CN113158331B - 一种基于遗传算法的车内噪声优化方法 - Google Patents
一种基于遗传算法的车内噪声优化方法 Download PDFInfo
- Publication number
- CN113158331B CN113158331B CN202110262831.6A CN202110262831A CN113158331B CN 113158331 B CN113158331 B CN 113158331B CN 202110262831 A CN202110262831 A CN 202110262831A CN 113158331 B CN113158331 B CN 113158331B
- Authority
- CN
- China
- Prior art keywords
- fitness
- function
- vehicle
- value
- sound pressure
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 30
- 230000002068 genetic effect Effects 0.000 title claims abstract description 24
- 230000004044 response Effects 0.000 claims abstract description 52
- 238000013461 design Methods 0.000 claims description 19
- 239000000725 suspension Substances 0.000 claims description 16
- 230000005284 excitation Effects 0.000 claims description 15
- 230000008878 coupling Effects 0.000 claims description 13
- 238000010168 coupling process Methods 0.000 claims description 13
- 238000005859 coupling reaction Methods 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 230000035945 sensitivity Effects 0.000 claims description 10
- 239000007787 solid Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010206 sensitivity analysis Methods 0.000 claims description 8
- 238000005316 response function Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims description 3
- 101000867849 Rattus norvegicus Voltage-dependent R-type calcium channel subunit alpha-1E Proteins 0.000 claims description 2
- 229920000297 Rayon Polymers 0.000 claims description 2
- 239000000853 adhesive Substances 0.000 claims description 2
- 230000001070 adhesive effect Effects 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000003050 experimental design method Methods 0.000 claims description 2
- 238000007667 floating Methods 0.000 claims description 2
- 239000011521 glass Substances 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 230000002028 premature Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000007789 sealing Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000003466 welding Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 7
