CN114647897B - 一种基于层次熵-灰色关联法的驾驶室结构优化方法 - Google Patents
一种基于层次熵-灰色关联法的驾驶室结构优化方法 Download PDFInfo
- Publication number
- CN114647897B CN114647897B CN202210331335.6A CN202210331335A CN114647897B CN 114647897 B CN114647897 B CN 114647897B CN 202210331335 A CN202210331335 A CN 202210331335A CN 114647897 B CN114647897 B CN 114647897B
- Authority
- CN
- China
- Prior art keywords
- cab
- analysis
- index
- value
- calculating
- 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 76
- 238000005457 optimization Methods 0.000 title claims abstract description 53
- 238000004458 analytical method Methods 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 230000035945 sensitivity Effects 0.000 claims abstract description 18
- 238000013461 design Methods 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims abstract description 15
- 238000010219 correlation analysis Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000010206 sensitivity analysis Methods 0.000 claims description 24
- 238000004088 simulation Methods 0.000 claims description 21
- 238000005452 bending Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 239000000725 suspension Substances 0.000 claims description 6
- 241001669679 Eleotris Species 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000013401 experimental design Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013585 weight reducing agent Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- 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)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于层次熵‑灰色关联法的驾驶室结构优化方法,该方法针对商用车驾驶室结构优化方案配置不合理的问题,将层次分析法、熵值法以及灰色关联分析法应用于车身结构优化领域,提出一种基于层次熵‑灰色关联法的驾驶室结构优化方法。首先通过试验验证驾驶室隐式参数化模型精度;其次结合有限元前处理软件以厚度、截面为设计变量进行灵敏度分析、相对灵敏度分析;然后选用最优拉丁超立方法进行试验设计;最后采用粒子群优化算法进行驾驶室结构优化,并利用层次熵—灰色关联分析法合理、有效评价驾驶室结构优化方案。该方法能成功筛选出更符合用户偏好的驾驶室结构优化方案。
Description
技术领域
本发明涉及商用车驾驶室结构优化技术领域,具体是一种基于层次熵-灰色关联法的驾驶室结构优化方法。
背景技术
随着CAE(Computer Aided Engineering)技术的发展,汽车轻量化系数越来越高,轻量化效果越来越好,车身结构优化方法日趋完善。面对日渐严峻的能源危机,进一步提升车身结构优化效率、改善车身结构优化效果具有重要意义。
