1 Optimisation de la macro et microgéométries des dentures pour minimiser les fluctuations de l’erreur de transmission et de la raideur d'engrènement Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
20
Embed
Optimisation de la macro et microgéométries des … · • Une dépouille linéaire en tête, 2 paramètres: - la dépouille ... testés, plusieurs jours de calcul. 14 4- Représentation
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
1
Optimisation de la macro et microgéométries des
dentures pour minimiser les fluctuations de l’erreur
de transmission et de la raideur d'engrènement
Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
2
Introduction / Contexte industriel
Sources du bruit solidien:
• Fluctuation de couple moteur et fluctuation de couple fluidique sur les lobas
• Excitations liées à la transmission par engrenage
« Optimisation des caractéristiques géométriques de l’engrenage de façon à minimiser les
excitations qui sont générées, en prenant en compte leur robustesse à la présence de défauts »
-> Optimisation multi-objectifs et multi-paramètres par algorithme génétique
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
Dispersion dans les tolérances de fabrication des engrenages: quelques microns -> écarts de plusieurs dB
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016 3
Plan
1. Caractérisation des excitations générées par les engrenages
2. Objectifs et paramètres de l’optimisation
3. Modèle analytique de flexion de dentures
4. Algorithme d’optimisation
5. Résultats
4
1- Caractérisation des excitations générés par la
transmission par engrenage
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
5
1- Caractérisation des excitations générées par l’engrenage: EST
𝐻.𝑃 = . 1 − 𝑒
𝑡1.𝑃 = 𝐹
Erreur Statique de Transmission (EST) périodique δ(t)
𝐻.𝑃 + . 1 ≤ 𝑒
𝑃𝑖 ≥ 0
• Écarts de micro-géométrie (défauts ou corrections)
• Déformations élastiques de la denture
0
5
10
15
20
25
EST (µm)
Te
1500 N
2Te0 f1, f2 fe 2fe
Excentricités,erreurs de division
Déformations des dentures,défaults de profil et de distorsion
erreurs de parallélisme
Erreurs dent à dent aléatoires
avec les contraintes
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
EST(): erreur statique de transmission
k(): raideur d’engrènement
EST non-linéaire par rapport à la charge
6
𝑘() = 𝐹
()
Raideur périodique d’engrènement:
Système paramétrique
-> couplage avec les excitations extérieures à l’engrènement
-> enrichissement spectral
1- Caractérisation des excitations générées par l’engrenage: raideur d’engrènement
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
EST(): erreur statique de transmission
k(): raideur d’engrènement
7
2- Objectifs et paramètres de l’optimisation
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
8
2- Objectifs de l’optimisation
Pour chaque engrenage, simulation de
Monte-Carlo pour modéliser les défauts (dans
la classe de qualité définie) et étude de la
densité de probabilité (1000 tirages aléatoires)
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
Objectifs de l’optimisation:
• Minimiser la valeur efficace de la fluctuation de raideur (moyenne sur les tirages)
• Minimiser la valeur efficace de la fluctuation d’EST (moyenne sur les tirages)
Défauts:
• Profil (linéaire et parabolique)
• Hélice (linéaire et parabolique)
• Parallélisme
9
2- Paramètres de l’optimisation
Paramètres macrogéométriques:
• Outil : couple module m / angle de pression α
• Angle d’hélice β
• Nombre de dents Z
• Hauteur de saillie ha
Paramètres microgéométriques
• Bombé d’hélice
• Une dépouille linéaire en tête, 2 paramètres:
- la dépouille
- profondeur de dépouille)
Chaque solution testée et proposée par l’algorithme:
• est une combinaison d’une macro et microgéométries
• ses objectifs sont une moyenne, sur une simulation de Monte-Carlo, des fluctuations de
raideur et d’erreur de transmission
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
Contraintes:
• Entraxe imposé
• Engrenage inverseur: Z1=Z2
• Jeu fonctionnel imposé (fixe le déport)
• Continuité du mouvement, pas d’interférences
Bombé d’hélice Dépouille en tête
10
3- Modèle analytique associé de flexion de dent
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
11
3- Modèle analytique associé de flexion de dent
𝐻.𝑃 = . 1 − 𝑒
𝑡1.𝑃 = 𝐹 Système à résoudre: avec H la matrice de souplesse des dents en prise
dans l’engrènement (différente pour chaque engrenage)
Modèle analytique de flexion de dent pour reconstruire la
matrice de souplesse H:
• Modèle de plaque épaisse de Reissner-Mindlin
(flexion, torsion et cisaillement) dont l’épaisseur
variable correspond à celle de la dent
• Modèle de Ritz cinématiquement admissible pour
approximer la flèche w(x,y) et les rotations de
section x(x,y) et y(x,y)
Modèle efficace (~1s~) par rapport aux méthodes existantes (éléments-finis, ~plusieurs dizaines de minutes~)
Gain de temps important (facteur 1000)
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
12
4- Algorithme génétique d’optimisation
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
13
4- Algorithme génétique d’optimisation
• Fonction « objectifs » d’ordre 0
• Problème multi-objectifs, compromis
• Nombre de paramètres élevé
Algorithmes de type
génétique: NSGA-II
Principe:
• « Un individu » = un engrenage (combinaison d’une macro et d’une microgéométries)
• « Une population » = ensemble de plusieurs engrenages
• « Evaluation d’un individu » = construction de la matrice de souplesse d’un engrenage et simulation
de Monte-Carlo avec des défauts
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
• Populations de 100 engrenages
• 200 générationsPlusieurs milliers d’engrenages
testés, plusieurs jours de calcul
14
4- Représentation sous forme de front de Pareto
Représentation des résultats sous forme de front de Pareto: chaque point est un
engrenage, compromis vis-à-vis des 2 objectifs de fluctuation d’EST et de raideur
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
15
5- Résultats de l’optimisation
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
16
5- Résultats de l’optimisation: pour un outil m=2
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
17
5- Résultats de l’optimisation: pour un outil m=2
0.000
0.500
1.000
1.500
2.000
2.500
3.000
0.000 0.025 0.050 0.075 0.100 0.125 0.150 0.175
Val
eur
effi
cace
de
la f
luct
uat
ion
d’E
ST (
en µ
m)
Valeur efficace de la fluctuation de raideur (en %)
JTM 2016 • Pierre Garambois, Emmanuel Rigaud, Joël Perret-Liaudet • Juillet 2016
Données Macro-géométriques Données micro-géométriques Objectifs (moyenne sur 1000 tirages)