigt das Ende der Flügeldrehung und die geöffnete Position. Die dynamische Analyse ergab, dass der Flügelöffnungsmechanismus deutlich kürzer ist als der Zielwert von 200 ms. Bei der Dimensionierung der Federn wurden die in der Literatur empfohlenen Höchstwerte für die Sicherheitsvorkehrungen gewählt.
Nach Abschluss aller Konstruktions-, Optimierungs- und Simulationsstudien wurde ein Prototyp des Mechanismus gefertigt und integriert. Anschließend wurde der Prototyp getestet, um die Simulationsergebnisse zu verifizieren. Zunächst wurde die Hauptschale befestigt und die Flügel eingeklappt. Danach wurden die Flügel aus der eingeklappten Position freigegeben und die Rotation der Flügel von der eingeklappten in die ausgeklappte Position per Video aufgezeichnet. Die Zeit während der Videoaufzeichnung wurde mithilfe eines Timers analysiert.
Abbildung 8 zeigt die Videobilder 1–4. Bild 1 zeigt den Moment des Ausklappens der Flügel. Dieser Moment wird als Anfangszeitpunkt t0 definiert. Die Bilder 2 und 3 zeigen die Flügelpositionen 40 ms bzw. 70 ms nach diesem Zeitpunkt. Die Analyse der Bilder 3 und 4 zeigt, dass sich die Flügelbewegung 90 ms nach t0 stabilisiert und die Flügelöffnung zwischen 70 und 90 ms abgeschlossen ist. Dies bedeutet, dass Simulation und Prototypentest annähernd die gleiche Flügelentfaltungszeit ergeben und die Konstruktion die Leistungsanforderungen des Mechanismus erfüllt.
In diesem Artikel werden die im Flügelfaltmechanismus verwendeten Torsions- und Druckfedern mithilfe von BA optimiert. Die Parameter lassen sich mit wenigen Iterationen schnell erreichen. Die Torsionsfeder hat eine Nennleistung von 1075 mJ, die Druckfeder von 37,24 mJ. Diese Werte sind 40–50 % besser als in früheren DOE-Studien. Die Feder wurde in den Mechanismus integriert und im 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 die Einschaltzeit mit etwa 90 ms gemessen. Diese Differenz von 16 Millisekunden zwischen den Analysen könnte auf Umgebungsfaktoren zurückzuführen sein, die in der Software nicht berücksichtigt wurden. Es wird angenommen, dass der im Rahmen dieser Studie entwickelte 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 die BA-Methode in zukünftigen Forschungsarbeiten angewendet, um mithilfe unterschiedlicher Materialien weitere Federtypen zu entwickeln und so ein optimales Federdesign zu erzielen.
Wir erklären, dass dieses Manuskript ein Originalwerk ist, bisher nicht veröffentlicht wurde und derzeit auch nicht anderweitig zur Veröffentlichung eingereicht ist.
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 Tragflügelkonzepts durch radikale geometrische Veränderungen. IES J. Part A Civilization. composition. project. 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. Behavior. Biomedical Science. 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 Faltmechanismus für den horizontalen Stabilisator eines Hubschraubers. Internal Journal of Engineering Technology (IGERT) 9(05), 110–113 (2020).
Kulunk, Z. und Sahin, M. Optimierung der mechanischen Parameter eines faltbaren Raketenflügeldesigns mittels eines experimentellen Versuchsplanungsansatzes. Internal Journal of Model Optimization, 9(2), 108–112 (2019).
Ke, J., Wu, ZY, Liu, YS, Xiang, Z. & Hu, XD Design Method, Performance Study, and Manufacturing Process of Composite Coil Springs: A Review. compose. composition. 252, 112747 (2020).
Taktak M., Omheni K., Alui A., Dammak F. und Khaddar M. Dynamische Designoptimierung von Schraubenfedern. Apply for sound. 77, 178–183 (2014).
Paredes, M., Sartor, M. und Mascle, K. Ein Verfahren zur Optimierung der Konstruktion von Zugfedern. Eine Computeranwendung der Methode. Fur. Project. 191(8-10), 783-797 (2001).
Zebdi O., Bouhili R. und Trochu F. Optimale Auslegung von Verbundschraubenfedern mittels multikriterieller Optimierung. J. Reinf. plastic. compose. 28 (14), 1713–1732 (2009).
Pawart, HB und Desale, DD Optimierung der Schraubenfedern der Vorderradaufhängung von Dreirädern. Prozess. Hersteller. 20, 428–433 (2018).
Bahshesh M. und Bahshesh M. Optimierung von Stahlschraubenfedern mit Verbundfedern. Internal Journal of Multidisciplinary Science Project. 3(6), 47–51 (2012).
Chen, L. et al. Erfahren Sie mehr über die zahlreichen Parameter, die das statische und dynamische Verhalten von Verbundschraubenfedern beeinflussen. J. Market. storage tank. 20, 532–550 (2022).
Frank, J. Analyse und Optimierung von Verbundschraubenfedern, Dissertation, Sacramento State University (2020).
Gu, Z., Hou, X. und Ye, J. Methoden zur Auslegung und Analyse nichtlinearer Schraubenfedern mittels einer Kombination aus Finite-Elemente-Analyse, Latin-Hypercube-Limited-Sampling und genetischer Programmierung. Projekt des Fur Institute. CJ Mecha. Projekt. The Science. 235(22), 5917–5930 (2021).
Wu, L., et al. Einstellbare mehrsträngige Schraubenfedern aus Kohlefaser: Eine Design- und Mechanismusstudie. J. Market. storage tank. 9(3), 5067–5076 (2020).
Patil DS, Mangrulkar KS und Jagtap ST Gewichtsoptimierung von Druckschraubenfedern. Internal Journal of Innovative Storage Tanks. Multidisciplinary. 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. Defining Best Practice – Optimal Design of Composite Helical Structures Using Genetic Algorithms. compose. composition. 268, 113982 (2021).
Shahin, I., Dorterler, M. und Gokche, H. Verwendung der 灰狼-Optimierungsmethode basierend auf der Optimierung des minimalen Volumens der Druckfederkonstruktion, Ghazi J. Engineering Science, 3(2), 21–27 (2017).
Aye, KM, Foldy, N., Yildiz, AR, Burirat, S. und Sait, SM Metaheuristiken mit mehreren Agenten zur Optimierung von Unfällen. Internal J. Veh. Dez. 80(2–4), 223–240 (2019).
Yildyz, AR und Erdash, MU Neuer hybrider Taguchi-Salpa-Gruppenoptimierungsalgorithmus für die zuverlässige Lösung realer Ingenieurprobleme. alma mater. test. 63(2), 157–162 (2021).
Yildiz BS, Foldi N., Burerat S., Yildiz AR und Sait SM Zuverlässige Konstruktion von Roboter-Greifmechanismen unter Verwendung eines neuen hybriden Grashüpfer-Optimierungsalgorithmus. expert. system. 38(3), e12666 (2021).