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008649 adaptation response Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 239000012456 homogeneous solution Substances 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
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
- G06F30/27—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
- G06F2119/10—Noise analysis or noise optimisation
-
- 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
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
一种基于遗传算法的车内噪声优化方法，包括如下步骤：S100：建立车内噪声预测模型；S200：建立响应面模型；S300：建立噪声目标函数的数学优化模型；S400：应用遗传算法优化所述数学优化模型。该方法使得车内噪声得到优化的同时保证了车身质量不增大以及白车身一阶模态不降低。
Description
技术领域
本公开属于汽车工程技术领域，具体涉及一种基于遗传算法的车内噪声优化方法。
背景技术
车内噪声大小是衡量汽车舒适性的一个重要指标。在汽车设计阶段如果能很好地预测车内噪声并采取优化手段，就能减少开发成本，提高汽车的市场竞争力。随着计算机技术的迅速发展，有限元技术成为改进传统设计流程的重要手段，但是，仅通过对有限元模型进行运算优化会占用大量时间和计算机资源。而通过响应面构造，结合试验设计和优化算法能够快速有效地进行优化设计。有些方法的优化减少了车内噪声，但是依然有优化的空间。
发明内容
鉴于此，本公开提供了一种基于遗传算法的车内噪声优化方法，包括如下步骤：
S100：建立车内噪声预测模型；
S200：建立响应面模型；
S300：建立噪声目标函数的数学优化模型；
S400：应用遗传算法优化所述数学优化模型。
通过上述技术方案，该方法运用哈默斯利实验设计方法建立白车身一阶模态、车身质量、目标节点最大声压响应面，运用遗传算法对车身板件厚度优化设计，使得车内噪声得到优化的同时保证了车身质量不增大以及白车身一阶模态不降低。
附图说明
图1是本公开一个实施例中所提供的一种基于遗传算法的车内噪声优化方法流程图；
图2是本公开一个实施例中所提供的为侧围和中部底板的取值分布情况示意图；
图3是本公开一个实施例中所提供的遗传算法(GA)流程图；
图4是本公开一个实施例中GA与另外三种算法的优化效果相对照图；
图5是本公开一个实施例中所提供的左悬置激励噪声传递函数曲线图；
图6是本公开一个实施例中所提供的右悬置激励噪声传递函数曲线图；
图7是本公开一个实施例中所提供的对板件厚度进行灵敏度分析结果图。
具体实施方式
下面结合附图1至图7对本发明进行进一步的详细说明。
在一个实施例中，参见图1，其公开了一种基于遗传算法的车内噪声优化方法，包括如下步骤：
S100：建立车内噪声预测模型；
S200：建立响应面模型；
S300：建立噪声目标函数的数学优化模型；
S400：应用遗传算法优化所述数学优化模型。
就该实施例而言，以某微型汽车为例，在车身的声固耦合模型基础上，考虑发动机左、右悬置激励对车内噪声的影响，建立目标点声压响应面，近似代替车身受激励后的响应过程，采用不同算法优化响应面，分析遗传算法在优化车内噪声方面的效率。
首先，该方法基于Hyperworks软件建立车身声固耦合模型，并进行白车身自由模态分析，为车内噪声优化奠定了基础；其次，采用噪声传递函数分析确定了左悬置X向为问题路径，结合响应灵敏度分析，建立了关键板件厚度到车内目标节点声压、车身质量、一阶模态的响应函数，大大缩短了优化时间；最后，遗传算法与其他算法的优化结果表明：在汽车设计阶段，基于声固耦合模型，遗传算法优化关键板件厚度降低车内噪声的方法取得了较好的效果。
在另一个实施例中，所述步骤S100进一步包括：
S101：建立车身结构有限元模型；
S102：建立声固耦合模型；
S103：对发动机左、右悬置点的X、Y、Z共6条路径进行噪声传递函数分析；