根据研究结果可知,专家学者主要从建模、变量筛选、近似模型、智能算法四个方面完善车身结构优化方法。目前车身结构优化领域对于“建模”、“近似模型”的研究已较为成熟,但对于“变量筛选”、“智能算法”的研究相对较少。
发明内容
针对背景技术所述的问题,本申请结合企业实际需求以某商用车驾驶室为研究对象,提供一种基于层次熵-灰色关联法的驾驶室结构优化方法,该方法关键在于结合有限元前处理软件进行灵敏度分析、相对灵敏度分析,快速筛选出关键优化变量;结合用户偏好信息,利用层次分析法、熵值法、灰色关联分析法合理评价结构优化方案,经过粒子群优化算法与层次熵-灰色关联法的共同决策,确定驾驶室各零部件厚度与截面的最佳参数组合,实现驾驶室结构优化。
实现本发明目的的技术方案是:
一种基于层次熵-灰色关联法的驾驶室结构优化方法,包括如下步骤:
1)模型选择:隐式参数化模型可通过修改基点、基线、基面三种基础元素实现驾驶室结构的修改,且模型在修改后依旧能保持良好的拓扑关系,该模型还能与多学科集成优化平台相结合,实现“分析驱动设计”。采用驾驶室隐式参数化模型进行研究,为步骤2)和步骤3)做准备;
2)弯扭刚度试验与仿真分析:驾驶室扭转刚度试验和驾驶室弯曲刚度试验时,利用百分表测得所需响应点的位移,带入刚度计算公式得到驾驶室弯扭刚度,驾驶室刚度仿真分析时,通过HyperMesh添加与试验分析一致的工况,利用OptiStruct求解器求得驾驶室弯扭刚度仿真分析结果,以便后续的模型精度验证;
3)模态试验与仿真分析:采用双激振器进行试验,激振器分别安装在驾驶室右侧纵梁前端和驾驶室左侧纵梁后端,然后采用3向加速度传感器测得120个测点的振动加速度响应,测试结束后,根据振动速度响应计算得到驾驶室低阶固有模态试验分析结果,进行仿真分析时,在HyperMesh中添加模态分析卡片,设置模态频率分析范围,利用OptiStruct求解器计算出低阶固有模态仿真分析结果;以便后续的模型精度验证。
4)模型精度验证:以驾驶室质量为优化目标,将驾驶室质量试验和步骤2)得到的驾驶室弯扭刚度仿真分析结果和步骤3)的得到低阶固有模态仿真分析结果汇总,输入步骤1)的驾驶室隐式参数化模型中,对进行模型精度验证,直至模型误差满足工程要求,将该模型用于驾驶室结构优化;
5)灵敏度分析:对步骤4)精度验证后的模型,结合HyperMesh、HyperMorph分别进行厚度、截面灵敏度分析;厚度灵敏度分析时,使用HyperMesh中Gauge功能设置变量上下限,通过数学方程建立响应与变量的关系,利用OptiStruct求解器完成厚度灵敏度分析;截面灵敏度分析时,使用HyperMorph中morph volumes功能设置截面变形体,使用shape功能定义变形体的变形量,利用OptiStruct求解器完成截面灵敏度分析,进而选出22个厚度、截面变量作为后续优化的设计变量,即驾驶室指标;
6)试验设计:利用灵敏度分析筛选出的设计变量,采用最优拉丁超立方进行试验设计,得到一组样本点;工程实践中常用全因子法、最优拉丁超立方法进行试验设计,而最优拉丁超立方法改善了拉丁超立方法,兼顾均匀性、平衡性,能够最大限度在设计空间中均匀挑选出具有代表性的样本点。该方法减少了样本点数量,提升了优化效率。
7)结构优化:利用粒子群优化算法对步骤6)得到的样本点进行优化,得到一组pareto前沿解;
所述的粒子群优化算法,包括如下步骤:
7-1)初始化粒子群i=1,2,…,m,给予随机的位置xi和速度vi;
7-2)评估每个粒子的适应度值f(x);
7-3)对每个粒子,更新历史最优位置pi;
7-4)对群体更新历史最优解pg;
7-5)对所有粒子计算;
7-6)若达到终止条件,则终止,否则转步骤7-2)。
8)层次熵-灰色关联分析法:分别利用层次熵法和灰色关联分析法综合评价驾驶室优化方案,计算出变量与目标之间的灰色关联度,按照灰色关联度数值大小降序排列,结合用户需求筛选出用户期望的最优方案,从步骤7)得到的pareto前沿解中挑选出pareto最优解,即驾驶室各零部件厚度和截面的最佳参数组合。
层次分析法主要依据专家意见确定各组成要素的重要性,该方法人为因素大、主观性较强。为使各指标的权重值更能体现问题特性,引入熵技术对该权重值进行客观性修正,增强可信度。在层次分析法中,首先构建层次结构;其次构造判断矩阵;再次,计算各指标的权重值;最后进行一致性检验。在熵值法中,首先,计算各指标熵值;其次,计算各指标偏差度;最后,计算信息权重。两种方法确定各指标权重后,利用客观权重和主观权重进行修正。
