CN103699719A - 车辆动力总成悬置系统区间优化设计方法 - Google Patents

Abstract

本发明公开一种车辆动力总成悬置系统的区间优化设计方法。其技术方案是：利用区间分析理论建立悬置解耦模型；以悬置系统六自由度解耦为目标函数，以悬置的各向刚度为优化变量，以六自由度的振动频率为约束条件，确定动力总成及悬置系统的技术参数，使用粒子群算法对悬置系统进行六自由度解耦，具体步骤主要包括：A.悬置解耦计算模型；B.基于区间分析理论的悬置解耦优化模型；C.基于粒子群算法的区间优化模型并优化计算。经过本发明方法的优化，动力总成各方向的频率控制在了设计要求之内，解耦率也满足设计指标，更为重要的是，本发明的方法给出了参数变动后的优化区间，使得本发明的方法具有更好的稳健性和适用性。

Description

车辆动力总成悬置系统区间优化设计方法

技术领域

本发明涉及车辆设计，具体是车辆动力总成悬置系统的区间优化设计方法。

背景技术

动力总成悬置系统将动力总成与车身及底盘弹性地连接起来，从而减小发动机工作时向汽车结构传递的振动。动力总成振动问题是提高载重汽车品质需解决的一个重要问题。近年来，基于能量法的悬置解耦方法在工程上得到快速推广和应用，产生了一系列基于能量法解耦原理的发动机悬置解耦方法。悬置解耦算法主要在于对悬置刚度、悬置位置和悬置倾角等设计变量进行计算，得到最佳的参数组合，降低系统振动传递率。由于悬置位置相对不易改变，悬置刚度和悬置倾角在一般的悬置解耦算法中经常作为设计变量。由于悬置刚度和悬置倾角变量多，变化范围大，传统的悬置解耦算法容易存在组合爆炸的问题，不易求得最优解。

同时，由于加工制造等方面的误差，悬置系统的参数如悬置刚度经常不是确定的值，而是在某个区间内变动。在优化的过程中，如果使用传统的确定性优化方法对悬置系统进行优化，得到最优的悬置参数；在实际过程中，按照上述优化结果进行使用的悬置，其名义值等于上述优化结果，但实际值并不相等。这种情况的出现，会导致悬置系统振动恶化，引发一系列的问题。

综上所述，针对悬置系统的参数不确定性，需要提供相关技术进行区间优化设计，解决动力总成振动问题，提高车辆舒适性。

发明内容

本发明的目的是提供一种车辆动力总成悬置系统的区间优化设计方法。

解决本发明的技术问题的技术方案是：利用区间分析理论建立悬置解耦模型；以悬置系统六自由度解耦为目标函数，以悬置的各向刚度为优化变量，以六自由度的振动频率为约束条件，确定动力总成及悬置系统的技术参数，使用粒子群算法对悬置系统进行六自由度解耦，具体步骤主要包括：

A.悬置解耦计算模型；

B.基于区间分析理论的悬置解耦优化模型；

C.基于粒子群算法的区间优化模型并优化计算。

所述方法在步骤A，首先以下式计算悬置系统解耦率T_pk

式中，T_pk即为当系统以第j阶模态振动时，第k个广义坐标动能所占悬置系统总动能的百分比，也就是解耦率；M(k,l)是系统质量矩阵的第k行、第l列元素；

分别代表第j阶振型的矩阵的第k个、第l个元素；k=1～6,j=1～6；l=1～6。

在公式（1）中，T_pk值越高，解耦率也就越高，系统振动耦合程度越小，悬置设计结果越好。当T_pk=100%时，系统作第j阶模态振动时能量全部集中在第k个广义坐标上，即该阶模态振动实现完全解耦。

在步骤A，利用区间分析理论，建立能量法解耦的操作过程包括：

（1）悬置参数区间变动范围确定；

根据对加工、制造、安装等方面误差的分析，确定悬置参数最大变动范围及表达方式。该参数k可以以悬置参数名义值的变动量表达，k=k_norm±Δk_norm，其中k_norm是参数的名义值，Δk_norm是悬置参数的变动量。

（2）悬置系统区间矩阵的建立；

建立悬置系统的区间变动矩阵A，该矩阵可以用悬置矩阵名义值及其变动量表达：

A=A_norm±ΔA_norm  （2）

其中A_norm是矩阵的名义值，ΔA_norm是悬置矩阵的变动量。

（3）基于能量法的区间解耦方法建立

对上述悬置区间变动矩阵A进行能量法解耦，即对悬置区间变动矩阵A计算特征值ω²和特征向量D：

[ω²,D]=eig(A)  （3）

系统的固有频率f可通过如下计算：

$f=\frac{\mathrm{\ω}}{2\mathrm{\π}}---\left(4\right)$

并计算固有频率的下限：

f_inf=inf(f)     （5）

并计算固有频率的上限：

f_sup=sup(f)    （6）

计算悬置系统解耦率：

T=max(D)     （7）

并计算解耦率的下限：

T_inf=inf(T)     （8）

并计算解耦率的上限：

T_sup=sup(T)    （9）

上述步骤中，eig()求矩阵的特征值，inf()求函数的下限，sup()求函数的上限，max()求函数的最大值。

在步骤B，操作过程包括：

（1）初步优化目标函数的建立

首先根据区间分析理论和悬置解耦算法，根据输入的区间参数K建立系统刚度区间矩阵A；根据该区间矩阵，求解到系统固有频率的变动区间[f_inf,f_sup]。然后求解得到系统解耦率以及系统解耦率的变动区间[T_inf,T_sup]。

