CN111428313A - 高精度减震器摩擦力优化方法 - Google Patents

Abstract

本发明公开了一种高精度减震器摩擦力优化方法，包括以下步骤：步骤1、建立侧向力减震器模型及Adams悬架模型；步骤2、Isight集成Adams模型建立并进行DOE数据分析；步骤3、基于DOE分析结果，利用Matlab进行近似优化模型建立；步骤4、利用Isight集成模型优化减震器侧向力。本发明能够在项目前期方案阶段，在不提高成本的前提上，有效降低减震器的摩擦力。

Description

高精度减震器摩擦力优化方法

技术领域

本发明属于减震器的技术领域，具体涉及一种高精度减震器摩擦力优化方法。

背景技术

支柱式悬架包含麦弗逊式悬架与连杆支柱悬架，目前支柱式悬架结构广泛应用于市场各类车型的前后悬，但摩擦力问题是支柱式悬架减震器的主要弊端之一，减震器的摩擦力过大，会导致减震器单体出现早期漏油失效问题，同时整车平顺性会明显降低。

支柱式悬架减震器的摩擦力主要有三个因素，分别为减震器侧向力、导向座与活塞处摩擦系数。目前，支柱式悬架减震器的摩擦力优化主要是在单一状态下通过简单力合成法进行弹簧偏心点设计，其优点是方法简单、易操作；缺点是精度较低、工况单一，难以系统地从硬点架构和弹簧偏心点角度获得最优的减震器摩擦力设计方案。同时由于支柱式悬架减震器侧向力无法通过台架试验，只能在实车验证阶段通过整车K&C测试台架间接测试，当试验样车制作完成时，设计方案基本已确定，此时的设计变更会造成巨大财力、物力损失，更会大大延长整个开发周期，影响产品的正常投产上市。

因此，有必要开发一种实现高精度减震器摩擦力优化方法。

发明内容

本发明的目的是提供一种高精度减震器摩擦力优化方法，能在项目前期方案阶段，在不提高成本的前提上，有效降低减震器的摩擦力。

本发明所述的高精度减震器摩擦力优化方法，包括以下步骤：

步骤1、建立侧向力减震器模型及Adams悬架模型；

步骤2、Isight集成Adams模型建立并进行DOE数据分析；

步骤3、基于DOE分析结果，利用Matlab进行近似优化模型建立；

步骤4、利用Isight集成模型优化减震器侧向力。

进一步，所述步骤1具体为：

首先在减震器导向座、减震器活塞处采用2个点线副来建立侧向力减震器模型，该侧向力减震器模型用于模拟减震活塞杆与筒体相对运动关系和模拟减震器侧向力；

在侧向力减震器模型基础上，基于底盘硬点、衬套布置、衬套刚度、弹簧预载及刚度特性建立Adams悬架模型并进行仿真，测量侧向力减震器模型中点线副上的接触力，即可获取各种仿真工作状态下的减震器侧向力。

进一步，所述步骤2具体为：

在Isight的SimCode模块中将步骤1建立的Adams悬架模型集成至Isight模型，同时在Isight模型中通过DOE模块串联SimCode模块建立减震器摩擦力的DOE分析模型；

DOE分析模型建立后，在SimCode模块定义DOE分析的输入变量因子与响应因子，确认输入因子的变化范围，并将此范围作为输入变量因子的DOE分析边界，DOE分析类型采用Parameter Study，变量因子的水平数不低于3，对输入因子在边界范围内采用20水平分析，得到变量因子输入矩阵；设置减震器活塞杆与密封圈处、活塞与工作缸的侧向力为响应因子，通过DOE分析获取输入变量因子与响应因子之间的关联矩阵数据。

进一步，所述步骤3具体为：

首先将步骤2形成的关联矩阵数据导入至Matlab程序，调用神经网络模型拟合工具，将关联矩阵数据中的变量因子与响应因子设置为近似优化模型的变量因子与响应因子，并根据导入进来的数据行列类型进行数据类型选取；

设置训练、调整和测试三者之间的样本占比，并设置模型训练的神经元个数及训练方法，最后完成模型的训练，模型训练完后进行拟合模型准确度检查，如测试样本相关系数R 达到0.95以上，则模型精度满足要求，如模型精度未达标，则重新选择神经元个数及训练方法，模型准确度达到要求后将近似优化模型转化为Matlab功能函数，函数命名和文件命名需一致。