灰色关联分析法通过比较参考序列与比较序列的曲线几何形状确定数据之间的关联程度,曲线几何形状越接近,数据之间的关联度就越大,反之越小;首先,确定比较序列、参考序列;其次,对输入参数进行规范化处理;再次,计算关联系数;最后,计算灰色关联度并排序;经过上述步骤得到变量与目标之间的灰色关联度数值,按照灰色关联度数值大小降序排列,结合用户需求选取一定数量的变量。
步骤2)和步骤3)中,在对弯扭刚度以及模态进行仿真时,具体操作如下:首先,利用Hypermesh中Mass Calculate功能计算出驾驶室模型质量;其次,在Hypermesh中添加模态分析卡片—EIGRA卡片,同时设置模态分析频率范围为1-50Hz,利用Optistruct求解器计算出一阶扭转模态频率、一阶弯曲模态频率值;分析扭转刚度时,约束驾驶室左右后悬,在左右前悬加载两个大小相同、方向相反的力,扭转刚度计算公式如下:
公式(1)中:T为施加的扭矩;D1、D2分别为左右加载点的Z向位移(方向参照图1);θ为D2与D1位移差值与水平方向的反正切值;L为左右加载点的距离;
分析弯曲刚度时,约束驾驶室左右前后悬,在左右座椅以及卧铺处加载力,弯曲刚度计算公式如下:
公式(2)中:F前座椅为前座椅总加载力,F卧铺为卧铺总加载力,D1、D2分别底部左、右纵梁Z向最大位移(方向参照图1);
经过上述分析步骤,得到驾驶室仿真分析基础性能值。
步骤5)中,所述的灵敏度分析,其筛选优化变量的步骤如下:首先根据灵敏度分析计算出各个性能对于变量的灵敏度数值,尤其是对于厚度、截面变量的灵敏度数值,其次根据每个变量对于不同性能的影响并不完全相同,采用相对灵敏度分析技术筛选优化变量,最后根据得到的相对灵敏度数值按照大小进行降序排列,选出进行优化的设计变量;
进行灵敏度分析的计算公式如下:
公式(3)中:Tj为驾驶室质量、基本静-动态性能参数;xi为第i个零部件的厚度、截面变量;
进行相对灵敏度分析的计算公式如下:
公式(4)中:STj为驾驶室基本静-动态性能对于厚度、截面变量的灵敏度数值;SM为驾驶室质量对于厚度、截面变量的灵敏度数值;
经过上述分析过程,筛选出优化的设计变量。
所述的层次熵法,其根据用户偏好对各指标综合赋权步骤如下:
8-1)层次分析法
8-1-1)构建层次结构:利用层次分析理论对驾驶室结构优化方案有序分层,建立评价目标树;评价目标树如图3所示。
8-1-2)构造判断矩阵:邀请多个专家依据指标重要性对各指标打分,构造判断矩阵A:
A=(aij)m*n (5)
式中:aij为指标i相对于指标j的重要程度,i,j=1…m;m为判断矩阵的阶数,n为判断矩阵的列数,m=n;
8-1-3)计算各指标的权重值:利用和积法计算标准矩阵B:
B=(bij)m*n (6)
其中bij为aij标准化后的结果;
计算权重向量W=(w1,w2,…,wm),其中:
其中wi为第i个指标的权重值;
8-1-4)一致性检验:为了确保权重值的可信度,需要对判断矩阵进行一致性检验,计算一致性指标CI:
其中λmax为判断矩阵A的特征值;
计算一致性比率CR:
其中RI为随机一致性指标,通过查询随机一致性指标表得到RI取值;
当一致性比率CR<0.1时,A的不一致性程度在容许范围内,此时计算出的指标权重值用于后续优化,经过计算本申请判断矩阵的一致性比率CR<0.058<0.1,一致性检验结果达标;
8-2)熵值法
8-2-1)计算各指标熵值:
其中K=(lnm)-1;Ej为第j个指标的熵值,j=1…m,bij为标准矩阵B中第i行第j列元素;
8-2-2)计算各指标偏差度:
dj=1-Ej (11)
其中dj为第j个指标的偏差度,j=1…m;
8-2-3)计算信息权重:
其中μj为第j个指标的信息权重,j=1…m;
8-2-3)确定综合权重:分别使用熵权法和层次分析法确定各指标权重后,利用客观权重μj对主观权重wi进行修正,得到综合权重εj:
其中εj为第j个指标的综合权重,j=1…m。
步骤8)中,所述的灰色关联分析法,具体的步骤如下:
8-3-1)确定比较序列与参考序列:在灰色关联分析法中,每个配置方案的指标值构成一个比较序列,记作:
Xij={xi1,xi2,…xij} (14)
公式(14)中:Xij为比较序列;i为配置方案的个数,i=1,2,…q;j为配置方案的指标数,j=1,2,…,r;
选取各指标的最优值、最劣值、特定值构成比较序列,记作:
X0j={x01,x02,…x0j} (15)
其中X0j为参考序列;
8-3-2)规范化处理:进行对比分析前对输入参数进行规范化处理,以消除量纲不同造成的影响,针对不同类型的指标,分别采用极大型指标、极小型指标、特定型指标对数据进行处理;
8-3-3)计算关联系数,计算公式为:
公式(16)中:ζij为关联系数,ρ为分辨系数,一般取ρ=0.5进行研究,xi'j为规范化处理后第i个方案的第j个指标值;x'0j为规范化处理后的最佳方案的第j个指标值;
