CN111931285A - 一种基于多学科多目标优化的车辆轻量化正向设计方法 - Google Patents
一种基于多学科多目标优化的车辆轻量化正向设计方法 Download PDFInfo
- Publication number
- CN111931285A CN111931285A CN202010601926.1A CN202010601926A CN111931285A CN 111931285 A CN111931285 A CN 111931285A CN 202010601926 A CN202010601926 A CN 202010601926A CN 111931285 A CN111931285 A CN 111931285A
- Authority
- CN
- China
- Prior art keywords
- design
- optimization
- model
- vehicle
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 140
- 238000005457 optimization Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 230000035945 sensitivity Effects 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims abstract description 15
- 238000011160 research Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 239000013585 weight reducing agent Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 5
- 238000011161 development Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000012827 research and development Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000010206 sensitivity analysis Methods 0.000 description 3
- 238000002922 simulated annealing Methods 0.000 description 3
- 238000012938 design process Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于多学科多目标优化的车辆轻量化正向设计方法，包括：1)车辆性能及轻量化目标设定，含市场调研，整车各项性能目标设定，车辆轻量化目标设定；2)原模型约束条件解析计算，包括车身有限元模型的建立，有限元模型准确性验证；3)各设计因子灵敏度分析，包括设计因子和因子水平的选取，多目标优化设计模型采样，各采样点约束条件计算，加权相对灵敏度计算，筛选重要的设计因子和水平，针对筛选的因子和因子水平重新进行DOE采样；4)近似模型的建立以及有效性评价；5)模型优化求解；6)优化结果输出及仿真验证。本发明可以在减轻车身结构质量的同时，提高产品性能，提高设计效率，缩短研发与制造周期，节省开发和制造成本。
Description
技术领域
本发明创造属于汽车轻量化设计领域，尤其是涉及一种基于多学科多目标优化的车辆轻量化正向设计方法。
背景技术
车辆轻量化水平对于节约能源、减少废气排放具有十分积极的意义，已经成为当今汽车行业的发展方向之一。汽车设计过程中涉及NVH、结构刚强度、疲劳耐久和碰撞安全性能等多个学科，传统的串行设计开发模式通过加权组合、目标规划、功效系数等将多目标转化为单目标优化问题，未考虑各学科的相互耦合和制约，缺乏系统性和全局性。汽车的轻量化技术主要包括结构轻量化、材料轻量化以及工艺轻量化三个层面。其中结构轻量化和新材料轻量化对于整车减重效果最为明显，几乎提供了整车轻量化百分之九十的贡献率，将是未来长期发展的一个方向。因而有必要综合权衡学科间的各项性能指标，开展多学科多目标约束的轻量化优化设计，提出一套切实可行的充分考虑不同学科之间相互影响关系的，能有效地减少设计过程中不同性能反复迭代验证的车辆开发全流程、多性能的轻量化正向设计方法。
发明内容
有鉴于此，本发明创造旨在提出一种基于多学科多目标优化的车辆轻量化正向设计方法，可以覆盖车辆开发的全流程、多性能。解决了考虑多学科多目标的车辆轻量化正向开发设计中存在的方法问题。