进一步，所述步骤4具体为：

通过Isight的优化模块串联Matlab插件模块建立减震器摩擦力优化模型，将步骤3 形成的功能函数在Matlab插件模块定义为优化函数，并定义优化模型的变量因子与响应因子；变量因子与响应因子与步骤3保持一致；

在优化模块中选择NSGA_II优化算法，设置变量因子范围，并将此范围作为变量因子的优化边界，变量因子的范围与步骤2保持一致，最后以减震器侧向力望小为优化目标进行优化。

本发明具有以下优点：从系统角度设计最优的弹簧偏心点，解决了目前减震器侧向力设计精度低的问题。本发明通过Adams建立高精度的悬架与减震器模型，分析活塞杆与密封圈处、活塞与工作缸侧向力，以上述两处的侧向力为响应目标，通过Isight集成Adams的侧向力优化模型，优化弹簧上下偏心点，优化减震器摩擦力。通过本方法优化,活塞处及密封圈处侧向力由基础方案188N、503N优化至81N、217N，减震器总侧向力相比原方案降低57％，由此可见，本发明能够在项目前期方案阶段，在不提高成本的前提上，有效降低减震器的摩擦力。

附图说明

图1为本发明的流程图；

图2为模型训练完后进行拟合模型准确度检查示意图；

图3为本发明与现有技术的对比图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，本实施例中，一种高精度减震器摩擦力优化方法，包括以下步骤：

步骤1、建立侧向力减震器模型及Adams悬架模型；

步骤2、Isight集成Adams模型建立并进行DOE数据分析；

步骤3、基于DOE分析结果，利用Matlab进行近似优化模型建立；

步骤4、利用Isight集成模型优化减震器侧向力。

传统的减震器模型均采用1个圆柱副来约束模拟减震器活塞杆与筒体之间的相对运动，该种减震器模型只能模拟减震器活塞杆与筒体相对运动关系，无法模拟减震活塞杆与筒体接触，无法获取减震器各工况下的侧向力。

本实施例中，所述步骤1具体为：

首先在减震器导向座、减震器活塞处采用2个点线副来建立侧向力减震器模型，该侧向力减震器模型用于模拟减震活塞杆与筒体相对运动关系和模拟减震器侧向力。

在侧向力减震器模型基础上，基于底盘硬点、衬套布置、衬套刚度、弹簧预载及刚度特性建立Adams悬架模型并进行仿真，测量侧向力减震器模型中点线副上的接触力，即可获取各种仿真工作状态下的减震器侧向力。测量点线副接触力的坐标系与弹簧偏心力坐标系需一致。针对麦弗逊式类型，悬架模型建立所需关键硬点参数，参见表1。

表1：

本实施例中，所述步骤2具体为：

在Isight的SimCode模块中将步骤1建立的Adams悬架模型集成至Isight模型，同时在Isight模型中通过DOE模块串联SimCode模块建立减震器摩擦力的DOE分析模型；其中Simcode模块集成了DOE分析所需的bat、cmd、asy、sub及txt文件，它们作用分别为：后台自动启动Adams并求解运算、定义运算工况及输出指标、定义求解文件、定义输入变量及后处理结果文件。

DOE分析模型建立后，在SimCode模块定义DOE分析的输入变量因子与响应因子，根据工程经验确认输入因子的变化范围，并将此范围作为输入变量因子的DOE分析边界，DOE分析类型采用Parameter Study，为保证优化模型结果准确度，变量因子的水平数不低于3，如表2所示,对输入因子在边界范围内采用20水平分析，得到变量因子输入矩阵(如表3所示)；设置减震器活塞杆与密封圈处、活塞与工作缸的侧向力为响应因子，通过DOE分析获取输入变量因子与响应因子之间的关联矩阵数据(参见表4)。

表2：

表3：

表4：

本实施例中，所述步骤3具体为：

首先将步骤2形成的关联矩阵数据导入至Matlab程序，调用神经网络模型拟合工具，将关联矩阵数据中的变量因子与响应因子设置为近似优化模型的变量因子与响应因子，并根据导入进来的数据行列类型进行数据类型选取。