8-3-4)计算灰色关联度并排序,灰色关联度计算公式为:
公式(17)中:rij为灰色关联度,Wj为目标权重;
经过上述步骤,得到灰色关联度数值,按照关联度数值大小降序排列,通过灰色关联度的分析结果筛选出最合适的方案。
本发明提供的一种基于层次熵-灰色关联法的驾驶室结构优化方法,该方法具有如下优点:
(1)为保证驾驶室隐式参数化模型的准确性、可靠性,进行结构优化之前,对隐式参数化模型进行了验证,通过进行试验与仿真分析,模型达到要求才参与优化,该方法保证了后续仿真分析的准确性与严谨性。
(2)利用有限元分析前处理软件进行灵敏度分析,即结合Hypermesh、Hypermorph软件分别进行厚度、截面灵敏度分析,能够有效的提升了优化效率,使得运行时间缩短了58%。
(3)粒子群优化算法是一种启发式算法,使用该算法优化后会产生一组pareto前沿解,为使驾驶室结构优化方案更符合企业需求,利用层次分析法、熵值法、灰色关联分析法综合评价驾驶室结构优化方案,从pareto前沿解中挑选出pareto最优解,确定驾驶室各零部件厚度与截面的最佳参数组合,最后挑选出最优方案。
附图说明
图1为商用车驾驶室隐式参数化模型示意图;
图2为灰色关联度分析结果示意图;
图3为层次分析法的评价目标树。
具体实施方式
下面结合附图和实施例对本发明内容做进一步阐述,但不是对本发明的限定。
实施例:
采用上述技术方案对某商用汽车驾驶室进行优化处理,以某商用车驾驶室为例。
(1)利用SFE-Concept软件建立商用车驾驶室隐式参数化模型如图3所示;
(2)利用试验验证的方法验证驾驶室隐式参数化模型精度,驾驶室质量试验与仿真分析如表1所示;
表1驾驶室质量、基本静—动态性能值
(3)利用Hypermesh和Hypermorph分别进行厚度和截面灵敏度分析,通过设置上下限,建立响应与变量的关系,再利用Optistruct求解器完成厚度灵敏度分析。再利用Hypermorph定义变形体的变形量,利用Optistruct求解器完成灵敏度分析,运行时间缩短了58%。
(5)利用层次熵-灰色关联法计算出变量与目标之间的灰色关联度,按照灰色关联度数值大小降序排列,结合用户需求筛选出用户期望的最优方案。如图2所示。
(6)采用层次熵-灰色关联法对驾驶室进行结构优化,方案1与未使用该方法得到的结构优化方案n所对应的驾驶室质量、基本静—动态性能值如表2所示。
表2驾驶室质量、基本静—动态性能值
优化结果表明:方案1较方案n,驾驶室质量减轻了1.9%,一阶扭转模态频率提升了4.7%,扭转刚度降低了1.1%,一阶弯曲模态频率提升了8.6%,弯曲刚度提升了2.9%。驾驶室一阶扭转模态频率有小幅度下降,而驾驶室质量、其余基本静—动态性能均有提升,可见该方法能成功筛选出更符合用户期望的结构优化方案。
Claims (3)
1.一种基于层次熵-灰色关联法的驾驶室结构优化方法,其特征在于,包括如下步骤:
1)模型选择:采用驾驶室隐式参数化模型进行研究,为步骤2)和步骤3)做准备;
2)弯扭刚度试验与仿真分析:驾驶室扭转刚度试验和驾驶室弯曲刚度试验时,利用百分表测得所需响应点的位移,带入刚度计算公式得到驾驶室弯扭刚度,驾驶室刚度仿真分析时,通过HyperMesh添加与试验分析一致的工况,利用OptiStruct求解器求得驾驶室弯扭刚度仿真分析结果,以便后续的模型精度验证;
3)模态试验与仿真分析:采用双激振器进行试验,激振器分别安装在驾驶室右侧纵梁前端和驾驶室左侧纵梁后端,然后采用3向加速度传感器测得120个测点的振动加速度响应,测试结束后,根据振动速度响应计算得到驾驶室低阶固有模态试验分析结果,进行仿真分析时,在HyperMesh中添加模态分析卡片,设置模态频率分析范围,利用OptiStruct求解器计算出低阶固有模态仿真分析结果;
4)模型精度验证:以驾驶室质量为优化目标,将驾驶室质量试验和步骤2)得到的驾驶室弯扭刚度仿真分析结果和步骤3)的得到低阶固有模态仿真分析结果汇总,输入步骤1)的驾驶室隐式参数化模型中,对进行模型精度验证,直至模型误差满足工程要求,将该模型用于驾驶室结构优化;
5)灵敏度分析:对步骤4)精度验证后的模型,结合HyperMesh、HyperMorph分别进行厚度、截面灵敏度分析;厚度灵敏度分析时,使用HyperMesh中Gauge功能设置变量上下限,通过数学方程建立响应与变量的关系,利用OptiStruct求解器完成厚度灵敏度分析;截面灵敏度分析时,使用HyperMorph中morph volumes功能设置截面变形体,使用shape功能定义变形体的变形量,利用OptiStruct求解器完成截面灵敏度分析,进而选出22个厚度、截面变量作为后续优化的设计变量,即驾驶室指标;
