Метод оптимизации массы пластиковых деталей редуктора, изготавливаемых с помощью 3D-печати, на основе генетического алгоритма
Аннотация
Приводится разработка функции пригодности для генетического алгоритма, направленной на минимизацию массы компонентов редуктора, изготавливаемых из полилактида методом FDM-печати. Для шестерен, оптимизируемых с помощью генетических алгоритмов, лучшие результаты могут быть получены в пространстве решений, которое формируется ограничениями на контактную прочность, выносливость при изгибе, статическую прочность вала и усталостную прочность. Показано, что эволюционная оптимизация конструкции пластиковых деталей, изготавливаемых методом FDM-печати, позволила уменьшить их массу без снижения прочности и функциональности. Предложен метод вычисления массы компонентов редуктора, превосходящий существующие методы по точности расчетов. Полученные результаты предполагается использовать при проектировании и прототипировании узлов робототехнических аппаратов, требовательных к массе деталей. Компьютерное моделирование выполнено в среде Matlab.
Литература
- Zebulum RS, Pacheco MAC, Vellasco MMBR. Evolutionary electronics: automatic design of electronic circuits and systems by genetic algorithms. Boca Raton: CRC Press; 2001. 307 p. (Jain LC, editor. International series on computational intelligence).
- Stanley KO, Clune J, Lehman J, Miikkulainen R. Designing neural networks through neuroevolution. Nature Machine Intelligence. 2019;1(1):24–35. DOI: 10.1038/s42256-018-0006-z.
- Iba H, Noman N, editors. Deep neural evolution: deep learning with evolutionary computation. Singapore: Springer; 2020. XII, 438 p. (Bäck T, Kari L, editors. Natural computing series).
- Galván E, Mooney P. Neuroevolution in deep neural networks: current trends and future challenges. IEEE Transactions on Artificial Intelligence. 2021;2(6):476–493. DOI: 10.1109/TAI.2021.3067574.
- Sychou U. A single-node classifier implementation on Chua oscillator within a physical reservoir computing framework. International Journal of Bifurcation and Chaos. 2021;31(11):2150161. DOI: 10.1142/S0218127421501613.
- Sychou UA, Krot AM, Prakapovich RA. The development of a signal classification method based on Chua’s oscillator within the reservoir computing framework. Journal of the Belarusian State University. Mathematics and Informatics. 2023;1:88–101. Russian. EDN: MNYDFF.
- Nakajima K, Fischer I, editors. Reservoir computing: theory, physical implementations, and applications. Singapore: Springer; 2021. XIX, 458 p. (Bäck T, Kari L, editors. Natural computing series).
- Haldane DW, Plecnik MM, Yim JK, Fearing RS. Robotic vertical jumping agility via series-elastic power modulation. Science Robotics. 2016;1(1):2048. DOI: 10.1126/scirobotics.aag2048.
- Singh S, Prakash C, Ramakrishna S. Additive manufacturing: foundation knowledge for the beginners. New Jersey: World Scientific; 2020. XX, 156 p.
- Yokota T, Taguchi T, Gen M. A solution method for optimal weight design problem of the gear using genetic algorithms. Computers & Industrial Engineering. 1998;35(3–4):523–526. DOI: 10.1016/S0360-8352(98)00149-1.
- Savsani V, Rao RV, Vakharia DP. Optimal weight design of a gear train using particle swarm optimization and simulated annealing algorithms. Mechanism and Machine Theory. 2010;45(3):531–541. DOI: 10.1016/j.mechmachtheory.2009.10.010.
- Gologlu C, Zeyveli M. A genetic approach to automate preliminary design of gear drives. Computers & Industrial Engineering. 2009;57(3):1043–1051. DOI: 10.1016/j.cie.2009.04.006.
- Rezvani Ghomi E, Khosravi F, Saedi Ardahaei A, Dai Y, Neisiany RE, Foroughi F, et al. The life cycle assessment for polylactic acid (PLA) to make it a low-carbon material. Polymers. 2021;13(11):1854. DOI: 10.3390/polym13111854.
- Kim TYu, Prakapovich RA. Optimization of the PID coefficients for the line-follower mobile robot controller employing genetic algorithm. Informatics. 2021;18(4):53–68. Russian. DOI: 10.37661/1816-0301-2021-18-4-53-68.
Copyright (c) 2024 Журнал Белорусского государственного университета. Математика. Информатика

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Авторы, публикующиеся в данном журнале, соглашаются со следующим:
- Авторы сохраняют за собой авторские права на работу и предоставляют журналу право первой публикации работы на условиях лицензии Creative Commons Attribution-NonCommercial. 4.0 International (CC BY-NC 4.0).
- Авторы сохраняют право заключать отдельные контрактные договоренности, касающиеся неэксклюзивного распространения версии работы в опубликованном здесь виде (например, размещение ее в институтском хранилище, публикацию в книге) со ссылкой на ее оригинальную публикацию в этом журнале.
- Авторы имеют право размещать их работу в интернете (например, в институтском хранилище или на персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу. (См. The Effect of Open Access).