CN109918793B - 一种转向架悬挂参数快速优化方法 - Google Patents

Abstract

本发明提供了一种转向架悬挂参数快速优化方法，涉及机车车辆的悬挂参数优化设计技术领域。建立车辆动力学仿真模型；并进行悬挂参数优化分析，确定该模型所需的输入变量、取值范围和输出评价指标，将车辆动力学建立联合仿真模块，采用多目标优化算法，设定种群大小n、交叉概率Pc、变异概率Pm和迭代次数N；依据优化目标，对车辆动力学模型进行特征值仿真计算，并通过联合仿真接口将其仿真得到的优化目标值提取出来；将仿真优化后且首次满足评价指标范围内的输出评价指标值作为Pareto前沿数据，最后需要对优化后的数据进行处理，得K个具有代表性的悬挂参数集类别，从中挑选符合设计要求的类别，其对应的参数集为优化设计的转向架悬挂参数。

Description

一种转向架悬挂参数快速优化方法

技术领域

本发明涉及机车车辆的悬挂参数优化设计技术领域。

背景技术

横向蛇行运动稳定性是轮轨列车转向架设计中最关注的问题之一，转向架一、二系悬挂特别是水平方向的悬挂参数，对提高列车转向架横向稳定性并兼顾到列车其它性能起到关键作用。合理的悬挂参数匹配有利于提高列车横向稳定性，并抵抗悬挂参数和轮轨接触参数摄动对系统稳定性的影响(称之为系统健壮性)。因此针对转向架悬挂参数匹配进行优化的研究对于列车的设计至关重要。

对于复杂的列车悬挂系统，除二系水平刚度参数主要影响到车辆曲线通过性能以外，其他水平方向悬挂参数，如一系纵向定位刚度、一系横向定位刚度、抗蛇行减振器阻尼、二系横向减振器阻尼、抗蛇行减振器橡胶关节刚度和二系横向减振器橡胶关节刚度主要影响列车横向运行稳定性。随着高速铁路的快速发展，对车辆系统动力学性能的要求越来越高。列车横向运动稳定性是列车安全运行的重要条件，一旦车辆系统出现转向架蛇行失稳，其运行品质将急剧恶化，导致轮轨作用力加强，危害线路，严重的甚至会引发脱轨事故。所以，针对列车横向稳定性对悬挂参数进行优化设计是十分必要的。

传统的高速列车动力学评价指标主要包括横向平稳性指标、垂向平稳性指标、脱轨系数、轮重减载率、轮轴横向力、倾覆系数等指标。其指标的获得均是假定列车的悬挂参数以及轮轨接触参数是常值的情况下，忽略了转向架悬挂参数和轮轨接触参数摄动对列车动力学性能的影响。而在车辆的制造和实际运行中该两个参数均存在较大扰动，且其对列车的运行安全性会有较大影响。

本研究的关键内容包括了：采用NSGA-II算法进行多目标优化设计；提出并将悬挂参数健壮性和等效锥度健壮性考虑为目标进行优化；采用K-Means聚类的方法对悬挂参数匹配规律进行研究。

发明内容

本发明的目的是提供一种转向架悬挂参数快速优化方法，它能有效地解决利用基因遗传算法，将转向架悬挂参数优化设计融入到多学科全局仿真设计中的技术问题，从而在多学科的领域条件下，建立一种基于列车横向稳定性转向架悬挂参数优化设计分析方法，最终获得较优的转向架悬挂参数匹配模式，从而提高机车车辆的动力学性能。

本发明的目的是通过以下技术方案来实现的：一种转向架悬挂参数快速优化方法，步骤如下：

第一、根据高速动车的结构参数建立车辆动力学仿真模型；

第二、根据所构建的车辆动力学仿真模型进行悬挂参数优化分析，确定该模型所需的输入变量、取值范围和输出评价指标，其中，输入变量为需要优化的悬挂参数，输出评价指标为优化目标，取值范围依据已有的悬挂参数取值确定；

第三、通过SIMPACK脚本语言，将车辆动力学模型仿真与MATLAB建立联合仿真模块，采用多目标优化算法NSGA-II算法，设定种群大小n、交叉概率Pc、变异概率Pm和迭代次数N，用于更新设计参数；根据优化结果的数量和分布对NSGA-II算法的参数设置进行调整，设置n为5000个，N为100次；