S104：对板件厚度进行板件声学灵敏度分析。
就该实施例而言，构建车身有限元模型：利用Hypermesh对CAD模型进行几何清理，使用8mm的网格对白车身、车门、前机盖进行网格划分。通过RBE2单元将车门等闭合件连接到车身上，黏胶单元Adhesives模拟车窗与车身、车门的连接，仪表盘、座椅支架等附件，以集中质量体现，并采用RBE3单元与车身连接。由体单元和REB3组成的ACM单元可以模拟焊点结构和材料特性。单元总数844388，其中三角形单元49829，占比5.6％，焊点单元数8396，符合精度要求。其中，体单元类似于砖块，壳单元类似于没有厚度的板。体单元分为四面体、六面体单元，都有一阶、二阶单元。此处为六面体单元。
步骤S103中对发动机左、右悬置点的X、Y、Z共6条路径进行噪声传递函数分析，即分别在两个悬置点上施加不同方向的激励后，分析车内目标点产生的声压是否超过目标值。如果左悬置X向激励在车内产生的声压超过目标值，将这一路径作为研究对象，后面的目标节点最大声压响应面即通过这一路径得到。
在另一个实施例中，所述步骤S200进一步包括：
S201：通过Hammersley试验设计，构造出白车身一阶模态、质量和目标节点最大声压响应面；
S202：采用确定性系数对响应面进行评价。
就该实施例而言，白车身是不带车门、前机盖、玻璃等闭合件的。为保证响应面的有效性，需要在设计空间内均匀撒点。Hammersley采样方法试图让落在每一个单位空间的点更平均，并且能控制单位空间内撒点的均匀性。抽取40个样本点，图2为侧围和中部底板的取值分布情况，可以看出各点在变量空间内分布均匀，符合响应面的拟合要求。
根据Weierstress最佳逼近定理，对于不同类型的函数f(x)，总是存在代数多项式pn(x)一致收敛于函数f(x)，多项式近似模型可以代替复杂的有限元计算过程且容易收敛。因此在工程应用中，不论设计变量和系统响应的关系如何，都可以用多项式进行拟合。由于最小二乘法拟合效率高且能得到显示方程，以灵敏度分析确定的板件的厚度为设计变量，采用最小二乘法拟合一阶模态、质量、目标节点最大声压响应面，变量取值见表1。
表1
在另一个实施例中，所述步骤S300进一步包括：
以目标节点最大声压最小化为优化目标，数学优化模型如下：
其中：xil和xiu是第i个板件厚度区间的下限和上限；f(xi)为目标节点最大声压响应函数；h(xi)为一阶模态响应函数；m(xi)为车身质量响应函数；xi为第i个板件的厚度；h1(xi)为白车身一阶扭转模态；h2(xi)为白车身一阶弯曲模态。
在另一个实施例中，所述步骤S400进一步包括：
利用遗传算法进行优化运算得出最优解的具体步骤如下：
(1)选择编码策略为浮点数编码方法，直接对决策变量xi进行编码操作，编码长度l等于决策变量xi的个数n，即板件的总个数。
本实施例优选7个决策变量，因此，l＝7。需要说明的是，本实施例之所以是7个决策变量，这需要参见图7。图7所示的是通过Hypergraph输出板件灵敏度结果，从图中可以得出响应灵敏度高的板件和负灵敏度板件，分别是侧围、B柱C柱内板、中部底板、后部底板、尾灯内板、A柱内板、顶棚这7个板件。
(2)为提高群体的多样性，避免出现早熟现象，群体大小应取较大值，随机生成114个个体Xi t作为初始种群，其中，Xi t是对所有决策变量xi进行编码操作得到的一串编码长度为l的编码；
(3)将待优化的目标函数f(xi)定义为适应度函数，因适应度函数要求非负，而目标函数有正有负，需要在目标函数与适应度函数之间进行变换，对于目标函数为最小化的问题，适应度函数为：
式中，cmax是目标函数f(xi)的最大值估计；
(4)采用罚函数法对约束条件进行处理，当xi不满足约束条件，计算该个体的适应度时，减去一个罚函数，通过降低该个体的适应度，减小该个体遗传到下一代的概率；
调整后的新适应度函数F′(xi)：
约束条件：
式中，F(xi)为原适应度函数，P(xi)为罚函数；
(5)根据新适应度函数计算初始种群的适应度；
(6)判断适应度值是否满足终止条件，若满足，输出解，否则，对初始种群进行选择、交叉、变异3种运算；其中：
选择运算选用轮盘赌选择算子，即：个体进入下一代的概率等于它的适应度值与整个种群中个体适应度值和的比值，适应度越高，被选中进入下一代的概率就越大，优良的个体被大量复制，劣质的个体复制的少甚至淘汰；
交叉运算选用算数交叉算子，假设在114个个体中的和/>之间进行算数交叉，则交叉运算后的新个体为：
式中，μ为交叉概率，取0.9；
变异运算选用均匀变异，用符合取值范围的均匀分布的随机数，以较小的概率来替换个体基因上原有的基因值，取变异概率为0.01；
(7)初始种群经过选择、交叉、变异运算之后，得到由114个新个体构成的下一代种群，并计算新种群的适应度值；