为达到上述目的，本发明创造的技术方案是这样实现的：
一种基于多学科多目标优化的车辆轻量化正向设计方法，包括以下步骤：
1)车辆性能及轻量化目标设定。包括市场调研，整车各项性能目标设定，车辆轻量化目标设定。
2)原模型约束条件解析计算。包括车身有限元模型的建立，有限元模型准确性验证。
3)各设计因子灵敏度分析。包括设计因子和因子水平的选取，多目标优化设计模型DOE采样，各采样点约束条件计算，加权相对灵敏度计算，筛选重要的设计因子和水平，针对筛选的因子和因子水平重新进行DOE采样。
4)近似模型的建立以及有效性评价。
5)模型优化求解。
6)优化结果输出及仿真验证。
每个步骤具体实现方式如下：
步骤(1)车辆性能及轻量化目标设定具体包括：市场调研，整车各项性能目标设定和车辆轻量化目标设定。即根据市场调研结果和原平台车型的摸底分析确定所开发车辆性能目标和轻量化目标。所述车辆性能目标包括静力学刚度、模态、NVH、碰撞安全性及车身局部强度等车辆的各项结构性能指标。所述轻量化目标可以是车身质量也可以是减重目标，对于白车身设计，可以选用白车身轻量化系数作为轻量化目标。
进一步的，步骤(2)原模型约束条件解析计算具体包括：车身有限元模型的建立，有限元模型准确性验证。即通过前处理软件Hypermesh/Ansa等建立车辆刚度有限元模型和碰撞有限元模型，通过有限元求解软件NASTRAN/Ls-Dyna/Abaqus等实现车身性能仿真分析，进而与试验结果对标验证所述有限元模型的准确性，调整所述有限元模型直至误差小于预设百分比，完成初始设计方案的性能评估。
进一步的，步骤(3)各设计因子灵敏度分析，确定设计变量。具体包括：设计因子和因子水平的选取，多目标优化设计模型DOE采样，各采样点约束条件计算，加权相对灵敏度计算，筛选重要的设计因子和水平，针对筛选的因子和因子水平重新进行DOE采样。
进一步的，根据工程经验以及试验与有限元仿真结果选取对结构强度影响较大的各个独立部件，步骤(3)中所述设计因子包括各部件的材料牌号和料厚、尺寸、形状等设计参数以及关键部件间的连接方式等。针对不同的设计因子确定其变化范围，给出对应的因子水平。
进一步的，步骤(3)中所述多目标优化设计模型采样工作通过DOE方法完成。所述DOE方法包括全因子试验设计、田口试验设计以及拉丁超立方试验设计方法，本发明采用拉丁超立方试验设计方法在设计域内采样，可以快速生成样本点并能均匀填充设计空间。
进一步的，计算步骤(3)所述的多目标优化设计模型各采样点的车辆性能值，基于加权相对灵敏度技术识别并筛选出对车身性能不敏感但是对轻量化较敏感的设计参数，找到车身的薄弱环节和关键的设计区域，确定优化设计变量。并通过加权相对灵敏度为后续多学科设计优化提供以下信息：各参数对刚度、模态及碰撞安全性能指标的相关关系；关键板厚参数及关键材料参数对刚度、模态及碰撞安全性能指标的贡献率分析；探讨去除某些非关键结构件的可能性；开展设计参数与性能、性能与性能间的相关性研究。
进一步的，在步骤(3)中针对通过加权相对灵敏度分析筛选的关键因子和因子水平再次进行DOE采样，以用于后续的优化设计。
进一步的，步骤(4)近似模型的建立以及有效性评价具体包括：根据步骤(3)计算得到的加权相对灵敏度建立合适的近似模型并对该近似模型进行有效性验证。
进一步的，步骤(4)中近似模型的建立即利用数学理论上的近似技术对离散点数据进行拟合或插值以实现对未知点响应的预测，并拟合所述目标和所述约束与所述设计因子之间的函数关系。其目的是用简单的具有表达式的数学模型来替代工程设计中复杂的、具有大量自由度的计算机仿真模型进行分析与计算。所述近似模型包括RSM响应面模型、正交多项式模型、Kriging模型及径向基/椭圆基神经网络模型等。
进一步的，步骤(4)中采用残差平方和对所述近似模型的有效性进行验证。如果有效性无法保证，则增加DOE分析采样点或者修改所述近似模型验证近似模型计算精度是否满足模型有效性要求。
进一步的，步骤(5)中利用机器学习方法对步骤(4)中验证有效的近似模型求解其Pareto解。所述机器学习方法包括第二代非劣解排序遗传算法(NSGA-II)、模拟退火法、蚁群算法、蛙跳算法等。
进一步的，步骤(6)优化结果输出及仿真验证具体指：结合工程经验以及步骤(5)所述机器学习方法获得的最优解得到一套最优的设计方案，再调用步骤(2)所建有限元仿真分析模型，对优化方案进行验证。若达到车辆性能和轻量化要求等约束条件和目标条件则优化流程结束，若不满足则需重新进行优化。
相对于现有技术，本发明创造所述的一种基于多学科多目标优化的车辆轻量化正向设计方法具有以下优势：