第四、依据优化目标，对车辆动力学模型进行特征值仿真计算，并通过SIMPACK与MATLAB联合仿真接口将其仿真得到的优化目标值提取出来；

第五、将仿真优化后且首次满足评价指标范围内的输出评价指标值作为Pareto前沿数据，对之后提取的满足评价指标范围内的输出评价指标值，须判断其是否优于该Pareto前沿数据，如否，则转步骤第三，通过NSGA-II算法基于交叉概率Pc和变异概率Pm值对该组设计参数进行交叉、变异操作得到新的设计参数组，并将更新后的设计参数值赋予动力学模型；如是，则该组数据替换Pareto前沿数据；

第六、当出现Pareto前沿数据被替换情况时，判断其当前迭代次数i是否不小于N，如否,则转步骤第三继续更新设计参数值，直到出现当前迭代次数i大于等于N的情况，则优化设计结束；

第七、最后需要对优化后的数据进行处理，采用K-Means聚类的方法进行数据处理，即得K个具有代表性的悬挂参数集类别，从中挑选符合设计要求的类别，其对应的参数集为优化设计的转向架悬挂参数。

该方法涉及到机车车辆性能指标中的横向稳定性指标、等效锥度健壮性指标、悬挂参数健壮性指标三项子目标，其中，等效锥度健壮性指标、悬挂参数健壮性指标为求解子目标的最小值，横向稳定性指标为求解子目标的最大值，但对其进行负数转化后，三项指标均为最小值求优。

所述建立车辆动力学模型并进行悬挂参数优化分析，具体操作为：

首先根据CRH3型车辆结构参数进行动力学建模，基于列车横向稳定性现有规律，确定该模型所需设计的输入变量及其取值范围；并根据该模型的实际运行情况，将速度为200km/h、350km/h和500km/h对应车辆系统稳定性指标ζ₂₀₀,ζ₃₅₀和ζ₅₀₀作为优化目标并将其悬挂参数健壮性指标std(ζ_par)和等效锥度健壮性指标std(ζ_λ)纳入优化目标范围，总共五个优化目标作为输出；

针对列车横向稳定性，初始悬挂参数即输入变量包括影响列车横向稳定性的转向架的一系悬挂纵向刚度、一系悬挂横向刚度、抗蛇行减振器阻尼、二系横向减振器阻尼、抗蛇行减振器关节刚度和二系横向减振器关节刚度六大关键悬挂参数；然后，依据现有车辆的悬挂参数取值确定其初始值，赋予车辆动力学模型，并对该线性模型进行特征值仿真，提取模型在三个速度下的横向稳定性指标ζ₂₀₀,ζ₃₅₀,ζ₅₀₀和悬挂参数健壮性指标std(ζ_par)以及等效锥度健壮性指标std(ζ_λ)；然后，判断所得优化目标值是否优于之前所计算得到的Pareto前沿数据，若为“否”，则通过NSGA-II算法更新悬挂参数，继续进行下一个循环；若为“是”，则保存该计算目标值为Pareto前沿数据，并对迭代次数进行判断；不满足迭代次数N，则继续通过NSGA-II算法更新悬挂参数；若满足迭代次数N时，优化结束，得到多目标优化Pareto前沿数据及对应的参数集。

所述多目标优化Pareto前沿数据需要进行挖掘，具体操作为：

由于上述两种情况计算得到的多目标优化Pareto前沿数据众多，悬挂参数之间的匹配关系不易发现，因此，通过K-Means聚类方法对所得数据进行处理，并挑选与符合设计要求的悬挂参数集并分析其匹配关系，在得到的20个类中挑选符合设计要求类别，获得了2、5、7、9、13、16共计六个具有代表性的类聚类中心点，其对应的参数集为优化设计的转向架悬挂参数。

本发明有效地将转向架悬挂参数优化和NSGA-II算法相结合，解决了涉及多学科领域中的高速列车仿真系统如SIMPACK进行列车动力学分析时，因需处理过多的优化变量而导致参数优化变得异常困难的问题，最终在小计算成本下高效地实现转向架悬挂参数优化设计过程，从而使得高速列车的运行能够兼顾横向稳定性、等效锥度健壮性和悬挂参数健壮性等多项指标，并通过聚类的方法对Pareto前沿数据进行处理，并从中挑选出最为符合设计的类别，得到相应的转向架悬挂参数集。这对于提高转向架悬挂参数设计和分析能力有重要的意义和显著的工程实际应用价值。