(8)迭代执行(3)-(7)以使得新种群不断地进化，设置迭代终止代数为某一阈值(例如50)，当进化代数达到阈值门限或群体中所有个体适应度的方差小于预设阈值时停止进化，并将迭代过程中，符合约束条件且声压值最小的一组板件厚度值作为最优解输出，终止计算。
就该实施例而言，遗传算法(GA)流程如图3所示。GA是借鉴生物进化规律的随机寻优算法。GA是对解集空间内变量的编码进行处理，而非对变量本身，不受求导、连续的限制。遗传算法从串集开始搜索，同时处理种群中的多个个体，覆盖面大，减少了陷入局部最优解的风险，利于全局寻优。遗传算法采用不确定性的搜索方向，通过适应度计算来衡量解的优劣，可以较快的实现收敛计算，鲁棒性较好。
在另一个实施例中，自适应响应面法(ARSM)迭代即评估，极大的克服了依赖初始样本点的不足。序列二次规划法(SQP)将有限差分法应用于梯度评估，用子问题来代替原问题，求取最优解。可行方向法(MFD)是一种基于梯度的方法，从当前的可行设计点移至更优的可行设计点进行搜索，从而求出更优函数值的可行点。遗传算法、自适应响应面法、序列二次规划法和可行方向法优化后的车内目标点最大声压分别降低了4.1dB、2.4dB、2.6dB、2.3dB，本实施例选择的遗传算法GA与上述自适应响应面法、序列二次规划法和可行方向法三种算法的优化效果相比，参见图4，分别提高了2.4％、2.7％、2.8％，取得了较好的优化效果。GA优化后的车身质量、白车身一阶模态，如表2所示。车内噪声得到优化的同时保证了车身质量不增大以及白车身一阶模态不降低。
表2
在另一个实施例中，所述步骤S102进一步包括：
S1021：建立声腔网格需要封闭的车厢模型，封闭车厢模型的小孔；
S1022：利用ACMODL卡片采用节点对节点的方式进行耦合设置，建立声固耦合模型。
就该实施例而言，建立声腔网格需要密闭的车身，封闭车身的小孔。该方法研究200Hz以内的低频噪声，由采样定理可得f＝400Hz，因此最小波长为0.85m。以每个波长12个单元计算，单元长度为71mm，结合计算精度要求，取四面体网格边长为60mm。考虑座椅的吸声特性，建立带座椅的声腔网格，座椅与声腔共节点。利用ACMODL卡片采用节点对节点的方式进行耦合设置，建立声固耦合模型。
在汽车NVH性能设计、优化过程中，要充分考虑一阶模态数据，因为一阶模态频率值偏低，易被发动机、路面等外界激励激起，引起车身共振。由于一阶模态为车身整体模态，若发生共振，会引起车身附属部件的振动，部件之间相互碰撞摩擦，既产生噪音，又增加零部件的疲劳程度，因此，优化过程中，应避免白车身一阶模态的降低。将模态求解文件提交到Optistruct计算。大于1Hz的前八阶模态频率如表3所示。Hypermesh建立白车身模型，设置模态求解卡片，导出的fem文件即为模态求解文件。
表3
在另一个实施例中，所述步骤S103进一步包括：用响应与激励的拉氏变换比值得到噪声传递函数。
就该实施例而言，在声固耦合模型的发动机左、右悬置处分别施加X、Y、Z向的激励，大小为1N，在车身前后悬架的弹簧支座处设置约束，限制平移及扭转自由度。分析频率为20-200Hz。选取主驾驶右耳位置为车内目标点，响应为目标点的声压，大小为60dB(A)。
噪声传递函数(NTF)是表征结构与内部声腔声学特性的相关性。对于车身低频响应，假设车身为线性系统。傅式变换对函数有一定的条件限制，对于线性系统的振动问题，工程上多用响应与激励的拉氏变换比值得到NTF。
函数x(t)的拉氏变换记为L[x(t)]
式中，S是一个复数变量。
对于任意激振力f(t)作用下的微分方程，m为质量，c为阻尼，k为刚度，x上面一个点是一阶导数，两个点是二阶导数，
分别对函数x(t)的导数作L变换
式中L[f(t)]是激振力函数f(t)的L变换，忽略随时间衰减的齐次解，令可得系统的传递函数
式中，X(s)，F(s)是x(t)与f(t)经过拉氏变换而来，是关于频率的变量。噪声传递函数由系统特性决定，表示系统的动态特性。声波是媒质质点振动的传播，媒质质点的振动速度、位移是描述声波的物理量，以主驾驶右耳位置的节点位移作为仿真输出的物理量，将声固耦合模型文件提交到0ptistruct求解器，得到节点位移，通过坐标变换将线性位移坐标转换为对数坐标，得到车内目标节点的A计权声压曲线。
左、右悬置激励噪声传递函数曲线如图5、图6，可以看出左悬置X路径激励在123-127Hz范围内声压响应超过60dB，125Hz时声压响应达到63.2dB，其他5条路径的声压响应均在58dB以下，将左悬置X向这一传递路径作为研究对象，minf(xi)即通过此路径得到。以质量和模态响应为约束，降低目标节点最大声压为目标进行车身板件厚度优化，从而降低车内噪声。