1)兼顾车辆轻量化设计的全流程，多性能。从产品规划及定义阶段、概念设计阶段到后期详细设计阶段，同时既可应用于整车轻量化设计层面也可应用于零部件轻量化设计层面，兼顾形状优化、尺寸优化、结构拓扑优化三个方面。
2)基于多学科多目标进行优化，充分考虑不同学科之间的相互影响关系。
3)采用加权相对灵敏度分析方法确定车辆轻量化设计的关键部件，利于针对性优化。
4)基于近似模型的车辆轻量化设计方法，利用数学理论上的近似技术对离散点数据进行拟合或插值以实现对未知点响应的预测，用简单的具有表达式的数学模型来替代工程设计中复杂的、具有大量自由度的计算机仿真模型进行分析与计算，有效避免有限元计算时间长的缺点。
5)采用机器学习方法求解优化模型，可得到全局范围内的最优解。
6)当验证优化不满足车辆性能和轻量化需求时，可对优化算法、近似模型、设计因子进行灵活调整，使得本发明的多学科多目标优化车辆轻量化正向设计方法更加灵活、更加便捷、性能更加优异，能获得更优的设计方案，满足更加严格的车辆性能和轻量化指标。
本发明可以在减轻车身结构质量的同时，提高产品性能，提高设计效率，缩短研发与制造周期，节省开发和制造成本。
附图说明
构成本发明创造的一部分的附图用来提供对本发明创造的进一步理解，本发明创造的具体实施方式及其说明用于解释本发明创造，并不构成对本发明创造的不当限定。在附图中：
图1为本发明创造实施例所述的一种基于多学科多目标优化的车辆轻量化正向设计方法流程示意图；
图2为本发明创造实施例所述的一种基于多学科多目标优化的车辆轻量化正向设计方法详细流程示意图。
具体实施方式
在本发明创造的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。
下面将参考附图来详细说明本发明创造。
一种基于多学科多目标优化的车辆轻量化正向设计方法，如图1和图2所示，包括以下步骤：
步骤(1)车辆性能目标及轻量化目标设定。包括(11)市场调研，(12)车辆性能目标设定，(13)车辆轻量化目标设定。即根据市场调研结果确定所开发车辆性能目标和轻量化目标；优选的，可以根据市场调研结果和原平台车型的摸底分析确定所开发车辆性能目标和轻量化目标。
优选的，所述车辆性能目标包括静力学刚度、模态、NVH、碰撞安全性及车身局部强度等车辆的各项结构性能指标。所述轻量化目标可以是车身质量也可以是减重目标，对于白车身设计，可以选用国际普遍接受的汽车车身轻量化技术水平评价指标——白车身轻量化系数作为轻量化目标。
优选的，白车身轻量化系数定义为：
式中，L为白车身轻量化系数，单位是kg/(N*m3/°)；m为白车身质量，单位是kg；CT为车身静态扭转刚度，单位是N*m/°；A为车身四轮之间的正投影面积，等于轴距与前后轮轮距均值的乘积，单位是m2。
优选的，可以根据实际项目具体需要选择轻量化目标和某一车辆性能目标作为优化目标，而其他车辆性能作为优化的约束条件。
步骤(2)原模型约束条件解析计算。包括(21)车身有限元模型的建立和(22)有限元模型准确性验证。即通过前处理软件建立车身有限元模型，车身有限元模型包括车辆刚度有限元模型和碰撞有限元模型，求解有限元模型实现车身性能仿真分析，进而与试验结果对标，获取所述车辆性能仿真值与试验值的误差；在所述误差不小于一个预设百分比时，调整所述有限元模型直至误差小于预设百分比，从而验证所述有限元模型的准确性，完成初始设计方案的性能评估。
优选的，采用前处理软件Hypermesh/Ansa等建立车辆刚度有限元模型和碰撞有限元模型，采用有限元求解软件NASTRAN/Ls-Dyna/Abaqus等实现车身性能仿真分析。通过车辆刚度有限元模型进行静力学刚度、模态仿真分析，通过碰撞有限元模型进行各碰撞工况下的结构强度仿真分析。
步骤(3)各设计因子灵敏度分析。包括(31)设计因子和因子水平的选取，(32)多目标优化设计模型采样，(33)各采样点约束条件计算，(34)加权相对灵敏度计算，(35)筛选重要的设计因子和因子水平，(36)针对筛选的重要设计因子和因子水平重新进行DOE采样。
优选的，根据工程经验以及试验、有限元仿真结果选取对结构强度影响较大的各个独立部件，步骤(31)中所述设计因子包括各部件的材料牌号和料厚、尺寸、形状等设计参数以及关键部件间的连接方式等。针对不同的设计因子确定其变化范围，给出对应的因子水平。步骤(31)中选取的设计因子和对应的因子水平形成设计域。
优选的，步骤(32)中多目标优化设计模型具体从设计域中采样：步骤(32)中所述多目标优化设计模型的采样工作通过DOE方法完成。所述DOE方法包括全因子试验设计、田口试验设计以及拉丁超立方试验设计方法，本发明采用拉丁超立方试验设计方法在设计域内采样，可以快速生成样本点并能均匀填充设计空间。
