CN111797471B - 基于径向基神经网络近似模型的发动机罩轻量化设计方法 - Google Patents

Abstract

本发明公开了一种基于径向基神经网络近似模型的发动机罩轻量化设计方法，基于径向基神经网络RBF近似模型的多目标轻量化优化分析：建立发动机罩总成有限元模型，并完成发动机罩模态及刚度分析；建立基于径向基RBF神经网络的近似模型，并依据近似模型进行多目标优化；发动机罩性能仿真验证及优化：建立发动机罩全内饰精细化模型，并完成发动机罩关闭瞬态强度分析，根据强度分析结果对局部结构进行优化。本发明基于径向基神经网络近似模型对发动机罩进行多目标轻量化优化分析，以获得最佳的轻量化方案，后续通过精细化模型进行性能仿真验证及优化，在保证优化效率的同时也保证了性能仿真的精度，并达到发动机罩钣金件厚度的最优化组合。

Description

基于径向基神经网络近似模型的发动机罩轻量化设计方法

技术领域

本发明涉及一种发动机罩轻量化设计方法，具体涉及一种基于径向基神经网络RBF近似模型的发动机罩轻量化设计方法。

背景技术

随着环境污染日益严重，对车辆的排放法规越来越严格，这就要求车辆向节能与新能源汽车方向发展，无论是传统燃油车还是新能源汽车，轻量化是解决这一问题的重要途径之一。而借助于计算机模拟仿真技术可以有效的提升产品开发效率，缩短产品开发周期，达到轻量化设计的目的。

对于汽车车身来说，大多数零部件采用钣金件结构，并且由于空间布置及功能等的限制，通过结构优化实现轻量化降重的效果有限，而对于钣金件本身料厚的优化对车身轻量化来说是非常有意义的，钣金件的料厚一般都可以在一个较宽的范围内变化，对于多个零件的总成来说，要计算多种料厚组合的性能可能要进行成千上万次计算，计算时间长，成本高。

发明内容

本发明的目的在于提出了一种基于径向基神经网络RBF近似模型的发动机罩轻量化设计方法，该方法通过径向基神经网络RBF近似模型，使发动机罩在保证性能的同时达到最轻量化设计，对发动机罩轻量化方案进行刚度、强度及开关耐久性能评价，以实现发动机罩的最优设计。

本发明的目的是通过以下技术方案实现的：

一种基于径向基神经网络近似模型的发动机罩轻量化设计方法，包含：

基于径向基神经网络RBF近似模型的多目标轻量化优化分析：建立发动机罩总成有限元模型，并完成发动机罩模态及刚度分析；建立基于径向基RBF神经网络的近似模型，并依据近似模型进行多目标优化；