本发明与现有技术相比的优点与效果：

一、提出将参数健壮性和等效锥度健壮性纳入优化目标范围

现有研究主要是以车辆模型传统的动力学指标为目标进行悬挂参数的优化设计，其忽略悬挂参数和轮轨接触关系的扰动对车辆动力学性能的影响，此对车辆的运行安全性有较大影响。本研究提出悬挂参数健壮性指标和等效锥度健壮性指标，并将其纳入悬挂参数优化目标。通过NSGA-II算法进行优化，获得更为合理的悬挂参数匹配模式，为获得更可靠的转向架悬挂参数优化结果提供了条件。

二、采用聚类的方法对Pareto前沿数据处理获得符合要求的悬挂参数集

由于通过NSGA-II算法进行优化得到的Pareto前沿点数众多，对数据的分析十分困难，悬挂参数集不易选取。本研究采用K-Means聚类的方法，对得到的大量Pareto前沿数据进行分类，再根据各个类别的优化目标值从中选出符合设计要求的悬挂参数集，同时还有利于挖掘转向架悬挂参数之间的匹配关系，对于提高转向架悬挂参数设计和分析能力有重要的意义和显著的工程实际应用价值。

附图说明

图1为本发明转向架悬挂参数优化匹配的快速分析流程

图2本发明多目标优化结果数据挖掘方法流程

图3本发明多目标优化Pareto前沿数据

图4本发明Pareto前沿数据进行聚类分析

图5本发明典型类别对应多目标雷达图

图6本发明典型类别对应的转向架悬挂参数设计范围

具体实施方式

下面结合附图对本发明做进一步描述：

第一、根据高速动车的结构参数建立车辆动力学仿真模型；

第二、根据所构建的车辆动力学仿真模型进行悬挂参数优化分析，确定该模型所需的输入变量、取值范围和输出评价指标，其中，输入变量为需要优化的悬挂参数，输出评价指标为优化目标，取值范围依据已有的悬挂参数取值确定；

第三、通过SIMPACK脚本语言，将车辆动力学模型仿真与MATLAB建立联合仿真模块，采用多目标优化算法NSGA-II算法，设定种群大小n、交叉概率Pc、变异概率Pm和迭代次数N，用于更新设计参数；根据优化结果的数量和分布对NSGA-II算法的参数设置进行调整，设置n为5000个，N为100次；

第四、依据优化目标，对车辆动力学模型进行特征值仿真计算，并通过SIMPACK与MATLAB联合仿真接口将其仿真得到的优化目标值提取出来；

第五、将仿真优化后且首次满足评价指标范围内的输出评价指标值作为Pareto前沿数据，对之后提取的满足评价指标范围内的输出评价指标值，须判断其是否优于该Pareto前沿数据，如否，则转步骤第三，通过NSGA-II算法基于交叉概率Pc和变异概率Pm值对该组设计参数进行交叉、变异操作得到新的设计参数组，并将更新后的设计参数值赋予动力学模型；如是，则该组数据替换Pareto前沿数据；

第六、当出现Pareto前沿数据被替换情况时，判断其当前迭代次数i是否不小于N，如否,则转步骤第三继续更新设计参数值，直到出现当前迭代次数i大于等于N的情况，则优化设计结束；

第七、最后需要对优化后的数据进行处理，采用K-Means聚类的方法进行数据处理，即得K个具有代表性的悬挂参数集类别，从中挑选符合设计要求的类别，其对应的参数集为优化设计的转向架悬挂参数。

1.构建动力学模型并进行悬挂参数优化分析

其具体流程如图1所示：

1)建立CRH3动力学模型并进行特征值仿真计算

根据CRH3结构参数进行动力学建模。基于列车横向稳定性稳定现有规律，确定该模型所需设计的重要输入变量及其取值范围；并根据该模型的实际运行情况，将速度为200、350和500km/h对应车辆系统稳定性指标ζ₂₀₀,ζ₃₅₀和ζ₅₀₀作为优化目标，此外还将本研究提出的悬挂参数健壮性指标std(ζ_par)和等效锥度健壮性指标std(ζ_λ)纳入优化目标范围，总共五个优化目标作为输出。由于本研究主要针对列车横向稳定性，所以初始参数(即输入变量)包括影响列车横向稳定性的转向架的六大关键悬挂参数，如一系悬挂纵向刚度kpx、一系悬挂横向刚度kpy、抗蛇行减振器阻尼csx、二系横向减振器阻尼csy、抗蛇行减振器关节刚度kncsx和二系横向减振器关节刚度kncsy。然后，对上述六大悬挂参数赋初始值，并对该模型进行特征值计算，得到五个优化目标值。