优选的，通过步骤(33)计算步骤(32)所述的多目标优化设计模型各采样点的优化目标值和约束条件值。
优选的，步骤(34)通过计算设计因子相对于轻量化目标和各个性能的灵敏度，对轻量化目标和各个性能选取不同的权重，从而进行加权得到加权相对灵敏度。
优选的，步骤(35)中，对各设计因子的加权相对灵敏度进行排序，识别并筛选出对车身性能不敏感但是对轻量化较敏感的设计参数，找到车身的薄弱环节和关键的设计区域，确定优化设计变量。并通过加权相对灵敏度为后续多学科设计优化提供以下信息：各参数对刚度、模态及碰撞安全性能指标的相关关系；关键板厚参数及关键材料参数对刚度、模态及碰撞安全性能指标的贡献率分析；探讨去除某些非关键结构件的可能性；开展设计参数与性能、性能与性能间的相关性研究。
优选的，步骤(36)中针对通过加权相对灵敏度分析筛选得到的关键设计因子和因子水平再次进行DOE采样，以用于后续的优化设计。
步骤(4)近似模型的建立以及有效性评价包括：(41)根据步骤(34)计算得到的加权相对灵敏度建立合适的近似模型以及(42)对该近似模型进行有效性验证。
优选的，步骤(41)中近似模型的建立即利用数学理论上的近似技术对离散点数据进行拟合或插值以实现对未知点响应的预测，并通过加权相对灵敏度拟合所述优化目标和所述约束与所述设计因子之间的函数关系。其目的是用简单的具有表达式的数学模型来替代工程设计中复杂的、具有大量自由度的计算机仿真模型进行分析与计算。所述近似模型包括RSM响应面模型、正交多项式模型、Kriging模型及径向基/椭圆基神经网络模型等。
优选的，一个具有n个待优化变量、m个目标变量的多目标协同优化的近似模型可表述如下：
V-min y＝f(x)＝[f1(x),f2(x),…,fn(x)] n＝1,2,…N
s.t.gi(x)≤0 i＝1,2,…m
hj(x)＝0 j＝1,2,…k
x＝[x1,x2,…xd,…,xD]
xd(min)≤xd≤xd(max) d＝1,2,…D
式中，V-min表示向量极小化，即目标向量f(x)＝[f1(x),f2(x),…,fn(x)]中的所有子目标函数都尽可能达到极小。fn(x)为第n个子目标函数，x为D维待优化向量，y为目标向量，N为优化目标总数；gi(x)≤0为第i个不等式约束，hj(x)＝0为第j个等式约束；xd(min)和xd(max)为向量搜索域的上下限。
优选的，步骤(42)中采用残差平方和对所述近似模型的有效性进行验证。近似模型的有效性验证指验证所拟合近似模型的计算精度是否满足近似模型有效性要求，有效证要求即所拟合近似模型的计算精度在误差允许范围内。
如果有效性无法保证，即近似模型的计算精度在误差允许范围以外，则更新步骤(32)中的多目标优化设计模型采样点，重新执行步骤(3)和步骤(4)，直到验证近似模型的计算精度满足近似模型有效性要求。优选的，更新步骤(32)中多目标优化设计模型采样点的方法为增加采样点。
所拟合近似模型的计算精度通常由根据残差平方和确定的决定系数R2来表示。R2的计算公式如下所示：
式中，yi表示第i个样本点的精确模型响应值，
表示在第i个点的拟合预测值。R2的值越接近于l，则表示拟合的近似模型质量越好。
步骤(5)模型优化求解。利用机器学习方法对步骤(4)中验证有效的近似模型求解其Pareto解。
优选的，所述机器学习方法包括第二代非劣解排序遗传算法(NSGA-II)、模拟退火法、蚁群算法、蛙跳算法等。
步骤(6)优化结果输出及仿真验证。根据步骤(5)所述机器学习方法获得的Pareto解得到优化后设计方案，完成优化结果输出。优选的，可以将所述Pareto解结合工程经验获得优化后设计方案。
仿真验证指通过有限元模型进行仿真来完成验证；优选的，可以调用步骤(2)所建有限元仿真分析模型，对优化后设计方案进行验证。若仿真结果显示优化后设计方案达到车辆性能和轻量化要求等约束条件和目标条件，则优化流程结束，若不满足则需重新进行优化。
在本发明的一个实施例中，若步骤(6)中的优化后设计方案未达到车辆性能和轻量化目标，执行以下调整步骤(71)、(72)、(73)中的一个或多个，直到优化后设计方案达到车辆性能和轻量化目标。
步骤(71)，调整优化算法。若优化后设计方案未达到车辆性能和轻量化目标，则调整步骤(5)中的优化求解算法，重新执行步骤(5)和步骤(6)，直到优化后设计方案未达到车辆性能和轻量化目标。优选的，优化求解算法采用机器学习方法，可选择范围包括但不限于第二代非劣解排序遗传算法(NSGA-II)、模拟退火法、蚁群算法、蛙跳算法。
步骤(72)，调整近似模型。若优化后设计方案未达到车辆性能和轻量化目标，则调整步骤(4)中的近似模型，重新执行步骤(4)-(6)，直到优化后设计方案达到车辆性能和轻量化目标。优选的，近似模型可选范围包括RSM响应面模型、正交多项式模型、Kriging模型及径向基/椭圆基神经网络模型。
