本發(fā)明涉及的是一種轎車車身側(cè)圍結(jié)構(gòu)設(shè)計領(lǐng)域的技術(shù)，具體是一種基于改進粒子群優(yōu)化的車身側(cè)圍結(jié)構(gòu)多工況協(xié)同優(yōu)化實現(xiàn)方法。

背景技術(shù)：

隨著時代的進步，科學(xué)技術(shù)的發(fā)展，人們對汽車工業(yè)的要求也越來越高，如縮短生產(chǎn)周期、擴大車輛使用范圍等，給汽車行業(yè)的發(fā)展帶來了很大的壓力。由于現(xiàn)代汽車包含更多的功能和使用特性，車輛設(shè)計過程變得越來越復(fù)雜，需要研究的工況數(shù)目大大增加：除了傳統(tǒng)的行駛動態(tài)性能、結(jié)構(gòu)穩(wěn)定性、防撞性能等工況之外，一些額外的工況如車身聲學(xué)分析、電子兼容性等也納入到了車輛開發(fā)中來。

車身側(cè)面結(jié)構(gòu)簡單，在碰撞過程中，其結(jié)構(gòu)的變化將直接影響到乘員艙內(nèi)駕乘人員的生命安全，因此側(cè)面碰撞工況是其設(shè)計時需要重點考慮的一個工況。同時側(cè)圍結(jié)構(gòu)對整車的剛度模態(tài)變化影響較大，因此也需要在設(shè)計時進行重點考核，所以在車身側(cè)圍結(jié)構(gòu)設(shè)計時需要同時考慮碰撞工況和車身剛度模態(tài)工況，是一個典型的多工況優(yōu)化設(shè)計問題。

在其設(shè)計過程中，設(shè)計變量多、非線性程度強、工況間耦合關(guān)系復(fù)雜，常用的多工況優(yōu)化策略以及優(yōu)化算法無法有效尋得可行的優(yōu)化解。因此需要考慮運用多工況綜合優(yōu)化設(shè)計的方法，將所有車身相關(guān)性能要求納入一個整體的系統(tǒng)中，進而優(yōu)化求解得到令人滿意的結(jié)構(gòu)設(shè)計結(jié)果。

多工況系統(tǒng)耦合結(jié)構(gòu)與優(yōu)化算法運用是多工況優(yōu)化設(shè)計中兩個非常關(guān)鍵的問題。

多工況系統(tǒng)耦合結(jié)構(gòu)搭建決定主系統(tǒng)與子系統(tǒng)、以及各子系統(tǒng)之間的數(shù)據(jù)傳遞與耦合關(guān)系，對計算復(fù)雜度、尋優(yōu)時間以及優(yōu)化精度有著重大的影響。因此需要面向車身結(jié)構(gòu)設(shè)計開發(fā)與之相適應(yīng)的多工況系統(tǒng)結(jié)構(gòu)，以期獲得較好的優(yōu)化效果。

多工況優(yōu)化算法的運用很大程度上決定了尋優(yōu)運算的效率和優(yōu)化結(jié)果精度。在多工況優(yōu)化設(shè)計中，每個工況都有自己的優(yōu)化特點，為了更有效地進行尋優(yōu)求解，需要考慮工況的優(yōu)化特點，開發(fā)與各工況相適應(yīng)的算法進行尋優(yōu)求解。

多工況優(yōu)化設(shè)計在汽車中的應(yīng)用靈活，多結(jié)合近似建模方法，變量篩選方法、靈敏度分析方法等降低問題復(fù)雜程度。一體式優(yōu)化方法運用較多，因其避免了工況間共享變量的處理問題，但是子工況自主性較差，無法針對各子系統(tǒng)工況特點進行相應(yīng)的優(yōu)化處理，基于兩步式的多工況優(yōu)化方法如協(xié)同優(yōu)化算法有待研究。此外，優(yōu)化算法選擇單一，雖有提及優(yōu)化算法求解問題，但是并未針對單獨子系統(tǒng)工況進行考慮工況特點的優(yōu)化運算。