2)提取优化目标值并判断是否优于Parato前沿数据

结合SIMPACK脚本语言知识，将动力学模型仿真与MATLAB建立联合仿真模块。采用将NSGA-II算法，设定种群大小n、交叉概率Pc、变异概率Pm和迭代次数N，用于更新设计参数。通过MATLAB和SIMPSCK仿真接口提取上述通过特征值计算得到的五个优化目标值，并判断所得优化目标值是否优于之前所计算得到的Pareto前沿数据，若为“否”，则通过NSGA-II算法并基于交叉概率Pc和变异概率Pm值对该组设计参数进行交叉、变异操作，得到新的设计参数组，继续进行下一个循环；若为“是”，则保存该计算目标值为Pareto前沿数据，

3)判断迭代次数是否满足要求

当出现Pareto前沿数据被替换情况时，须对迭代次数进行判断。若当前迭代次数i小于N，则转步骤第三继续通过NSGA-II算法更新悬挂参数；若当前迭代次数i大于等于N，则优化结束，得到多目标优化Pareto前沿数据及对应的悬挂参数集。

2.挖掘多目标优化Pareto前沿数据

由于上述两种情况计算得到的多目标优化Pareto前沿数据众多，悬挂参数之间的匹配关系不易发现，因此通过K-Means聚类方法对所得数据进行处理，其分析流程如图2所示。

1)对多目标优化Pareto前沿数据进行聚类分析

首先对多目标优化Pareto前沿数据进行归一化处理，然后采用依据空间距离进行聚类的K-Means聚类方法进行聚类分析，其中设置K＝20，即将所有Pareto前沿数据分成20个“簇”，其聚类结果如图4所示。图中20个点即为聚类处理后的20个类。图中各坐标轴分别代表ζ₂₀₀,ζ₃₅₀和ζ₅₀₀；颜色深浅代表悬挂参数健壮性指标std(ζ_par)的大小，颜色越深对应的悬挂参数健壮性越好；点的大小表示等效锥度健壮性指标std(ζ_λ)的大小，点的尺寸越大对应的等效锥度健壮性越好，即轮轨接触几何状态对车辆稳定性影响小，表明车辆踏面镟修周期长和适应线路能力强。

2)挑选符合设计要求的类别并提取对应类别的设计参数

从图4中得到的20个类中挑选符合设计要求类别，获得了2、5、7、9、13、16等6个具有代表性的类，其对应的参数集为优化设计的转向架悬挂参数。该6个聚类中心点对应的五个优化目标的雷达图如图5所示，其对应的悬挂参数见表1。图中的5个聚类中心点各有优点，第7,14,5,9和19类分别对应ζ₂₀₀,ζ₃₅₀和ζ₅₀₀,悬挂参数健壮性和等效锥度健壮性的目标性能最优，但其对应的其它目标性能较差；第12类兼顾了该5个目标性能，使得系统性能较为全面。

表1六类聚类中心点对应悬挂参数

此外，该6类典型类别对应的转向架悬挂参数设计范围见图6所示。图中的横坐标K代表的是选取的6类典型类别，各子图的总坐标分别代表需要优化的六大关键参数。每一类对应的系统性能目标值不同，通过该图可以观察到不同系统性能时的悬挂参数匹配规律。从图中可以总结为两类匹配规律，第一类为采用较小的kpx和较大的csx匹配，第二类则反之，采用较大的kpx和较小的csx匹配。选取第13和2类代表该两类典型匹配规律，并兼顾系统多个指标性能，各项指标较为均衡。第13类相对于第2类悬挂参数，其系统稳定性裕度较大，但是等效锥度健壮性较差，二者悬挂参数健壮性指标相当。该两类悬挂参数匹配分别类似于我国目前运营的日系和欧系两种引进高速列车的悬挂参数选型。

Claims (4)

1.一种转向架悬挂参数快速优化方法，步骤如下：

第一、根据高速动车的结构参数建立车辆动力学仿真模型；

第二、根据所构建的车辆动力学仿真模型进行悬挂参数优化分析，确定该模型所需的输入变量、取值范围和输出评价指标，输入变量包括影响列车横向稳定性的转向架的一系悬挂纵向刚度、一系悬挂横向刚度、抗蛇行减振器阻尼、二系横向减振器阻尼、抗蛇行减振器关节刚度和二系横向减振器关节刚度六大关键悬挂参数，其中，输入变量为需要优化的悬挂参数；评价指标包括横向稳定性指标、等效锥度健壮性指标、悬挂参数健壮性指标，输出评价指标为优化目标，取值范围依据已有的悬挂参数取值确定；

