Многокритериальная оптимизация активных гибридных подшипников скольжения посредством эвристических алгоритмов

Цель исследования. Проектирование подшипников скольжения, особенно для сложнонагруженных роторных машин, является трудоемкой задачей. Внедрение в них систем управления параметрами движения ротора дополнительно повышает сложность такой процедуры. Исследование показывает разработанный подход к оптимальному проектированию активных опор роторов с использованием эвристических оптимизационных алгоритмов. Он позволяет получить сначала множество оптимальных по Парето решений, а затем определить единственную конфигурацию опорного узла, в наилучшей степени отвечающей заданным критериям.

Методы. Задача оптимального параметрического синтеза активной опоры жидкостного трения решалась с использованием ее численной модели, сопряженной с моделью движения ротора в опоре. Для поставленной задачи проектирования были сформулированы целевые функции, определены проектные переменные, и наложены необходимые ограничения. С использованием многокритериальных версий генетического алгоритма и алгоритма роя частиц проведены процедуры оптимального синтеза опорных узлов. Полученные различными методами решения сопоставлены и проанализированы на основании результатов модельных тестов.

Результаты. В ходе исследования был разработан алгоритмический и программный инструментарий решения задач оптимального параметрического синтеза активных гибридных опор жидкостного трения. Примененные целевые функции являются конфликтующими, поэтому первичным результатом решения является трехмерный фронт Парето. Протестированные эвристические алгоритмы показали качественно схожие решения, однако генетический алгоритм охватывает больший их диапазон. Конечные решения в целом удовлетворяют предъявляемым критериям, однако способы принятия конечных решений требуют дополнительной проработки.

Заключение. Исследование представляет подход к автоматизированному проектированию опор скольжения, который позволяет одновременно учитывать трибологические, динамические аспекты поведения роторноопорной системы, а также обеспечивать готовность к использованию систем управления в опорных узлах. Протестированные эвристические алгоритмы дают сопоставимые решения оптимизационной задачи за также сопоставимое время. Дальнейшее совершенствование методики параметрического синтеза таких опор целесообразно проводить в направлениях алгоритмов принятия решений, уточнения целевых функций, а также ускорения применяемых расчетных моделей.

1. Dekker M., Inc.: Handbook of turbomachinery. New York. 1995.

2. Чернавский С. А. Подшипники скольжения. М.: МАШГИЗ, 1963.

3. Hummel Ch.: Kritische Drehzahlen als Folge der Nachgiebigkeit des Schmiermittels im Lager. Forschungsarbeiten VDI. 1926.

4. Yamamoto T., Ishida Y.: Linear and nonlinear rotordynamics. A modern treatment with applications. John Willey&Sons. New York, 2001.

5. Chen W. J., Gunter E. J.: Introduction to Dynamics of rotor-bearing systems. TRAFFORD PUB. 2005.

6. Defect-free optimal synthesis of crank-rocker linkage using nature-inspired optimization algorithms / R. Singh, C. Singh, H. Amit, S. Amit // Mechanism and Machine Theory. 2017. № 116. P. 105-122.

7. Panda S., Nanda N., Mishra D. Comparative study on optimum design of rolling element bearing // Tribology International. 2015. № 92. P. 595-604.

8. The applications of POD method in dual rotor-bearing systems with coupling misalignment / K. Lu, Yu. Jin, P. Huang, F. Zhang, H. Zhang, Ch. Fu, Yu. Chen // Mechanical Systems and Signal Processing. 2021. №150. P. 107236.

9. Onunka C., Gobler H., Bright G. A stability optimization model for shaft rotorbearing systems // African Journal of Science, Technology, Innovation and Development. 2016. № 8. P. 1-12.

10. Review for order reduction based on proper orthogonal decomposition and outlooks of applications in mechanical systems / K. Lu, Yu. Jin, Yu. Chen, Y. Yang, L. Hou, Z. Zhang, Z. Li, Ch. Fu // Mechanical Systems and Signal Processing. 2019. № 123. P. 264-297.

11. Active Hybrid Journal Bearings with Lubrication Control: Towards Machine Learning / S. Li, A. Babin, D. Shutin, Yu. Kazakov, Y. Liu, Z. Chen, L Savin // Tribology International. 2022. №175. P. 107805.

12. Saruhan H. Optimum design of rotor-bearing system stability performance comparing an evolutionary algorithm versus a conventional method // International Journal of Mechanical Sciences. 2006. № 48. P. 1341-1351.

13. Zhang J., Talke F. E. Optimization of slider air bearing contours using the combined

14. genetic algorithm-subregion approach // Tribology International - TRIBOL INT. 2005. № 38. P. 566-573.

15. Güllüce H., Özdemir K. Design and operational condition optimization of a rotary regenerative heat exchanger // Applied Thermal Engineering. 2020. № 177. P. 115341.

16. Fast surrogate-assisted particle swarm optimization algorithm for computationally expensive problems / F. Li, W. Shen, X. Cai, L. Gao, G. A Wang // Applied Soft Computing. 2020. № 92. P. 106303.

17. Rodrigues D., Albuquerque V., Papa J. A Multi-Objective Artificial Butterfly Optimization Approach for Feature Selection // Applied Soft Computing. 2020. № 94.

18. Wen X. Modeling and performance evaluation of wind turbine based on ant colony optimization-extreme learning machine // Applied Soft Computing. 2020. № 94. P. 106476.

19. Performance comparison of heuristic algorithms for optimization of hybrid off-grid renewable energy systems / M. Javed, T. Ma, J. Jurasz, S. Ahmed, J. Mikulik // Energy. 2020. № 210. P. 118599.

20. Jensen K., Santos I. Design of actively-controlled oil lubrication to reduce rotorbearing-foundation coupled vibrations - theory & experiment // Proceedings of the Institution of Mechanical Engineers, Part J: Journal of Engineering Tribology. 2022. № 236.

21. Encyclopedia of Tribology // Encycl. Tribol. 2013.

22. Peculiarities of reactions control for rotor positioning in an active journal hybrid bearing / L. Savin, R. Polyakov, D. Shutin, A. Babin // International Journal of Mechanics. 2016. № 10. P. 62-67.

23. Dmochowski W. M., Dadouche A., Fillon M. Finite Difference Method for FluidFilm Bearings // Encyclopedia of Tribology. 2013. P. 1137–1143.

24. San Andres, L. Notes 14. Experimental identification of bearing force coefficients. 2009.URL: https://oaktrust.library.tamu.edu/handle/1969.1/93254 (accessed 09.01.2022).

25. Shutin D., Polyakov R. Adaptive nonlinear controller of rotor position in active hybrid bearings. 2016. P. 1-6.

26. Mattox D., Wang Q., Chung Y.: Encyclopedia of Tribology // Encycl. Tribol. 2013. P. 2717-2726.

27. Айзерман М. А., Алескеров Ф. Т. Выбор вариантов. Основы теории. М.: Наука, 1990.

28. Bellman R. E., Zadeh L. A. Decision making in a fuzzy environment // Management Science. 1970. №. 4. P. 141–164.

29. Hwang C. L., Yoon K. Multiple Attribute Decision Making: Methods and Applications // BerlinHeidelberg New York, Springer-Verlag. 1981.

30. Rubiano J., Nucamendi S., Cordero F., Cordero A., Rodríguez M., Alejandro an improved LINMAP for multicriteria decision: designing customized incentive portfolios in an organization // Operational Research. 2022. № 22.