本优化模型以提高系统解耦率为目标函数。考虑到目标函数即系统解耦率是一个变动的区间，而该变动区间的大小直接决定了系统的稳健性。因此，对系统解耦率及其变动区间进行加权运算从而初步得到目标函数F_{obj_inti}：

F_{obj_inti}=max(T)      （10）

约束条件：

St_i∈[St_{i_inf},St_{i_sup}]     （11）

其中，St_i代表第i个约束，St_{i_inf}代表第i个约束的下限，St_{i_sup}代表第i个约束的上限。

（2）优化目标函数惩罚函数的建立

F_{pent_inf}=max(0,-(St_i-St_{i_inf})) （12）

其中，F_{pent_inf}代表约束下限的惩罚函数

F_{pent_sup}=max(0,(St_i-St_{i_sup}))  （13）

其中，F_{pent_sup}代表约束上限的惩罚函数

（3）最终优化目标函数的建立

F_{obj_final}=F_{obj_inti}+p₁F_{pent_inf}+p₁F_{pent_sup} （14）

其中F_{obj_final}代表最终优化目标函数，p₁代表惩罚因子，取值范围可在[1,300]。约束条件同公式（11）所述相同。

本发明的步骤C，操作过程包括：

（1）粒子群优化模型与步骤B的衔接

优化目标函数如公式（14）所述，约束条件如公式（11）所述。

（2）粒子群优化参数的设定

v_id=w_idv_id+c₁rand(1)(p_id-x_id)+c₂rand(1)(p_gd-x_id) （15）

x_id=x_id+v_id                             （16）

其中，v_id代表粒子的速度，p_id代表局部最优解，p_gd代表全局最优解，x_id代表粒子当前的位置，也就是被优化的悬置参数；w_id代表惯性权重因子，取值范围可在[0.1，1]之间，rand(1)可以产生一个[0，1]区间的随机数，c₁、c₂是学习因子，通常c₁=c₂，取值可在[0.1，3]之间。

同时需要设定种群大小N和最大迭代次数MaxID，当选用大的N和MaxID时，系统优化精度高，结果好，但是优化时间过长；当选用小的N和MaxID时，系统优化精度低，结果相对差，但是优化时间短；考虑到优化时间和优化精度的平衡，根据用户不同硬件配置，可选择合理的范围，推荐N∈[30,100]，MaxID∈[100,1000]。

（3）优化计算：

步骤a.初始化粒子群，包括种群数量，种群中粒子的位置，速度；

步骤b.计算各粒子的适应度，也就是悬置优化目标函数F_{obj_final}，并求局部最优解p_id和全局最优解p_gd；

步骤c.更新每个粒子的位置、速度；

步骤d.更新每个粒子的适应度，求局部最优解和全局最优解；

步骤e.判断是否达到循环次数即最大迭代次数，若没有达到则转至步骤c，若达到则输出结果；

优化后的结果就是悬置优化变量：悬置参数k。

附图说明

图1基于粒子群算法的区间优化模型

具体实施方式

针对某型号的载重汽车，首先确定相关的技术参数，然后进行解耦计算、优化设计，降低汽车的振动量级。表1至表3是动力总成及悬置系统的相关参数。该悬置系统左右对称布置，左右悬置刚度相等，左右悬置倾角相等。设计指标：Z和Rx方向的解耦率不低于80%，所有方向的频率在[4,18]之间。表4是优化前后的结果对比，悬置刚度变动量±5%。表5给出优化前后的参数对比，可指导实际应用。

表1动力总成质量质心参数

表1中：M代表悬置系统质量，Ixx代表对x轴的转动惯量，Iyy代表对y轴的转动惯量，Izz代表对z轴的转动惯量，Ixy代表对xy轴（x轴与y轴的平分轴）的转动惯量，Iyz代表对yz轴（y轴与z轴的平分轴）的转动惯量，Izx代表对zx轴（z轴与x轴的平分轴）的转动惯量，X代表系统质心的X坐标，Y代表系统质心的Y坐标，Z代表系统质心的Z坐标。

表2悬置安装参数表

悬置位置（mm）	X	Y	Z	悬置倾角（度）
					前左悬	909.5	287.5	-75.5	30
前右悬	909.5	-287.5	-75.5	30
					后左悬	-721.5	378.5	158.5	45
后右悬	-721.5	-378.5	158.5	45