第三、通过SIMPACK脚本语言，将车辆动力学模型仿真与MATLAB建立联合仿真模块，采用多目标优化算法NSGA-II算法，设定种群大小n、交叉概率Pc、变异概率Pm和迭代次数N，用于更新设计参数；根据优化结果的数量和分布对NSGA-II算法的参数设置进行调整，设置n为5000个，N为100次；

第四、依据优化目标，对车辆动力学模型进行特征值仿真计算，并通过SIMPACK与MATLAB联合仿真接口将其仿真得到的优化目标值提取出来；

第五、将仿真优化后且首次满足评价指标范围内的输出评价指标值作为Pareto前沿数据，对于之后提取的满足评价指标范围内的输出评价指标值，须判断其是否优于该Pareto前沿数据，如否，则转步骤第三，通过NSGA-II算法基于交叉概率Pc和变异概率Pm对设计参数进行交叉、变异操作得到新的设计参数组，并将更新后的设计参数值赋予动力学模型；如是，则该设计参数替换Pareto前沿数据；

第六、当出现Pareto前沿数据被替换情况时，判断其当前迭代次数i是否不小于N，如否,则转步骤第三继续更新设计参数值，直到出现当前迭代次数i大于等于N的情况，则优化设计结束；

第七、最后，需要对优化后的数据进行处理，采用K-Means聚类的方法进行数据处理，即得K个具有代表性的悬挂参数集类别，从中挑选符合设计要求的类别，其对应的参数集为优化设计的转向架悬挂参数。

2.根据权利要求1所述的一种转向架悬挂参数快速优化方法，其特征在于：该方法涉及到机车车辆性能指标中的横向稳定性指标、等效锥度健壮性指标、悬挂参数健壮性指标三项子目标，其中，等效锥度健壮性指标、悬挂参数健壮性指标为求解子目标的最小值，横向稳定性指标为求解子目标的最大值，但对其进行负数转化后，三项指标均为最小值求优。

3.根据权利要求1所述的一种转向架悬挂参数快速优化方法，其特征在于：所述建立车辆动力学模型并进行悬挂参数优化分析，具体操作为：

首先根据CRH3型车辆结构参数进行动力学建模，基于列车横向稳定性现有规律，确定该模型所需设计的输入变量及其取值范围；并根据该模型的实际运行情况，将速度为200km/h、350km/h和500km/h对应车辆系统稳定性指标ζ₂₀₀、ζ₃₅₀和ζ₅₀₀作为优化目标并将其悬挂参数健壮性指标std(ζ_par)和等效锥度健壮性指标std(ζ_λ)纳入优化目标范围，总共五个优化目标作为输出；

针对列车横向稳定性，初始悬挂参数即输入变量包括影响列车横向稳定性的六大关键悬挂参数；然后，依据现有车辆的悬挂参数取值确定其初始值，赋予车辆动力学模型，并对该模型进行特征值仿真，提取模型在三个速度下的横向稳定性指标ζ₂₀₀,ζ₃₅₀,ζ₅₀₀和悬挂参数健壮性指标std(ζ_par)以及等效锥度健壮性指标std(ζ_λ)；然后，判断所得优化目标值是否优于之前所计算得到的Pareto前沿数据，若为“否”，则通过NSGA-II算法更新悬挂参数，继续进行下一个循环；若为“是”，则保存该优化目标值为Pareto前沿数据，并对迭代次数进行判断；不满足迭代次数N，则继续通过NSGA-II算法更新悬挂参数；若满足迭代次数N时，优化结束，得到多目标优化Pareto前沿数据及对应的参数集。

4.根据权利要求2所述的一种转向架悬挂参数快速优化方法，其特征在于：所述多目标优化Pareto前沿数据需要进行挖掘，具体操作为：

由于上述两种情况计算得到的多目标优化Pareto前沿数据众多，悬挂参数之间的匹配关系不易发现，因此，通过K-Means聚类方法对所得数据进行处理，并挑选与符合设计要求的悬挂参数集并分析其匹配关系，在得到的20个类中挑选符合设计要求类别，获得了2、5、7、9、13、16共计六个具有代表性的类聚类中心点，其对应的参数集为优化设计的转向架悬挂参数。

Images