步骤(73)，调整设计因子。若优化后设计方案未达到车辆性能和轻量化目标，则调整步骤(3)中的设计因子，重新执行步骤(3)-(6)，直到优化后设计方案未达到车辆性能和轻量化目标。优选的，调整步骤(3)中的设计因子的方法为扩大设计因子的范围，即增加设计因子。
本发明通过执行调整步骤(71)、(72)、(73)中的一个或多个，使得本发明的多学科多目标优化车辆轻量化正向设计方法更加灵活、更加便捷、性能更加优异，能获得更优的设计方案，满足更加严格的车辆性能和轻量化指标。
以上所述仅为本发明创造的较佳实施方法而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明创造的保护范围之内。
Claims (10)
1.一种基于多学科多目标优化的车辆轻量化正向设计方法，其特征在于包括以下步骤：
步骤(1)车辆性能目标及轻量化目标设定；
步骤(2)原模型约束条件解析计算：建立车身有限元模型，将车身有限元模型求解结果与试验结果对标，调整有限元模型直至误差小于预设百分比，验证有限元模型准确性，完成初始设计方案的性能评估；
步骤(3)各设计因子灵敏度分析：选取设计因子和因子水平，对多目标优化设计模型进行采样，计算各采样点约束条件，计算加权相对灵敏度，筛选重要的设计因子和因子水平，针对筛选的重要设计因子和因子水平重新进行采样；
步骤(4)根据所述加权相对灵敏度建立近似模型，对近似模型进行有效性验证；
步骤(5)优化求解步骤(4)中验证有效的近似模型；
步骤(6)优化求解结果输出及仿真验证。
2.根据权利要求1所述的基于多学科多目标优化的车辆轻量化正向设计方法，其特征在于：车辆性能目标和车辆轻量化目标根据市场调研结果确定；所述车辆性能目标包括静力学刚度、模态、NVH、碰撞安全性及车身局部强度的车辆各项结构性能指标；所述轻量化目标为车身质量或减重目标。
3.根据权利要求1所述的基于多学科多目标优化的车辆轻量化正向设计方法，其特征在于：选择轻量化目标和某一车辆性能目标作为优化目标，其他车辆性能目标作为优化的约束条件。
4.根据权利要求1所述的基于多学科多目标优化的车辆轻量化正向设计方法，其特征在于：优化求解结果输出后还包括仿真验证步骤；将优化求解结果代入有限元模型对优化方案进行验证，若验证结果显示优化求解结果达到车辆性能和轻量化要求约束条件和目标条件，则优化流程结束，若不满足则需重新进行优化。
5.根据权利要求3所述的基于多学科多目标优化的车辆轻量化正向设计方法，其特征在于：所述重新进行优化步骤中，可以执行调整优化算法、调整近似模型和调整设计因子中的一个或多个，直至优化求解结果达到车辆性能目标和轻量化目标。
6.根据权利要求1所述的基于多学科多目标优化的车辆轻量化正向设计方法，其特征在于：设计因子包括各部件的材料牌号和料厚、尺寸、形状设计参数以及部件间的连接方式；针对不同的设计因子确定其变化范围，给出对应的因子水平。
7.根据权利要求1所述的基于多学科多目标优化的车辆轻量化正向设计方法，其特征在于：选取的设计因子和对应的因子水平形成设计域，多目标优化设计模型从设计域中采样，计算多目标优化设计模型各采样点的优化目标值和约束条件值；通过计算设计因子相对于轻量化目标和各个性能的灵敏度，对轻量化目标和各个性能选取不同的权重，进行加权得到加权相对灵敏度。
8.根据权利要求1所述的基于多学科多目标优化的车辆轻量化正向设计方法，其特征在于：近似模型通过加权相对灵敏度拟合所述优化目标和所述约束与所述设计因子之间的函数关系。
9.根据权利要求1所述的基于多学科多目标优化的车辆轻量化正向设计方法，其特征在于：具有n个待优化变量、m个目标变量的多目标协同优化的近似模型如下：
V-min y＝f(x)＝[f1(x),f2(x),…,fn(x)] n＝1,2,…N
s.t.gi(x)≤0 i＝1,2,…m
hj(x)＝0 j＝1,2,…k
x＝[x1,x2,…xd,…,xD]
xd(min)≤xd≤xd(max) d＝1,2,…D
式中，V-min表示向量极小化，即目标向量f(x)＝[f1(x),f2(x),…,fn(x)]中的所有子目标函数都尽可能达到极小；fn(x)为第n个子目标函数，x为D维待优化向量，y为目标向量，N为优化目标总数；gi(x)≤0为第i个不等式约束，hj(x)＝0为第j个等式约束；xd(min)和xd(max)为向量搜索域的上下限。