6)试验设计:利用灵敏度分析筛选出的设计变量,采用最优拉丁超立方进行试验设计,得到一组样本点;
7)结构优化:利用粒子群优化算法对步骤6)得到的样本点进行优化,得到一组pareto前沿解;
所述的粒子群优化算法,包括如下步骤:
7-1)初始化粒子群i=1,2,…,m,给予随机的位置xi和速度vi;
7-2)评估每个粒子的适应度值f(x);
7-3)对每个粒子,更新历史最优位置pi;
7-4)对群体更新历史最优解pg;
7-5)对所有粒子计算;
7-6)若达到终止条件,则终止,否则转步骤7-2);
8)层次熵-灰色关联分析法:分别利用层次熵法和灰色关联分析法综合评价驾驶室优化方案,计算出变量与目标之间的灰色关联度,按照灰色关联度数值大小降序排列,结合用户需求筛选出用户期望的最优方案,从步骤7)得到的pareto前沿解中挑选出pareto最优解,即驾驶室各零部件厚度和截面的最佳参数组合;
所述的层次熵法,是根据用户偏好对各指标综合赋权步骤如下:
8-1)层次分析法
8-1-1)构建层次结构:利用层次分析理论对驾驶室结构优化方案有序分层,建立评价目标树;
8-1-2)构造判断矩阵:邀请多个专家依据指标重要性对各指标打分,构造判断矩阵A:
A=(aij)m*n (5)
式中:aij为指标i相对于指标j的重要程度,i,j=1…m;m为判断矩阵的阶数,n为判断矩阵的列数,m=n;
8-1-3)计算各指标的权重值:利用和积法计算标准矩阵B:
B=(bij)m*n (6)
其中bij为aij标准化后的结果;
计算权重向量W=(w1,w2,…,wm),其中:
其中wi为第i个指标的权重值;
8-1-4)一致性检验:对判断矩阵进行一致性检验,计算一致性指标CI:
其中λmax为判断矩阵A的特征值;
计算一致性比率CR:
其中RI为随机一致性指标,通过查询随机一致性指标表得到RI取值;
8-2)熵值法
8-2-1)计算各指标熵值:
其中K=(lnm)-1;Ej为第j个指标的熵值,j=1…m,bij为标准矩阵B中第i行第j列元素;
8-2-2)计算各指标偏差度:
dj=1-Ej (11)
其中dj为第j个指标的偏差度,j=1…m;
8-2-3)计算信息权重:
其中μj为第j个指标的信息权重,j=1…m;
8-2-3)确定综合权重:分别使用熵权法和层次分析法确定各指标权重后,利用客观权重μj对主观权重wi进行修正,得到综合权重εj:
其中εj为第j个指标的综合权重,j=1…m;
所述的灰色关联分析法,具体的步骤如下:
8-3-1)确定比较序列与参考序列:在灰色关联分析法中,每个配置方案的指标值构成一个比较序列,记作:
Xij={xi1,xi2,…xij} (14)
公式(14)中:Xij为比较序列;i为配置方案的个数,i=1,2,…q;j为配置方案的指标数,j=1,2,…,r;
选取各指标的最优值、最劣值、特定值构成比较序列,记作:
X0j={x01,x02,…x0j} (15)
其中X0j为参考序列;
8-3-2)规范化处理:进行对比分析前对输入参数进行规范化处理,以消除量纲不同造成的影响,针对不同类型的指标,分别采用极大型指标、极小型指标、特定型指标对数据进行处理;
8-3-3)计算关联系数,计算公式为:
公式(16)中:ζij为关联系数,ρ为分辨系数,x′ij为规范化处理后第i个方案的第j个指标值;x'0j为规范化处理后的最佳方案的第j个指标值;
8-3-4)计算灰色关联度并排序,灰色关联度计算公式为:
公式(17)中:rij为灰色关联度,Wj为目标权重;
经过上述步骤,得到灰色关联度数值,按照关联度数值大小降序排列,通过灰色关联度的分析结果筛选出最合适的方案。
2.根据权利要求1所述的一种基于层次熵-灰色关联法的驾驶室结构优化方法,其特征在于,步骤2)和步骤3)中,在对弯扭刚度以及模态进行仿真时,具体操作如下:首先,利用Hypermesh中Mass Calculate功能计算出驾驶室模型质量;其次,在Hypermesh中添加模态分析卡片—EIGRA卡片,同时设置模态分析频率范围为1-50Hz,利用Optistruct求解器计算出一阶扭转模态频率、一阶弯曲模态频率值;分析扭转刚度时,约束驾驶室左右后悬,在左右前悬加载两个大小相同、方向相反的力,扭转刚度计算公式如下:
公式(1)中:T为施加的扭矩;D1、D2分别为左右加载点的Z向位移;θ为D2与D1位移差值与水平方向的反正切值;L为左右加载点的距离;
分析弯曲刚度时,约束驾驶室左右前后悬,在左右座椅以及卧铺处加载力,弯曲刚度计算公式如下:
公式(2)中:F前座椅为前座椅总加载力,F卧铺为卧铺总加载力,D1、D2分别底部左、右纵梁Z向最大位移;