发动机罩性能仿真验证及优化：建立发动机罩全内饰精细化模型，并完成发动机罩关闭瞬态强度分析，根据强度分析结果对局部结构进行优化。

进一步地，所述基于径向基神经网络RBF近似模型的多目标轻量化优化分析，包括：

1)建立发动机罩总成有限元模型，完成发动机罩性能分析；

2)选取发动机罩各钣金件料厚作为设计变量，依据各钣金件真实的料厚可变范围，给定变量的变化范围区间，变量设定为离散变量；

3)采用正交矩阵法选取变量试验矩阵，输出试验矩阵下各变量对应的有限元模型，分析计算不同变量发动机罩对应的模态、侧向刚度、中间约束扭转刚度、边约束扭转刚度值；

4)依次提取发动机罩各变量对应的一阶模态值、侧向载荷位移值、中间约束载荷位移值、边约束位移值，与变量值形成一一对应的数列矩阵；

5)依据数列矩阵建立基于径向基RBF神经网络的近似模型，依据近似模型，进行全局寻优，进行多目标优化，找到最优的变量组合方案。

进一步地，所述步骤1)中，建立发动机罩总成有限元模型的步骤为：DOE试验设计；样本点模型生成；划分有限元网格。

更进一步地，所述DOE试验设计中，矩阵样本点选取采用正交矩阵法。

进一步地，所述步骤1)中，发动机罩性能分析包括：发动机罩模态、侧向刚度、中间约束扭转刚度、边约束扭转刚度分析计算。

进一步地，所述步骤3)中，中间约束扭转刚度的计算公式为：

K＝F.L/arctan(S/L)，单位为N.m/°；其中，F为施加的力，L为发动机罩两个缓冲块之间的距离，S为载荷作用下的位移。

进一步地，所述步骤5)中建立的基于径向基RBF神经网络的近似模型，采用R-squared方法进行误差分析，保证通过学习训练，近似模型的误差分析值大于0.9。

进一步地，所述步骤5)中采用模拟退火全局优化算法进行全局寻优。

更进一步地，所述模拟退火全局优化算法的优化数学模型为：

X＝{x1,x2,…xn}T

gi(x)≥0i＝1,2,…n

Minf(x)

其中，X＝{x1,x2,…xn}T为优化变量，即发动机罩钣金件料厚，gi(x)≥0为约束不等式，即发罩一阶模态值、侧向刚度、中间约束扭转刚度、边约束扭转刚度大于等于目标值，f(x)为目标函数，即发动机罩总成质量。

进一步地，所述发动机罩性能仿真验证及优化，包括：

6)建立发动机罩全内饰精细化模型，包括密封条、锁、缓冲块，按照实际关系进行连接；

7)完成发动机罩关闭瞬态强度分析，采用显示非线性进行计算，如强度不合格，局部结构进行优化，重新进行发动机罩关闭瞬态强度分析，直到合格；

8)依据发动机罩关闭瞬态强度分析结果，完成发动机罩许用次数下的疲劳耐久分析，如不合格，需进行优化，如合格，分析流程结束。

本发明具有以下有益效果：

本发明提供一种基于径向基神经网络近似模型的发动机罩轻量化设计方法，包含基于径向基神经网络RBF近似模型的多目标轻量化优化分析及发动机罩性能仿真验证及优化。

基于径向基神经网络RBF近似模型的多目标轻量化分析包括：基于isight多目标优化平台，以发动机罩钣金件厚度作为设计变量，进行正交矩阵DOE试验设计，以发动机罩模态、侧向刚度、边约束扭转刚度、中间约束扭转刚度精细化有限元模型作为样本模型，获取不同设计变量下对应的特征值，依据特征变量对应的特征值数据矩阵建立径向基神经网络RBF近似模型，并保证误差分析R-squared大于0.9，说明近似模型精度较高，以模态、侧向刚度、边约束扭转刚度、中间约束扭转刚度作为约束变量，发罩总成质量最小作为优化目标，利用模拟退火算法进行全局寻优，获得发罩总成重量最小的设计变量组合方案。

采用精细化模型进一步进行性能的验证及优化，包括对发罩总成的模态、侧向刚度、边约束扭转刚度、中间约束扭转刚度、发罩开关瞬态冲击强度、发罩开关耐久疲劳强度进行性能分析，对不满足目标值的性能进行结构优化，直到满足要求。

本发明基于径向基神经网络近似模型对发动机罩进行多目标轻量化优化分析，以获得最佳的轻量化方案，后续通过精细化模型进行性能仿真验证及优化，在保证优化效率的同时也保证了性能仿真的精度，并达到发动机罩钣金件厚度的最优化组合，可以实现发动机罩的轻量化设计。

附图说明

图1为本发明方法整体流程图；

图2是本发明某车型发动机罩有限元模型图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

如图1所示，一种基于径向基神经网络近似模型的发动机罩轻量化设计方法，包含：

基于径向基神经网络RBF近似模型的多目标轻量化优化分析：建立发动机罩总成有限元模型，并完成发动机罩模态及刚度分析；建立基于径向基RBF神经网络的近似模型，并依据近似模型进行多目标优化；