10.根据权利要求9所述的基于多学科多目标优化的车辆轻量化正向设计方法，其特征在于：采用残差平方和对所述近似模型的有效性进行验证，如果有效性无法保证，则更新步骤(3)中的多目标优化设计模型采样点，直至近似模型有效。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010601926.1A CN111931285A (zh) | 2020-06-29 | 2020-06-29 | 一种基于多学科多目标优化的车辆轻量化正向设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010601926.1A CN111931285A (zh) | 2020-06-29 | 2020-06-29 | 一种基于多学科多目标优化的车辆轻量化正向设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111931285A true CN111931285A (zh) | 2020-11-13 |
Family
ID=73316276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010601926.1A Pending CN111931285A (zh) | 2020-06-29 | 2020-06-29 | 一种基于多学科多目标优化的车辆轻量化正向设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111931285A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112711813A (zh) * | 2020-12-31 | 2021-04-27 | 中汽研（天津）汽车工程研究院有限公司 | 一种铆接结构的轻量化方法 |
| CN113239460A (zh) * | 2021-05-13 | 2021-08-10 | 东风柳州汽车有限公司 | 汽车轻量化设计方法、装置、设备及存储介质 |
| CN113434950A (zh) * | 2021-05-18 | 2021-09-24 | 江铃汽车股份有限公司 | 卡车导流罩设计方法及系统 |
| CN114104221A (zh) * | 2021-11-18 | 2022-03-01 | 五邑大学 | 船体结构优化方法、系统以及存储介质 |
| CN115310337A (zh) * | 2022-10-12 | 2022-11-08 | 中汽研（天津）汽车工程研究院有限公司 | 基于人工智能的车辆动力学性能预测方法 |
| CN118211330A (zh) * | 2024-05-16 | 2024-06-18 | 山东轴研精密轴承有限公司 | 一种重载商用车的底盘轮毂轴承单元轻量化系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190189A (zh) * | 2018-08-10 | 2019-01-11 | 武汉理工大学 | 一种车身侧围安全部件混合变量匹配优化设计方法 |
| CN110210134A (zh) * | 2019-06-04 | 2019-09-06 | 合肥工业大学 | 一种白车身结构优化设计方法及结构优化设计装置 |
-
2020
- 2020-06-29 CN CN202010601926.1A patent/CN111931285A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190189A (zh) * | 2018-08-10 | 2019-01-11 | 武汉理工大学 | 一种车身侧围安全部件混合变量匹配优化设计方法 |
| CN110210134A (zh) * | 2019-06-04 | 2019-09-06 | 合肥工业大学 | 一种白车身结构优化设计方法及结构优化设计装置 |
Non-Patent Citations (2)
| Title |
|---|
| 王平等: "基于协同优化和多目标遗传算法的车身结构多学科优化设计", 《机械工程学报》 * |
| 王骞等: "基于侧面碰撞安全性的电动汽车车身结构件轻量化设计", 《汽车技术》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112711813A (zh) * | 2020-12-31 | 2021-04-27 | 中汽研（天津）汽车工程研究院有限公司 | 一种铆接结构的轻量化方法 |
| CN113239460A (zh) * | 2021-05-13 | 2021-08-10 | 东风柳州汽车有限公司 | 汽车轻量化设计方法、装置、设备及存储介质 |