经过上述分析步骤,得到驾驶室仿真分析基础性能值。
3.根据权利要求1所述的一种基于层次熵-灰色关联法的驾驶室结构优化方法,其特征在于,步骤5)中,所述的灵敏度分析,其筛选优化变量的步骤如下:首先根据灵敏度分析计算出各个性能对于变量的灵敏度数值,尤其是对于厚度、截面变量的灵敏度数值,其次根据每个变量对于不同性能的影响并不完全相同,采用相对灵敏度分析技术筛选优化变量,最后根据得到的相对灵敏度数值按照大小进行降序排列,选出进行优化的设计变量;
进行灵敏度分析的计算公式如下:
公式(3)中:Tj为驾驶室质量、基本静-动态性能参数;xi为第i个零部件的厚度、截面变量;
进行相对灵敏度分析的计算公式如下:
公式(4)中:为驾驶室基本静-动态性能对于厚度、截面变量的灵敏度数值;SM为驾驶室质量对于厚度、截面变量的灵敏度数值;
经过上述分析过程,筛选出优化的设计变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210331335.6A CN114647897B (zh) | 2022-03-30 | 2022-03-30 | 一种基于层次熵-灰色关联法的驾驶室结构优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210331335.6A CN114647897B (zh) | 2022-03-30 | 2022-03-30 | 一种基于层次熵-灰色关联法的驾驶室结构优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114647897A CN114647897A (zh) | 2022-06-21 |
CN114647897B true CN114647897B (zh) | 2024-03-29 |
Family
ID=81995199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210331335.6A Active CN114647897B (zh) | 2022-03-30 | 2022-03-30 | 一种基于层次熵-灰色关联法的驾驶室结构优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114647897B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107097851A (zh) * | 2017-04-27 | 2017-08-29 | 奇瑞汽车股份有限公司 | 一种纯电动汽车轻量化车体及其设计方法 |
CN110008235A (zh) * | 2019-04-15 | 2019-07-12 | 优必爱信息技术(北京)有限公司 | 动力电池健康度评价方法、装置及系统 |
WO2020244325A1 (zh) * | 2019-06-04 | 2020-12-10 | 南京依维柯汽车有限公司 | 一种基于相对灵敏度的非承载式白车身轻量化方法 |
CN113591230A (zh) * | 2021-09-13 | 2021-11-02 | 桂林电子科技大学 | 一种基于梁截面的商用车驾驶室多目标优化方法 |
WO2021227385A1 (zh) * | 2020-05-15 | 2021-11-18 | 南京依维柯汽车有限公司 | 一种基于白车身主断面变形刚度控制的结构改装设计方法 |
CN113946911A (zh) * | 2021-10-18 | 2022-01-18 | 桂林电子科技大学 | 一种基于灰色关联分析法的驾驶室结构优化方法 |
-
2022
- 2022-03-30 CN CN202210331335.6A patent/CN114647897B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107097851A (zh) * | 2017-04-27 | 2017-08-29 | 奇瑞汽车股份有限公司 | 一种纯电动汽车轻量化车体及其设计方法 |
CN110008235A (zh) * | 2019-04-15 | 2019-07-12 | 优必爱信息技术(北京)有限公司 | 动力电池健康度评价方法、装置及系统 |
WO2020244325A1 (zh) * | 2019-06-04 | 2020-12-10 | 南京依维柯汽车有限公司 | 一种基于相对灵敏度的非承载式白车身轻量化方法 |