技術(shù)實現(xiàn)要素：

本發(fā)明針對現(xiàn)有技術(shù)無法實現(xiàn)對轎車車身進行多工況協(xié)同優(yōu)化等缺陷，提出一種基于改進粒子群優(yōu)化的車身側(cè)圍結(jié)構(gòu)多工況協(xié)同優(yōu)化實現(xiàn)方法，能夠在保證轎車結(jié)構(gòu)強度的同時顯著降低重量。

本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：

本發(fā)明包括以下步驟：

1)針對待處理優(yōu)化的轎車的車身側(cè)圍結(jié)構(gòu)，建立用于側(cè)面碰撞指標的整車側(cè)面有限元模型和用于剛度模態(tài)指標的白車身有限元模型，并對應(yīng)進行側(cè)面碰撞工況分析和剛度模態(tài)工況分析，并選取設(shè)計變量；

2)根據(jù)不同工況仿真分析的對應(yīng)設(shè)計變量的個數(shù)進行采樣，建立與之相對應(yīng)的Kriging近似模型，并驗證模型精度；

所述的采樣通過最優(yōu)拉丁超立方采樣方法完成。

所述的Kriging近似模型運用隨機過程預(yù)測未知點的函數(shù)值，樣本點通過高斯隨機函數(shù)插值估計隨機過程的趨勢。Kriging模型可由方程表示為：Y(x)＝G(x)+Z(x)，G(x)是x的函數(shù)，Z(x)是一個均值為0，方差為σ²的隨機過程。

所述的精度驗證通過確定性系數(shù)R²判斷。若R²>0.9，則滿足精度要求。

所述的確定性系數(shù)為：其中n為檢驗的樣本點數(shù)，為樣本點Kriging近似模型預(yù)測值，y_i為樣本點的有限元計算值，為所有樣本點仿真結(jié)果的平均值。

3)運用加強協(xié)同優(yōu)化算法進行側(cè)面碰撞工況和剛度模態(tài)工況間耦合關(guān)系的構(gòu)建，即對系統(tǒng)級優(yōu)化和子系統(tǒng)級優(yōu)化結(jié)構(gòu)進行了相應(yīng)的修改，將各子系統(tǒng)間的約束模型進行相互共享。在一個子系統(tǒng)優(yōu)化過程中，考慮到其余子系統(tǒng)對該子系統(tǒng)的影響，避免子系統(tǒng)級優(yōu)化時為了尋找合適的共享變量造成的求解困難。

所述的系統(tǒng)級優(yōu)化是指：其中：z是同時考慮側(cè)面碰撞工況和剛度模態(tài)工況的車身側(cè)圍結(jié)構(gòu)優(yōu)化系統(tǒng)賦予共享變量的目標值，x^*代表子系統(tǒng)優(yōu)化過程中尋得的與系統(tǒng)級優(yōu)化目標最接近的問題解。

所述的子系統(tǒng)級優(yōu)化是指：不同側(cè)面碰撞工況和剛度模態(tài)工況下的具體優(yōu)化，即：

其中：x為子系統(tǒng)獨立的共享變量，x_L為局部變量，x_s＝[x,y]為共享變量(與多個子系統(tǒng)相關(guān)的)，y為耦合變量，s為松弛系數(shù)，保證子系統(tǒng)問題求解的可行性，z為參數(shù)，由系統(tǒng)級優(yōu)化提供，作為子系統(tǒng)目標，λ_C為兼容性懲罰系數(shù)，λ_F為可行性懲罰系數(shù)，是問題目標的二次方程組模型。

所述的子系統(tǒng)間的約束模型是指：g⁽ⁱ⁾是子系統(tǒng)i的局部約束，是子系統(tǒng)j的線性約束模型。

4)針對側(cè)面碰撞工況和剛度模態(tài)工況，分別運用靈敏度分析和數(shù)據(jù)挖掘的方式，獲得各自對應(yīng)的主要設(shè)計變量和優(yōu)化目標區(qū)域；