设置训练、调整和测试三者之间的样本占比，占比设置推荐为70％、15％及15％，并设置模型训练的神经元个数及训练方法，最后完成模型的训练，模型训练完后进行拟合模型准确度检查(如图2所示)，如测试样本相关系数R达到0.95以上，则模型精度满足要求，如模型精度未达标，则重新选择神经元个数及训练方法，模型准确度达到要求后将近似优化模型转化为Matlab功能函数，函数命名和文件命名需一致。

本实施例中，所述步骤4具体为：

通过Isight的优化模块串联Matlab插件模块建立减震器摩擦力优化模型，将步骤3 形成的功能函数在Matlab插件模块定义为优化函数，并定义优化模型的变量因子与响应因子；变量因子与响应因子与步骤3保持一致。

在优化模块中选择NSGA_II优化算法，设置变量因子范围，并将此范围作为变量因子的优化边界，变量因子的范围与步骤2保持一致，最后以减震器侧向力望小为优化目标进行优化。如图3所示，通过本方法优化,活塞处及密封圈处侧向力由基础方案188N、503N(参见图3中的A处)优化至81N、217N(参见图3中的B处)，减震器总侧向力相比原方案降低57％，由此可见，本实施例中所述的方法能够在项目前期方案阶段，在不提高成本的前提上，有效降低减震器的摩擦力。

Claims (5)

1.一种高精度减震器摩擦力优化方法，其特征在于，包括以下步骤：

步骤1、建立侧向力减震器模型及Adams悬架模型；

步骤2、Isight集成Adams模型建立并进行DOE数据分析；

步骤3、基于DOE分析结果，利用Matlab进行近似优化模型建立；

步骤4、利用Isight集成模型优化减震器侧向力。

2.根据权利要求1所述的高精度减震器摩擦力优化方法，其特征在于：所述步骤1具体为：

首先在减震器导向座、减震器活塞处采用2个点线副来建立侧向力减震器模型，该侧向力减震器模型用于模拟减震活塞杆与筒体相对运动关系和模拟减震器侧向力；

在侧向力减震器模型基础上，基于底盘硬点、衬套布置、衬套刚度、弹簧预载及刚度特性建立Adams悬架模型并进行仿真，测量侧向力减震器模型中点线副上的接触力，即可获取各种仿真工作状态下的减震器侧向力。

3.根据权利要求2所述的高精度减震器摩擦力优化方法，其特征在于：所述步骤2具体为：

在Isight的SimCode模块中将步骤1建立的Adams悬架模型集成至Isight模型，同时在Isight模型中通过DOE模块串联SimCode模块建立减震器摩擦力的DOE分析模型；

DOE分析模型建立后，在SimCode模块定义DOE分析的输入变量因子与响应因子，确认输入因子的变化范围，并将此范围作为输入变量因子的DOE分析边界，DOE分析类型采用Parameter Study，变量因子的水平数不低于3，对输入因子在边界范围内采用20水平分析，得到变量因子输入矩阵；设置减震器活塞杆与密封圈处、活塞与工作缸的侧向力为响应因子，通过DOE分析获取输入变量因子与响应因子之间的关联矩阵数据。

4.根据权利要求3所述的高精度减震器摩擦力优化方法，其特征在于：所述步骤3具体为：

首先将步骤2形成的关联矩阵数据导入至Matlab程序，调用神经网络模型拟合工具，将关联矩阵数据中的变量因子与响应因子设置为近似优化模型的变量因子与响应因子，并根据导入进来的数据行列类型进行数据类型选取；

设置训练、调整和测试三者之间的样本占比，并设置模型训练的神经元个数及训练方法，最后完成模型的训练，模型训练完后进行拟合模型准确度检查，如测试样本相关系数R达到0.95以上，则模型精度满足要求，如模型精度未达标，则重新选择神经元个数及训练方法，模型准确度达到要求后将近似优化模型转化为Matlab功能函数，函数命名和文件命名需一致。

5.根据权利要求4所述的高精度减震器摩擦力优化方法，其特征在于：所述步骤3具体为：所述步骤4具体为：

通过Isight的优化模块串联Matlab插件模块建立减震器摩擦力优化模型，将步骤3形成的功能函数在Matlab插件模块定义为优化函数，并定义优化模型的变量因子与响应因子；变量因子与响应因子与步骤3保持一致；

在优化模块中选择NSGA_II优化算法，设置变量因子范围，并将此范围作为变量因子的优化边界，变量因子的范围与步骤2保持一致，最后以减震器侧向力望小为优化目标进行优化。

Images