发动机罩性能仿真验证及优化：建立发动机罩全内饰精细化模型，并完成发动机罩关闭瞬态强度分析，根据强度分析结果对局部结构进行优化。

进一步地，所述基于径向基神经网络RBF近似模型的多目标轻量化优化分析，包括：

1)建立发动机罩总成有限元模型，完成发动机罩性能分析；

2)选取发动机罩各钣金件料厚作为设计变量，依据各钣金件真实的料厚可变范围，给定变量的变化范围区间，变量设定为离散变量；

3)采用正交矩阵法选取变量试验矩阵，输出试验矩阵下各变量对应的有限元模型，分析计算不同变量发动机罩对应的模态、侧向刚度、中间约束扭转刚度、边约束扭转刚度值；

4)依次提取发动机罩各变量对应的一阶模态值、侧向载荷位移值、中间约束载荷位移值、边约束位移值，与变量值形成一一对应的数列矩阵；

5)依据数列矩阵建立基于径向基RBF神经网络的近似模型，依据近似模型，进行全局寻优，进行多目标优化，找到最优的变量组合方案。

进一步地，所述步骤1)中，建立发动机罩总成有限元模型的步骤为：DOE试验设计；样本点模型生成；划分有限元网格。

更进一步地，所述DOE试验设计中，矩阵样本点选取采用正交矩阵法。

进一步地，所述步骤1)中，发动机罩性能分析包括：发动机罩模态、侧向刚度、中间约束扭转刚度、边约束扭转刚度分析计算。

进一步地，所述步骤3)中，中间约束扭转刚度的计算公式为：

K＝F.L/arctan(S/L)，单位为N.m/°；其中，F为施加的力，L为发动机罩两个缓冲块之间的距离，S为载荷作用下的位移。

进一步地，所述步骤5)中建立的基于径向基RBF神经网络的近似模型，采用R-squared方法进行误差分析，保证通过学习训练，近似模型的误差分析值大于0.9。

进一步地，所述步骤5)中采用模拟退火全局优化算法进行全局寻优。

更进一步地，所述模拟退火全局优化算法的优化数学模型为：

X＝{x1,x2,…xn}T

gi(x)≥0i＝1,2,…n

Minf(x)

其中，X＝{x1,x2,…xn}T为优化变量，即发动机罩钣金件料厚，gi(x)≥0为约束不等式，即发罩一阶模态值、侧向刚度、中间约束扭转刚度、边约束扭转刚度大于等于目标值，f(x)为目标函数，即发动机罩总成质量。

进一步地，所述发动机罩性能仿真验证及优化，包括：

6)建立发动机罩全内饰精细化模型，包括密封条、锁、缓冲块，按照实际关系进行连接；

7)完成发动机罩关闭瞬态强度分析，采用显示非线性进行计算，如强度不合格，局部结构进行优化，重新进行发动机罩关闭瞬态强度分析，直到合格；

8)依据发动机罩关闭瞬态强度分析结果，完成发动机罩许用次数下的疲劳耐久分析，如不合格，需进行优化，如合格，分析流程结束。

实施例

参考图1，本发明所述的基于径向基神经网络RBF近似模型的发动机罩轻量化设计方法，包括如下步骤：

S1:建立发动机罩总成钣金件有限元模型，完成发动机罩模态、侧向刚度、中间约束扭转刚度、边约束扭转刚度四种分析工况的计算有限元模型边界条件及载荷设定。

S2:选取发动机罩各钣金件料厚作为设计变量，依据各钣金件真实的料厚可变范围，给定变量的变化范围区间，变量设定为离散变量。

S3:采用正交矩阵法选取变量试验矩阵，输出试验矩阵下各变量对应的有限元模型，分析计算不同变量发动机罩对应的模态、侧向刚度、中间约束扭转刚度、边约束扭转刚度值。

S4:中间约束扭转刚度的计算公式为：K＝F.L/arctan(S/L)，单位为N.m/°，其中，F为施加的力，L为发动机罩两个缓冲块之间的距离，S为载荷作用下的位移。

S5:依次提取发动机罩各变量对应的一阶模态值、侧向载荷位移值、中间约束载荷位移值、边约束位移值，与变量值形成一一对应的数列矩阵，通过刚度计算公式得到相应的刚度值，涉及公式计算部分，采用excel的公式集成提取。