在另一个实施例中，所述步骤S104进一步包括：利用Hyperstudy对一阶模态、车身质量、车内目标节点最大声压进行灵敏度分析。
就该实施例而言，灵敏度表示设计变量对响应指标的影响效应大小，反映了设计变量对响应指标的贡献程度。发动机激励会引起车身板件的振动，车身板件对车内任意位置声压贡献各不相同，因此，在结构优化之前有必要对板件厚度进行灵敏度分析，筛选出对车内目标点声压影响大的板件。将筛选出来的板件的厚度为设计变量，响应面拟合时用到的就是这几个板件的厚度值，后面的优化也是优化这几个板件的厚度。
例如，对包围车内声腔的36个板件进行编号，利用Hyperstudy对一阶模态、车身质量、车内目标节点最大声压进行灵敏度分析。由于变量较多，选用部分因子法四分辨率进行DOE设计，既能避免主效应、二阶交叉效应混淆，又能兼顾计算经济性。通过Hypergraph输出板件灵敏度结果，如图7所示。从图中可以得出响应灵敏度高的板件和负灵敏度板件，分别是侧围、B柱C柱内板、中部底板、后部底板、尾灯内板、A柱内板、顶棚这7个板件。
在另一个实施例中，所述步骤S201进一步包括：采用最小二乘法拟合响应面，得到前述的f(xi)、h1(xi)、h2(xi)、m(xi)函数。示例性的，上述函数通过如下方式拟合得到：
Hammersley方法采样时共抽取40组板件厚度数据，并分别计算每组数据对应的白车身一阶扭转模态、白车身一阶弯曲模态、车身质量、车内目标节点最大声压。采用最小二乘法，以7个板件的厚度为自变量，白车身一阶扭转模态、白车身一阶弯曲模态、车身质量、车内目标节点最大声压为因变量，分别拟合得到函数f(xi)、h1(xi)、h2(xi)、m(xi)。正如前文所述7个板件，参见图7，此处以l＝7为例，4个函数均是七元一次函数，有7个变量。
在另一个实施例中，所述步骤S202中的确定性系数R2定义为：
其中：为响应面计算的值；yi为仿真的响应真实值；/>为响应真实值均值。
示例性的，n的取值为10，从40组数据中抽取10组用作验证组。
就该实施例而言，响应面是通过曲线拟合得到的，为确保响应面准确的反映仿真计算过程，需要对响应面模型的精度和有效性进行验证。采用确定性系数对拟合函数进行评价，它表征响应面计算值与仿真值的近似程度，由0到1，表示拟合精度增大。如表4，通过确定性系数可以看出，四个响应面均取得了较好的拟合效果。
表4
尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。
Claims (1)
1.一种基于遗传算法的车内噪声优化方法，包括如下步骤：
S100：建立车内噪声预测模型；
S200：建立响应面模型；
S300：建立噪声目标函数的数学优化模型；
S400：应用遗传算法优化所述数学优化模型；
其中，所述步骤S100进一步包括：
S101：建立车身结构有限元模型；其中，
利用Hypermesh对CAD模型进行几何清理，使用8mm的网格对白车身、车门、前机盖进行网格划分；通过RBE2单元将车门闭合件连接到车身上；黏胶单元Adhesives模拟车窗与车身、车门的连接，仪表盘、座椅支架附件，以集中质量体现，并采用RBE3单元与车身连接；由体单元和REB3组成的ACM单元模拟焊点结构和材料特性；其中，
白车身是不带车门、前机盖、玻璃闭合件的；
S102：建立声固耦合模型；其中，
所述步骤S102进一步包括：
S1021：建立声腔网格需要封闭的车厢模型，封闭车厢模型的小孔；
S1022：利用ACMODL卡片采用节点对节点的方式进行耦合设置，建立声固耦合模型；
S103：对发动机左、右悬置点的X、Y、Z共6条路径进行噪声传递函数分析，分别在两个悬置点上施加不同方向的激励后，分析车内目标点产生的声压是否超过目标值；如果左悬置X向激励在车内产生的声压超过目标值，将这一路径作为研究对象，目标节点最大声压响应面所对应的minf(xi)即通过这一路径得到；其中，所述步骤S103进一步包括：用响应与激励的拉氏变换比值得到噪声传递函数；
S104：对板件厚度进行板件声学灵敏度分析；所述步骤S104进一步包括：利用Hyperstudy对一阶模态、车身质量、车内目标节点最大声压进行灵敏度分析，筛选出对车内目标点声压影响大的板件；将筛选出来的板件的厚度为设计变量，响应面拟合时用到的就是这几个板件的厚度值，优化也是优化这几个板件的厚度，具体的，响应灵敏度高的板件和负灵敏度板件，分别是侧围、B柱C柱内板、中部底板、后部底板、尾灯内板、A柱内板、顶棚这7个板件；
其中，所述步骤S200进一步包括：
S201：通过Hammersley试验设计，构造出白车身一阶模态、质量和目标节点最大声压响应面；其中，所述步骤S201进一步包括：采用最小二乘法拟合响应面；其中，
采用最小二乘法拟合一阶模态、质量、目标节点最大声压响应面，变量取值如下，其中，各个变量的单位为mm：