WO2021227385A1 (zh) * | 2020-05-15 | 2021-11-18 | 南京依维柯汽车有限公司 | 一种基于白车身主断面变形刚度控制的结构改装设计方法 |
CN113591230A (zh) * | 2021-09-13 | 2021-11-02 | 桂林电子科技大学 | 一种基于梁截面的商用车驾驶室多目标优化方法 |
CN113946911A (zh) * | 2021-10-18 | 2022-01-18 | 桂林电子科技大学 | 一种基于灰色关联分析法的驾驶室结构优化方法 |
Non-Patent Citations (2)
Title |
---|
基于加权相对灵敏度的驾驶室结构轻量化;陈剑;杜选福;施斐博;;中国机械工程;20161231(24);140-145 * |
基于层次熵与灰关联度的产品配置方案评价方法研究;汪明天;黄美发;刘夫云;;机械科学与技术;20091215(12);105-108+113 * |
Also Published As
Publication number | Publication date |
---|---|
CN114647897A (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108399287B (zh) | 采用模糊层次分析的机床横梁设计方案的评估方法 | |
CN107480395B (zh) | 一种车辆转向节载荷谱预测模型的构建方法及系统 | |
CN106980744A (zh) | 汽车动力学仿真分析中操纵稳定性和平顺性协同优化方法 | |
CN108920780B (zh) | 一种基于应变能的车身结构优化设计方法 | |
CN108629137B (zh) | 一种机械结构件结构参数优化设计方法 | |
CN111125946B (zh) | 一种基于mdo技术的上车体结构优化方法 | |
CN107766683B (zh) | 一种厢式车车厢底部波纹横梁结构轻量化优化设计方法 | |
CN111581730A (zh) | 一种基于Hyperstudy集成平台的汽车车架多学科优化方法 | |
CN113591234B (zh) | 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 | |
CN115270296A (zh) | 一种商用车驾驶室疲劳耐久性分析方法及系统 | |
CN113591230B (zh) | 一种基于梁截面的商用车驾驶室多目标优化方法 | |
CN113946911B (zh) | 一种基于灰色关联分析法的驾驶室结构优化方法 | |
CN106446451A (zh) | 一种基于有限元法的抗凹性分析方法及装置 | |
CN105893665A (zh) | 一种采用组合赋权-灰色关联的机床横梁优化设计评估方法 | |
CN115169167A (zh) | 汽车板簧运动行程参数优化匹配方法及系统 | |
CN114647897B (zh) | 一种基于层次熵-灰色关联法的驾驶室结构优化方法 | |
Izanloo et al. | Optimal design of automotive body B-pillar using simplified finite element model of body-in-prime combined with an optimization procedure | |
CN114065387A (zh) | 车架优化方法、装置、计算机设备及存储介质 | |
CN115577615A (zh) | 一种汽车多体动力学建模方法和系统 | |
CN111709160B (zh) | 一种基于卡车底盘的行驶动态性能分析优化方法及系统 | |
CN112711813A (zh) | 一种铆接结构的轻量化方法 | |
KR20010010576A (ko) | 차체의 내구력 평가 해석 방법 | |
Reddy et al. | Virtual Full Vehicle Durability testing of a passenger car | |
Peng | Multi-objective optimization of vibration characteristics of steering systems based on GA-BP neural networks | |
CN114841037B (zh) | 一种基于接头灵敏度分析的驾驶室刚度模态优化方法 |
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 |