| CN113434950A (zh) * | 2021-05-18 | 2021-09-24 | 江铃汽车股份有限公司 | 卡车导流罩设计方法及系统 |
| CN114104221A (zh) * | 2021-11-18 | 2022-03-01 | 五邑大学 | 船体结构优化方法、系统以及存储介质 |
| CN115310337A (zh) * | 2022-10-12 | 2022-11-08 | 中汽研（天津）汽车工程研究院有限公司 | 基于人工智能的车辆动力学性能预测方法 |
| CN118211330A (zh) * | 2024-05-16 | 2024-06-18 | 山东轴研精密轴承有限公司 | 一种重载商用车的底盘轮毂轴承单元轻量化系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111931285A (zh) | 一种基于多学科多目标优化的车辆轻量化正向设计方法 | |
| CN110348088A (zh) | 基于代理模型的轻量化车身结构多目标优化方法 | |
| US20170024497A1 (en) | Product design considering cost and structural performance | |
| US20050143962A1 (en) | Computational design methods | |
| CN109711061A (zh) | 基于整车怠速振动性能的动力总成悬置稳健性优化方法 | |
| CN110210134B (zh) | 一种白车身结构优化设计方法及结构优化设计装置 | |
| CN111125946B (zh) | 一种基于mdo技术的上车体结构优化方法 | |
| CN106991212B (zh) | 基于ga_pso优化grnn网络算法的叶根强度预测方法 | |
| CN112580228B (zh) | 一种涡扇发动机混合结构风扇叶片结构设计优化方法 | |
| Chen | FE model validation for structural dynamics | |
| CN112231839B (zh) | 针对高耗时约束的飞行器追峰采样智能探索方法 | |
| CN111797471A (zh) | 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 | |
| CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
| CN115099093A (zh) | 一种基于熵权topsis的白车身结构多目标优化设计方法 | |
| CN117407802A (zh) | 一种基于改进深度森林模型径流预测方法 | |
| CN108416483A (zh) | 基于pso优化的rbf模型教学质量评价预测方法 | |
| US7617166B2 (en) | Neural network for aeroelastic analysis | |
| CN114564787A (zh) | 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质 | |
| CN113868765A (zh) | 基于近似模型的船舶主尺度参数优化方法 | |
| CN111639388A (zh) | 一种汽车弹性元件参数仿真方法及系统 | |
| CN107292045B (zh) | 一种含阻尼结构有限元模型的复模态评估方法 | |
| CN113821975B (zh) | 一种燃料电池性能衰减预测方法及系统 | |
| CN112241811B (zh) | “互联网+”环境下定制产品的分层混合性能预测方法 | |
| Steenackers et al. | Robust optimization of an airplane component taking into account the uncertainty of the design parameters | |
| Yerramareddy et al. | Developing empirical models from observational data using artificial neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201113 |
|
| RJ01 | Rejection of invention patent application after publication |