侧围，其初始值为0.9，其变量取值范围为[0.7,0.9]；
B柱C柱内板，其初始值为1，其变量取值范围为[0.8,1.2]；
中部底板，其初始值为1.6，其变量取值范围为[1.3,1.9]；
后部底板，其初始值为1.6，其变量取值范围为[1.3,1.9]；
尾灯内板，其初始值为0.8，其变量取值范围为[0.6,1]；
A柱内板，其初始值为2，其变量取值范围为[1.7,2.3]；
顶棚，其初始值为0.8，其变量取值范围为[0.6,1]；
S202：采用确定性系数对响应面进行评价；其中，为保证响应面的有效性，需要在设计空间内均匀撒点；哈默斯利Hammersley采样方法试图让落在每一个单位空间的点更平均，并且能控制单位空间内撒点的均匀性；其中，所述步骤S202中的确定性系数R2定义为：
其中:为响应面计算的值；yi为仿真的响应真实值；/>为响应真实值均值；
其中，所述步骤S300进一步包括：
以目标节点最大声压最小化为优化目标，数学优化模型如下：
其中:xil和xiu是第i个板件厚度区间的下限和上限；f(xi)为目标节点最大声压响应函数；h(xi)为一阶模态响应函数；m(xi)为车身质量响应函数；xi为第i个板件的厚度；h1(xi)为白车身一阶扭转模态；h2(xi)为白车身一阶弯曲模态；
其中，所述步骤S400进一步包括：
(1)选择编码策略为浮点数编码方法，直接对决策变量xi进行编码操作，编码长度l等于决策变量xi的个数n，即板件的总个数；
其中，l为7；7个决策变量分别是侧围、B柱C柱内板、中部底板、后部底板、尾灯内板、A柱内板、顶棚这7个板件；
(2)为提高群体的多样性，避免出现早熟现象，群体大小应取较大值，随机生成114个个体Xi t作为初始种群,其中，Xi t是对所有决策变量xi进行编码操作得到的一串编码长度为l的编码；
(3)将待优化的目标函数f(xi)定义为适应度函数，因适应度函数要求非负，而目标函数有正有负，需要在目标函数与适应度函数之间进行变换，对于目标函数为最小化的问题，适应度函数为：
式中，cmax是目标函数f(xi)的最大值估计；
(4)采用罚函数法对约束条件进行处理，当xi不满足约束条件，计算该个体的适应度时，减去一个罚函数，通过降低该个体的适应度，减小该个体遗传到下一代的概率；
调整后的新适应度函数F′(xi)：
约束条件：
式中，F(xi)为原适应度函数，P(xi)为罚函数；
(5)根据新适应度函数计算初始种群的适应度；
(6)判断适应度值是否满足终止条件，若满足，输出解，否则，对初始种群进行选择、交叉、变异3种运算；其中：
选择运算选用轮盘赌选择算子，即：个体进入下一代的概率等于它的适应度值与整个种群中个体适应度值和的比值，适应度越高，被选中进入下一代的概率就越大，优良的个体被大量复制，劣质的个体复制的少甚至淘汰；
交叉运算选用算数交叉算子，假设在114个个体中的和/>之间进行算数交叉，则交叉运算后的新个体为：
式中，μ为交叉概率，取0.9；
变异运算选用均匀变异，用符合取值范围的均匀分布的随机数，以较小的概率来替换个体基因上原有的基因值，取变异概率为0.01；
(7)初始种群经过选择、交叉、变异运算之后，得到由114个新个体构成的下一代种群，并计算新种群的适应度值；
(8)迭代执行(3)-(7)以使得新种群不断地进化，设置迭代终止代数为某一阈值，当进化代数达到阈值门限或群体中所有个体适应度的方差小于预设阈值时停止进化，并将迭代过程中，符合约束条件且声压值最小的一组板件厚度值作为最优解输出，终止计算；
其中，
所述方法运用哈默斯利Hammersley实验设计方法建立白车身一阶模态、车身质量、目标节点最大声压响应面，运用遗传算法对车身板件厚度优化设计，使得车内噪声得到优化的同时保证了车身质量不增大以及白车身一阶模态不降低。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110262831.6A CN113158331B (zh) | 2021-03-10 | 2021-03-10 | 一种基于遗传算法的车内噪声优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110262831.6A CN113158331B (zh) | 2021-03-10 | 2021-03-10 | 一种基于遗传算法的车内噪声优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113158331A CN113158331A (zh) | 2021-07-23 |
| CN113158331B true CN113158331B (zh) | 2024-02-06 |
Family
