汽车动力总成悬置系统的多目标优化方法
姜立标,罗 健
(华南理工大学机械与汽车工程学院,广东 广州 510641)
作者简介:(姜立标(1965—),男,副教授,博士,主要研究方向为汽车系统动力学及电子控制、智能网联与自动驾驶技术、新能源汽车关键技术,jlb@scut.edu.cn.
摘要:对汽车动力总成悬置系统的多目标优化问题进行了研究,明确了优化方向。基于算法融合理论,提出了结合多目标粒子群优化(MOPSO)算法和非支配排序遗传算法Ⅱ(NSGA-Ⅱ)的混合算法,并运用经典测试函数分别对MOPSO算法、NSGA-Ⅱ及混合算法进行测试,验证了混合算法的可行性和高效性。运用混合算法解决了动力总成悬置系统的解耦问题,得到了多组满足要求的解集。实例优化结果证明,该混合算法对解决复杂动力总成悬置系统多目标优化问题是有效的。
关键词:动力总成悬置系统;多目标粒子群优化;非支配排序遗传算法Ⅱ;混合算法;多目标优化
中图分类号:U464.13 文献标识码:A 文章编号:2095-509X(2021)04-0087-05
汽车作为一种交通工具,其各项性能越来越受到人们的关注,其中整车NVH(noise、vibration、harshness)性能是目前人们关注较多的一项。影响整车NVH性能的因素有很多,动力总成的振动是其中一个重要的因素。动力总成的振动问题是复杂的多自由度振动问题。为使复杂的振动问题简单化,在设计悬置系统时,应对系统的解耦进行优化设计,并对动力总成的模态频率进行间隔设计。陈剑等[1]提出了基于Chebyshev区间的动力总成悬置系统优化方法,获得了较好的解耦率;毕凤荣等[2]提出了基于Kriging模型的动力总成悬置系统多目标优化方法,通过该模型得到了较好的解耦率。目前,对于动力总成悬置系统多目标优化多采用单一的方法或算法,优化效率较低。
为提高动力总成悬置系统的多目标优化效率,本文首先建立动力总成悬置系统模型,确定优化方向,基于算法融合理论,提出了结合多目标粒子群优化(multi-objective particle swarm optimization,MOPSO)算法和非支配排序遗传算法Ⅱ(non-dominated sorting genetic algorithm Ⅱ,NSGA-Ⅱ)的混合算法;然后进行了测试,证明了混合算法的效率更高且结果精度高;最后运用混合算法对具体的悬置系统进行优化,得到了准确的解集,为悬置系统提供了多组合理的设计参数。
1 动力总成悬置系统模型
1.1 运动学方程
以横置发动机三点悬置系统为研究对象,根据振动力学理论,建立系统的运动微分方程。图1所示为各坐标系下典型的动力总成三点悬置系统模型,图中G-XYZ是整车坐标系,O-xyz是动力总成坐标系,Ki-uvw是悬置局部坐标系。 |