S6:依据数列矩阵建立基于径向基RBF神经网络的近似模型，通过学习训练，保证误差分析R-squared大于0.9，说明近似模型精度较高，近似模型可以代替真实的有限元模型进行优化分析。

S7：利用近似模型，采用模拟退火全局优化算法进行全局寻优，优化的数学模型为：

X＝{x1,x2,…xn}T

gi(x)≥0i＝1,2,…n

Minf(x)

其中，X＝{x1,x2,…xn}T为优化变量，即发动机罩钣金件料厚，gi(x)≥0为约束不等式，即发罩一阶模态值、侧向刚度、中间约束扭转刚度、边约束扭转刚度大于等于目标值，f(x)为目标函数，即发罩总成质量。通过优化，获得最优的发动机罩钣金件料厚组合。

S8：通过优化获得钣金件料厚组合，采用有限元模型，对一阶模态、侧向刚度、边约束扭转刚度、中间约束扭转刚度性能进行验算，不合格则需进行优化。

S9：对发动机罩总成进行精细化有限元模型搭建，包括密封条建模、锁、缓冲块等，密封条依据几何模型进行六面体网格建模，网格尺寸选择5mm，保证足够精度，密封条采用ABAQUS软件MOONEY-RIVILIN本构模型进行建模，密封条性能参数通过试验标定测得，以保证分析输入准确性。

S10:发动机罩锁的建模。依据发动机罩锁几何结构进行网格划分，锁壳采用壳单元网格，锁舌及锁环采用体单元建模，锁簧采用弹簧单元建模，赋予相应的刚度、阻尼及预压缩量等属性，所有输入参数要确保准确。

S11:铰链轴采用hinge单元建模，赋予实际的直径属性，缓冲块也采用六面体单元进行建模，将发动机罩总成各零部件按照发罩实际连接关系建立连接，完成全内饰发动机罩总成有限元模型搭建，确保模型质量与设计理论质量一致。

S12：将发动机罩有限元模型开启一个小角度，设置发动机罩关闭时的旋转角速度ω，模拟发动机罩关闭瞬间，采用显示非线性算法，完成发动机罩关闭瞬态强度分析，若强度不合格，需进行局部结构优化。

S13：发动机罩开关瞬态强度结果导入到疲劳分析软件virtual.lab中，完成目标次数下发动机罩总成开关疲劳强度分析，若疲劳损伤值大于1，则对局部结构进行优化，重复步骤13，直到结果合格。

本发明提供一种基于径向基神经网络RBF近似模型的发动机罩轻量化设计方法，包含基于径向基神经网络RBF近似模型的多目标轻量化优化分析及发动机罩性能仿真验证及优化。

基于径向基神经网络RBF近似模型的多目标轻量化分析包括：基于isight多目标优化平台，以发动机罩钣金件厚度作为设计变量，进行正交矩阵DOE试验设计，以发动机罩模态、侧向刚度、边约束扭转刚度、中间约束扭转刚度精细化有限元模型作为样本模型，获取不同设计变量下对应的特征值，依据特征变量对应的特征值数据矩阵建立径向基神经网络RBF近似模型，并保证误差分析R-squared大于0.9，说明近似模型精度较高，以模态、侧向刚度、边约束扭转刚度、中间约束扭转刚度作为约束变量，发罩总成质量最小作为优化目标，利用模拟退火算法进行全局寻优，获得发罩总成重量最小的设计变量组合方案。

采用精细化模型进一步进行性能的验证及优化，包括对发动机罩总成的模态、侧向刚度、边约束扭转刚度、中间约束扭转刚度、发罩开关瞬态冲击强度、发罩开关耐久疲劳强度进行性能分析，对不满足目标值的性能进行结构优化，直到满足要求。

Claims (9)

1.一种基于径向基神经网络近似模型的发动机罩轻量化设计方法，其特征在于，包含：

基于径向基神经网络RBF近似模型的多目标轻量化优化分析：建立发动机罩总成有限元模型，并完成发动机罩模态及刚度分析；建立基于径向基RBF神经网络的近似模型，并依据近似模型进行多目标优化；

所述基于径向基神经网络RBF近似模型的多目标轻量化优化分析包括：

1)建立发动机罩总成有限元模型，完成发动机罩性能分析；

2)选取发动机罩各钣金件料厚作为设计变量，依据各钣金件真实的料厚可变范围，给定变量的变化范围区间，变量设定为离散变量；

3)采用正交矩阵法选取变量试验矩阵，输出试验矩阵下各变量对应的有限元模型，分析计算不同变量发动机罩对应的模态、侧向刚度、中间约束扭转刚度、边约束扭转刚度值；

4)依次提取发动机罩各变量对应的一阶模态值、侧向载荷位移值、中间约束载荷位移值、边约束位移值，与变量值形成一一对应的数列矩阵；

5)依据数列矩阵建立基于径向基RBF神经网络的近似模型，依据近似模型，进行全局寻优，进行多目标优化，找到最优的变量组合方案；

发动机罩性能仿真验证及优化：建立发动机罩全内饰精细化模型，并完成发动机罩关闭瞬态强度分析，根据强度分析结果对局部结构进行优化。

2.如权利要求1所述的一种基于径向基神经网络近似模型的发动机罩轻量化设计方法，其特征在于，所述步骤1)中，建立发动机罩总成有限元模型的步骤为：DOE试验设计；样本点模型生成；划分有限元网格。

3.如权利要求2所述的一种基于径向基神经网络近似模型的发动机罩轻量化设计方法，其特征在于，所述DOE试验设计中，矩阵样本点选取采用正交矩阵法。

4.如权利要求1所述的一种基于径向基神经网络近似模型的发动机罩轻量化设计方法，其特征在于，所述步骤1)中，发动机罩性能分析包括：发动机罩模态、侧向刚度、中间约束扭转刚度、边约束扭转刚度分析计算。

5.如权利要求1所述的一种基于径向基神经网络近似模型的发动机罩轻量化设计方法，其特征在于，所述步骤3)中，中间约束扭转刚度的计算公式为：

K＝F.L/arctan(S/L)，单位为N.m/°；其中，F为施加的力，L为发动机罩两个缓冲块之间的距离，S为载荷作用下的位移。

6.如权利要求1所述的一种基于径向基神经网络近似模型的发动机罩轻量化设计方法，其特征在于，所述步骤5)中建立的基于径向基RBF神经网络的近似模型，采用R-squared方法进行误差分析，保证通过学习训练，近似模型的误差分析值大于0.9。

7.如权利要求1所述的一种基于径向基神经网络近似模型的发动机罩轻量化设计方法，其特征在于，所述步骤5)中采用模拟退火全局优化算法进行全局寻优。

8.如权利要求7所述的一种基于径向基神经网络近似模型的发动机罩轻量化设计方法，其特征在于，所述模拟退火全局优化算法的优化数学模型为：

X＝{x1,x2,…xn}T

gi(x)≥0 i＝1,2,…n

Minf(x)

其中，X＝{x1,x2,…xn}T为优化变量，即发动机罩钣金件料厚，gi(x)≥0为约束不等式，即发罩一阶模态值、侧向刚度、中间约束扭转刚度、边约束扭转刚度大于等于目标值，f(x)为目标函数，即发动机罩总成质量。

9.如权利要求1所述的一种基于径向基神经网络近似模型的发动机罩轻量化设计方法，其特征在于，所述发动机罩性能仿真验证及优化，包括：

6)建立发动机罩全内饰精细化模型，包括密封条、锁、缓冲块，按照实际关系进行连接；

7)完成发动机罩关闭瞬态强度分析，采用显示非线性进行计算，如强度不合格，局部结构进行优化，重新进行发动机罩关闭瞬态强度分析，直到合格；

8)依据发动机罩关闭瞬态强度分析结果，完成发动机罩许用次数下的疲劳耐久分析，如不合格，需进行优化，如合格，分析流程结束。

Images