ID=76886554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110262831.6A Active CN113158331B (zh) | 2021-03-10 | 2021-03-10 | 一种基于遗传算法的车内噪声优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113158331B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113963676B (zh) * | 2021-10-20 | 2022-06-03 | 深圳技术大学 | 一种乘用车噪声控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103471709A (zh) * | 2013-09-17 | 2013-12-25 | 吉林大学 | 乘用车车内噪声声品质预测方法 |
| CN106227933A (zh) * | 2016-07-21 | 2016-12-14 | 江苏大学 | 一种修削离心泵叶轮盖板的优化设计方法 |
| CN106919767A (zh) * | 2017-03-09 | 2017-07-04 | 江铃汽车股份有限公司 | 汽车白车身轻量化分析方法 |
| CN109753722A (zh) * | 2018-12-29 | 2019-05-14 | 北京长城华冠汽车技术开发有限公司 | 一种提高噪声传递函数的优化设计方法和系统 |
| CN110348088A (zh) * | 2019-06-28 | 2019-10-18 | 南京理工大学 | 基于代理模型的轻量化车身结构多目标优化方法 |
-
2021
- 2021-03-10 CN CN202110262831.6A patent/CN113158331B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103471709A (zh) * | 2013-09-17 | 2013-12-25 | 吉林大学 | 乘用车车内噪声声品质预测方法 |
| CN106227933A (zh) * | 2016-07-21 | 2016-12-14 | 江苏大学 | 一种修削离心泵叶轮盖板的优化设计方法 |
| CN106919767A (zh) * | 2017-03-09 | 2017-07-04 | 江铃汽车股份有限公司 | 汽车白车身轻量化分析方法 |
| CN109753722A (zh) * | 2018-12-29 | 2019-05-14 | 北京长城华冠汽车技术开发有限公司 | 一种提高噪声传递函数的优化设计方法和系统 |
| CN110348088A (zh) * | 2019-06-28 | 2019-10-18 | 南京理工大学 | 基于代理模型的轻量化车身结构多目标优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于响应面法的车内噪声分析与优化;陆森林等;《郑州大学学报(工学版)》;20170930(第05期);第65-70页 * |
| 灵敏度分析法在车内噪声优化中的应用;潘公宇等;《河南科技大学学报(自然科学版)》;20180723(第06期);全文 * |
| 焦柯等.《高层建筑结构优化设计方法、案例及软件应用》.中国城市出版社,2016,第19-21页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113158331A (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20070208443A1 (en) | Method For Determining Optimal Damping Treatments Layouts And Panel Shape Layouts | |
| CN110110437B (zh) | 一种基于相关区间不确定性理论的汽车高频噪声预测方法 | |
| Xu et al. | Improvement of interior sound quality for passenger car based on optimization of sound pressure distribution in low frequency | |
| Huang et al. | Multitarget prediction and optimization of pure electric vehicle tire/road airborne noise sound quality based on a knowledge-and data-driven method | |