所述的靈敏度分析，采用Sobol靈敏度分析方法，是一種基于方差的蒙特卡羅方法。

所述的數(shù)據(jù)挖掘，運用分類與回歸樹(CART)數(shù)據(jù)挖掘技術(shù)針對可行的優(yōu)化區(qū)域進行辨識。

5)通過合理布置粒子群優(yōu)化算法初始粒子種群，針對不同的工況，運用對應(yīng)的改進粒子群優(yōu)化策略，進行基于粒子群優(yōu)化算法的尋優(yōu)求解，最終得到車身側(cè)圍優(yōu)化結(jié)構(gòu)。

所述的改進粒子群算法，以粒子群算法為基礎(chǔ)，根據(jù)和更新位置和速度，其中：c₁和c₂為學(xué)習因子或加速常數(shù)；rand()為介于(0,1)之間的隨機數(shù)；和分別為粒子i在第k次迭代中第d維的速度和位置；是粒子i在第d維的個體極值位置；是群體在第d維的全局極值的位置。

所述的改進粒子群算法通過非靜態(tài)懲罰函數(shù)法來處理約束優(yōu)化問題。

所述的懲罰函數(shù)F(x)＝f(x)+h(k)H(x),x∈S，其中f(x)為約束優(yōu)化問題的初始目標函數(shù)；h(k)為懲罰修正值，k為當前的代數(shù)，H(x)為懲罰因子。

本發(fā)明涉及一種實現(xiàn)上述方法的系統(tǒng)，包括：有限元模型建立單元、工況分析與近似建模單元、協(xié)同優(yōu)化單元以及粒子群優(yōu)化單元，其中：有限元模型建立單元與工況分析相連將建立好的有限元模型進行工況載荷施加，工況分析后提取工況的響應(yīng)數(shù)據(jù)建立每個工況的近似模型；工況分析與近似建模單元與協(xié)同優(yōu)化單元相連，根據(jù)協(xié)同優(yōu)化方法構(gòu)建每個工況所對應(yīng)的優(yōu)化問題；協(xié)同優(yōu)化單元與粒子群優(yōu)化單元相連，并將優(yōu)化目標和約束信息傳遞到粒子群優(yōu)化單元，完成算法的優(yōu)化運算，最后輸出優(yōu)化結(jié)果。

技術(shù)效果

與現(xiàn)有技術(shù)相比，本發(fā)明針對車身多工況協(xié)同優(yōu)化設(shè)計問題，基于靈敏度分析進行數(shù)據(jù)挖掘，辨識問題的優(yōu)化區(qū)域，形成考慮優(yōu)化問題特點的粒子群算法流程，結(jié)合加強協(xié)同優(yōu)化理論，形成基于改進粒子群算法的轎車車身側(cè)圍結(jié)構(gòu)多工況協(xié)同優(yōu)化設(shè)計體系。有效地解決了轎車車身側(cè)圍結(jié)構(gòu)設(shè)計過程中，因設(shè)計變量多、非線性程度強、工況間耦合關(guān)系復(fù)雜造成的常用的多工況優(yōu)化策略以及優(yōu)化算法無法有效尋得可行的優(yōu)化解的問題。

附圖說明

圖1為本發(fā)明流程示意圖；

圖2為側(cè)面碰撞仿真模型；

圖3為車白車身骨架有限元模型；

圖4為側(cè)面碰撞工況數(shù)據(jù)挖掘示意圖；

圖5為車身剛度模態(tài)工況數(shù)據(jù)挖掘示意圖。

具體實施方式

如圖1所示，本實施例的具體步驟包括：

步驟1、采用Hypermesh為前處理軟件平臺，以LS-DYNA和ABAQUS為求解器，對待優(yōu)化結(jié)構(gòu)的轎車的整車和白車身骨架進行有限元建模，并針對整車模型進行側(cè)面碰撞工況仿真分析，針對白車身模型進行剛度工況仿真分析，分別得到轎車的整車側(cè)面碰撞分析仿真模型和白車身的剛度分析仿真模型(如圖2、圖3所示)。

所述的整車模型為用于仿真分析的模型，包含詳細的白車身、底盤以及動力總成有限元模型，單元平均尺寸為10mm，殼單元總數(shù)為1,005,019個、實體單元總數(shù)為22,575個、梁單元7,718個。

所述的白車身模型為用于仿真分析的模型，共有275個零件，單元總數(shù)共為351,722個，其中具有三角形單元15,851個，占單元總數(shù)比例4.51％，模型精度可靠。

所述的仿真分析是指，根據(jù)《汽車側(cè)面碰撞的乘員保護》(GB20071-2006)的法規(guī)要求，質(zhì)量為950kg的移動壁障車以50km/h的速度呈900沖擊轎車駕駛員側(cè)，移動壁障車中心線通過駕駛員座椅R點的位置，選取碰撞工況的性能指標和設(shè)計變量，仿真時間為80ms。

所述的性能指標為：假人下肋骨最大變形量、B柱最大變形速度、車門最大變形速度、假人腹部作用力、假人盆骨作用力。

所述的設(shè)計變量為與側(cè)面碰撞最相關(guān)的車身側(cè)面15個板厚參數(shù)(如表1所示)。

表1工況性能指標和設(shè)計變量

步驟2、針對步驟1中的轎車整車側(cè)面碰撞分析仿真模型和白車身的剛度分析仿真模型和各工況，通過最優(yōu)拉丁超立方試驗設(shè)計方法分別進行采樣，通過仿真計算得到樣本點數(shù)據(jù)建立Kriging近似模型(如表2所示)，并進行精度驗證，滿足精度則進行下一步，不滿足則從新進行采樣以及仿真計算。

所述的精度驗證通過確定性系數(shù)R²判斷。若R²>0.9，則滿足精度要求。

所述的確定性系數(shù)為：其中n為檢驗的樣本點數(shù)，為樣本點Kriging近似模型預(yù)測值，y_i為樣本點的有限元計算值，為所有樣本點仿真結(jié)果的平均值。

表2近似建模情況

步驟3、根據(jù)加強協(xié)同優(yōu)化方法，建立兩工況的子系統(tǒng)級優(yōu)化。本實施例中優(yōu)化目標為質(zhì)量最小，優(yōu)化目標可以方便的分配到各個子系統(tǒng)工況，并且各工況間只存在共享變量，不存在狀態(tài)變量(工況間耦合變量)。

所述的子系統(tǒng)工況指側(cè)面碰撞工況和剛度模態(tài)工況。

所述的系統(tǒng)優(yōu)化主要平衡工況間一致性，其形式為：

所述的子系統(tǒng)中，共享變量有兩個，子系統(tǒng)目標形式需加入保證子系統(tǒng)一致性的多項式，子系統(tǒng)優(yōu)化問題數(shù)學(xué)形式如下。

側(cè)面碰撞：

車身剛度模態(tài)：其中：x為子系統(tǒng)獨立的共享變量，x_L為局部變量，x_s＝[x,y]為共享變量(與多個子系統(tǒng)相關(guān)的)，y為耦合變量，s為松弛系數(shù)，保證子系統(tǒng)問題求解的可行性，z為參數(shù)，由系統(tǒng)級優(yōu)化提供，作為子系統(tǒng)目標，λ_C為兼容性懲罰系數(shù)，λ_F為可行性懲罰系數(shù)，是問題目標的二次方程組模型，g⁽ⁱ⁾代表子系統(tǒng)i的局部約束，代表子系統(tǒng)j的線性約束模型。

步驟4、針對車身側(cè)面碰撞工況和車身剛度模態(tài)工況，運用靈敏度分析和數(shù)據(jù)挖掘技術(shù)獲得主要設(shè)計變量和優(yōu)化目標區(qū)域。具體包括：

步驟4.1、基于步驟2得到的Kriging近似模型，建立靈敏度分析目標值。

所述的靈敏度分析的目標值包括：

側(cè)面碰撞靈敏度分析目標值：其中：m_i為每個變量所對應(yīng)的板件的質(zhì)量，λ_j為每個約束對應(yīng)的懲罰系數(shù)，代表每個約束的重視程度一般取1，C_j為側(cè)面工況的約束函數(shù)。

車身剛度模態(tài)靈敏度分析目標值：

其中：m_i為每個變量所對應(yīng)的板件的質(zhì)量，λ_j為每個約束對應(yīng)的懲罰系數(shù)，代表每個約束的重視程度一般取1，C_Bstiff為彎曲剛度約束，C_Tstiff為拉伸剛度約束，C_Tmode為模態(tài)約束。

步驟4.2、運用靈敏度分析技術(shù)，分析每個碰撞工況中影響優(yōu)化問題的主要變量，其中約束函數(shù)因子λ取值均為1。經(jīng)過分析后各工況選取靈敏度排序前5的設(shè)計變量如表3所示：

表3、各工況靈敏度分析

步驟4.3、針對靈敏度分析獲得的優(yōu)化問題影響主要設(shè)計變量，進行數(shù)據(jù)挖掘，尋找問題在設(shè)計域內(nèi)的優(yōu)化區(qū)域。

所述的優(yōu)化區(qū)域為：

側(cè)面碰撞(如圖4所示)：X3∈[0.86,1.32]，X4∈[0.78,1.76]，X14∈[0.63,1.1]。

車身剛度模態(tài)(如圖5所示)：X18∈[0.60,0.81]，X10∈[0.95,1.64]。

步驟5、運用改進粒子群算法對結(jié)果進行優(yōu)化。

步驟5.1、通過合理布置粒子群優(yōu)化算法初始粒子種群，針對不同的問題運用不同的改進粒子群優(yōu)化策略。

步驟5.2、進行基于粒子群優(yōu)化算法的尋優(yōu)求解，得到車身側(cè)圍優(yōu)化結(jié)構(gòu)。

為了驗證本例提出多工況協(xié)同優(yōu)化算法結(jié)構(gòu)的優(yōu)勢，設(shè)計兩種對比實施例，實施例2與實施例以算法結(jié)構(gòu)相同，但是在優(yōu)化算法選擇上都是采用標準粒子群算法。實施例3為加強協(xié)同優(yōu)化算法結(jié)構(gòu)，但不加入考慮工況特點的粒子群優(yōu)化算法。

對三種實施例進行尋優(yōu)求解，通過圓整將數(shù)學(xué)求解結(jié)果轉(zhuǎn)換為工程值，并將圓整后的結(jié)果輸入到仿真軟件中進行分析，如表4、5所示。

表4、各實施例優(yōu)化結(jié)果

表5、各實施例輕量化方案的性能指標狀態(tài)

結(jié)果表面，實施例1完成減重12.6kg，減重效果12.6％；實施例2完成減重8.1kg，減重效果為9.4％；實施例3完成減重6.16kg，減重效果為7.1％。通過對比驗證了本發(fā)明在實際工程問題中應(yīng)用的有效性，為實際車身多多工況協(xié)同優(yōu)化設(shè)計過程提供了可借鑒的方法和途徑。

上述具體實施可由本領(lǐng)域技術(shù)人員在不背離本發(fā)明原理和宗旨的前提下以不同的方式對其進行局部調(diào)整，本發(fā)明的保護范圍以權(quán)利要求書為準且不由上述具體實施所限，在其范圍內(nèi)的各個實現(xiàn)方案均受本發(fā)明之約束。