表2中：X代表悬置安装位置的X坐标，Y代表悬置安装位置的Y坐标，Z代表悬置安装位置的Z坐标。

表3悬置刚度参数设置

表3中：Ku代表悬置x方向的刚度，Kv代表悬置y方向的刚度，Ks代表悬置z方向的刚度。

表4优化前后结果对比（参数解耦计算）

表5优化前后的参数对比（悬置刚度）

从表4可以看出，经过粒子群算法优化，动力总成各方向的频率控制在了设计要求之内，均在[4,18]之间；解耦率也满足设计指标，Z和Rx方向的解耦率均超过了80%。相对于优化之前的值，应用本发明所提方法得到的解耦率有了较明显的提高。更为重要的是，本发明的方法给出了参数变动后的优化区间，使得本发明的方法具有更好的稳健性和适用性。

Claims (4)

1.车辆动力总成悬置系统的区间优化设计方法，其特征在于：以悬置系统六自由度解耦为目标函数，以悬置的各向刚度为优化变量，以六自由度的振动频率为约束条件，确定动力总成及悬置系统的技术参数，使用粒子群算法对悬置系统进行六自由度解耦，具体步骤主要包括：

A.悬置系统区间解耦；

B.基于区间分析理论的悬置解耦优化；

C.建立基于粒子群算法的区间优化模型并优化计算。

2.根据权利要求1的方法，其特征在于：在步骤A，首先以下式计算悬置系统解耦率T_pk

式中，Tpk即为当系统以第j阶模态振动时，第k个广义坐标动能所占悬置系统总动能的百分比，也就是解耦率；M(k,l)是系统质量矩阵的第k行、第l列元素；

分别代表第j阶振型的矩阵的第k个、第l个元素；k=1～6,j=1～6；l=1～6；

然后按照如下过程，

（1）确定悬置参数区间变动范围k：

k=k_norm±Δk_norm，

其中k_norm是参数的名义值，Δk_norm是悬置参数的变动量；

（2）建立悬置系统区间矩阵A：

A=A_norm±ΔA_norm

其中A_norm是矩阵的名义值，ΔA_norm是悬置矩阵的变动量；

（3）建立基于能量法的区间解耦方法：

对上述悬置区间变动矩阵A进行能量法解耦，即对悬置区间变动矩阵A计算特征值ω²和特征向量D：

[ω²,D]=eig(A)

系统的固有频率f可通过如下计算：

$f=\frac{\mathrm{\ω}}{2\mathrm{\π}}$

并计算固有频率f的下限：

f_inf=inf(f)

和计算固有频率f的上限：

f_sup=sup(f)

计算悬置系统解耦率T：

T=max(D)

并计算解耦率T的下限：

T_inf=inf(T)

和计算解耦率T的上限：

T_sup=sup(T)。

3.根据权利要求1的方法，其特征在于：在步骤B，操作过程包括：

（1）建立初步优化目标函数F_{obj_inti}：

F_{obj_inti}=max(T)

约束条件为：

St_i∈[St_{i_inf},St_{i_sup}]

其中，St_i代表第i个约束，St_{i_inf}代表第i个约束的下限，St_{i_sup}代表第i个约束的上限；

（2）建立优化目标函数惩罚函数：

F_{pent_inf}=max(0,-(St_i-St_{i_inf}))

F_{pent_sup}=max(0,(St_i-St_{i_sup}))

其中，F_{pent_inf}代表约束下限的惩罚函数，F_{pent_sup}代表约束上限的惩罚函数；

（3）建立最终优化目标函数：

F_{obj_final}=F_{obj_inti}+p₁F_{pent_inf}+p₁F_{pent_sup}

其中F_{obj_final}代表最终优化目标函数，p₁代表惩罚因子，取值范围可在[1,300]，约束条件同过程（1）。

4.根据权利要求1的方法，其特征在于：在步骤C，操作过程包括：

（1）建立基于粒子群算法的区间优化模型：

优化目标函数及其约束条件采用步骤B的最终结果；

（2）设定粒子群算法的区间优化参数：

v_id=w_idv_id+c₁rand(1)(p_id-x_id)+c₂rand(1)(p_gd-x_id)

x_id=x_id+v_id

其中，v_id代表粒子的速度，p_id代表局部最优解，p_gd代表全局最优解，x_id代表粒子当前的位置，也就是被优化的悬置参数；w_id代表惯性权重因子，取值范围在[0.1，1]之间，rand(1)可以产生一个[0，1]区间的随机数，c₁、c₂是学习因子，c₁ ⁼c₂，取值在[0.1，3]之间；

同时设定种群大小N∈[30,100]，和最大迭代次数MaxID∈[100,1000]；

（3）优化计算：

步骤a.初始化粒子群，包括种群数量，种群中粒子的位置，速度；

步骤b.计算各粒子的适应度，也就是悬置优化目标函数F_{obj_final}，并求局部最优解p_id和全局最优解p_gd；

步骤c.更新每个粒子的位置、速度；

步骤d.更新每个粒子的适应度，求局部最优解和全局最优解；

步骤e.判断是否达到循环次数即最大迭代次数，若没有达到则转至步骤c，若达到则输出结果；

优化后的结果就是悬置优化变量：悬置参数k。

Images