| CN106650016A (zh) | 基于粒子群算法的车身侧围结构多工况协同优化实现方法 | |
| Wang et al. | Optimizing the static–dynamic performance of the body-in-white using a modified non-dominated sorting genetic algorithm coupled with grey relational analysis | |
| CN113158331B (zh) | 一种基于遗传算法的车内噪声优化方法 | |
| CN115098946A (zh) | 一种车内噪声稳健性优化设计方法和存储介质 | |
| CN115186377A (zh) | 一种商用车悬置系统的稳健性优化方法 | |
| Park et al. | Coherence-based sensor set expansion for optimal sensor placement in active road noise control | |
| CN110795883B (zh) | 一种背门和背门框的连接件的等效刚度辨识方法 | |
| Courtois et al. | A procedure for efficient trimmed body fe simulations, based on a transfer admittance model of the sound package | |
| CN113886974B (zh) | 一种车内结构声路噪预测方法 | |
| Zargar et al. | Investigation and optimization for the dynamical behaviour of the vehicle structure | |
| Zhang et al. | Multiobjective optimization design for lightweight and crash safety of body-in-white based on entropy weighted grey relational analysis and MNSGA-II | |
| CN113239458B (zh) | 一种基于虚拟路面的整车路噪仿真对标方法 | |
| CN113761798A (zh) | 车辆声学包隔声性能预测模型的搭建方法及预测方法 | |
| Lu et al. | Design optimization of vehicle body NVH performance based on dynamic response analysis | |
| Campbell et al. | Structural-acoustic analysis for the prediction of vehicle body acoustic sensitivities | |
| CN113591228B (zh) | 一种噪声传递路径分析及优化方法 | |
| Chen et al. | Multi-objective optimization of interior noise of an automotive body based on different surrogate models and NSGA-II | |
| CN112417590A (zh) | 车体设计优化方法、装置、汽车及存储介质 | |
| Zheng et al. | The design optimization of vehicle interior noise through structural modification and constrained layer damping treatment | |
| Chen et al. | Multi-objective optimization of sound package parameters for interior high frequency noise of heavy-duty truck using grey theory | |
| Su et al. | Simulation and optimization of acoustic package of dash panel based on SEA |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |