基于組合優(yōu)化策略的白車身輕量化設(shè)計(jì)

喬鑫，夏天，劉瑩

?

基于組合優(yōu)化策略的白車身輕量化設(shè)計(jì)

喬鑫，夏天，劉瑩

（華晨汽車工程研究院，遼寧 沈陽 110141）

以某SUV車型為研究對象，對白車身進(jìn)行輕量化設(shè)計(jì)。建立了整車有限元模型，選取關(guān)鍵零件的板厚作為設(shè)計(jì)變量，以整車模態(tài)、剛度、NVH及碰撞性能為優(yōu)化約束條件，以質(zhì)量為目標(biāo)，建立各項(xiàng)性能指標(biāo)的徑向基神經(jīng)網(wǎng)絡(luò)近似模型，采用多島遺傳算法及山單純型法相結(jié)合的優(yōu)化策略對白車身進(jìn)行多學(xué)科聯(lián)合優(yōu)化，在保證各項(xiàng)性能滿足要求的前提下，使白車身重量降低了9.7kg。

輕量化；多學(xué)科優(yōu)化；近似模型；多島遺傳算法；下山單純型法

前言

輕量化是汽車發(fā)展的重要方向。研究顯示，若汽車整車重量降低10%，燃油效率可提高6%-8%；其次輕量化可提升汽車的主動(dòng)安全性能、提高加速性能、制動(dòng)性能、操作性能以及乘坐舒適性等性能[1]。白車身結(jié)構(gòu)的優(yōu)化設(shè)計(jì)是汽車輕量化的重要手段之一。通過結(jié)構(gòu)的優(yōu)化設(shè)計(jì)，能夠?qū)崿F(xiàn)整車重量的降低以及整體性能的提升。然而白車身是一個(gè)綜合的工程結(jié)構(gòu)，其設(shè)計(jì)涵蓋多個(gè)學(xué)科領(lǐng)域，如果單一研究某一學(xué)科或某一性能的優(yōu)化，則忽略了整個(gè)系統(tǒng)內(nèi)各個(gè)學(xué)科的相互影響，這種設(shè)計(jì)方法只能獲得局部最優(yōu)解，可能失去系統(tǒng)最優(yōu)解，而且設(shè)計(jì)周期長、成本高。因此，汽車的輕量化設(shè)計(jì)需要多學(xué)科設(shè)計(jì)優(yōu)化（Multidisciplinary design optimization, MDO）方法。國外大型汽車公司已經(jīng)把MDO應(yīng)用于汽車結(jié)構(gòu)設(shè)計(jì)當(dāng)中[2-4]，近年來，國內(nèi)也已經(jīng)廣泛的開展白車身的多學(xué)科聯(lián)合優(yōu)化工作[5-11]。

本文綜合考慮了白車身的模態(tài)、剛度、NVH以及碰撞性能，對白車身進(jìn)行多學(xué)科聯(lián)合優(yōu)化，在保證結(jié)構(gòu)滿足各學(xué)科性能要求的前提下，實(shí)現(xiàn)了白車身的輕量化設(shè)計(jì)。

1 相關(guān)模型及優(yōu)化方案

1.1 多學(xué)科優(yōu)化數(shù)學(xué)模型

多學(xué)科優(yōu)化的數(shù)學(xué)表達(dá)式為：

式中：為設(shè)計(jì)變量；(,())為目標(biāo)函數(shù)；g(,())為不等式約束條件，為不等式約束的總數(shù)；h(,())為等式約束條件，為等式約束的總數(shù)；()為狀態(tài)方程。

為了提高優(yōu)化效率，本文采用近似模型來代替有限元模型，對近似模型進(jìn)行優(yōu)化；同時(shí)，為了避免優(yōu)化結(jié)果落入局部解，選擇全局法與直接法相結(jié)合的方式來獲得最終的最優(yōu)解。優(yōu)化流程如下圖所示。

圖1 白車身多學(xué)科聯(lián)合優(yōu)化流程

1.2 優(yōu)化的拉丁超立方試驗(yàn)設(shè)計(jì)

優(yōu)化的拉丁超立方設(shè)計(jì)改進(jìn)了隨機(jī)拉丁超立方設(shè)計(jì)的均勻性，使因子和響應(yīng)的擬合更加精確真實(shí)，樣本能夠覆蓋整個(gè)設(shè)計(jì)空間，具有較強(qiáng)的穩(wěn)健性以及非常好的空間填充性和均勻性。圖2為隨機(jī)拉丁超立方與優(yōu)化的拉丁超立方算法采樣對比。

圖2 二因素試驗(yàn)設(shè)計(jì)對比示意圖

1.3 徑向基神經(jīng)網(wǎng)絡(luò)模型

RBF神經(jīng)網(wǎng)絡(luò)模型具有很強(qiáng)的逼近復(fù)雜非線性函數(shù)的能力和較強(qiáng)的容錯(cuò)能力，20世紀(jì)80年代成功的應(yīng)用于組合優(yōu)化問題，如今已經(jīng)被廣泛地應(yīng)用到函數(shù)逼近、模式識(shí)別、圖像處理與計(jì)算機(jī)視覺、信號處理、時(shí)間序列、醫(yī)藥控制、軍事系統(tǒng)以及優(yōu)化。

2 分析工況概述

本文研究對象為國產(chǎn)某自主品牌研發(fā)項(xiàng)目SUV車型，通過考察白車身剛度性能、模態(tài)性能、NVH性能以及整車的碰撞安全性能來實(shí)現(xiàn)白車身的輕量化。其中剛度工況、模態(tài)及動(dòng)剛度工況采用Nastran計(jì)算，碰撞工況采用LS-DYNA計(jì)算。圖3為初始設(shè)計(jì)階段各工況計(jì)算結(jié)果。

圖3 各工況初始結(jié)果

3 變量、約束與優(yōu)化目標(biāo)

3.1 優(yōu)化變量

根據(jù)白車身的結(jié)構(gòu)特征，本文選取了白車身的30個(gè)零件的厚度作為設(shè)計(jì)變量，如下圖所示。另外，為滿足工藝要求，白車身左右對稱件用同一變量表示。

圖4 取作設(shè)計(jì)變量的車身零件

由于鈑金的厚度只能取到一系列規(guī)定的厚度值，無法取到連續(xù)值，因此變量取值是離散的，如下表所示。

表1 變量及其取值范圍

3.2 優(yōu)化約束與目標(biāo)

優(yōu)化目標(biāo)為白車身質(zhì)量最小，優(yōu)化約束及初始設(shè)計(jì)階段結(jié)果見下表。

表2 約束及其初始值

*注：動(dòng)剛度工況共416個(gè)輸出指標(biāo)，由于指標(biāo)過多，在isight中通過腳本語言為指標(biāo)設(shè)置一個(gè)綜合變量OptFlagAve，只有當(dāng)所有指標(biāo)滿足要求時(shí)，OptFlagAve才滿足要求（OptFlagAve=1）。

4 試驗(yàn)設(shè)計(jì)

本文采用優(yōu)化拉丁超立方設(shè)計(jì)方法生成各工況的樣本矩陣，各工況的樣本數(shù)量如表3所示。

表3 各工況樣本數(shù)量

5 近似模型

本文選擇徑向基神經(jīng)網(wǎng)絡(luò)算法建立各響應(yīng)的近似模型。圖5中為各個(gè)工況任意選擇的兩個(gè)變量與響應(yīng)之間函數(shù)關(guān)系的3D顯示。從圖中可以看出各響應(yīng)與設(shè)計(jì)變量之間的非線性程度。

近似模型的精度通常用復(fù)相關(guān)系數(shù)（2）作為檢驗(yàn)指標(biāo)，一般認(rèn)為2＞0.9時(shí)，近似模型的精度可以接受。圖6為各工況近似模型的誤差分析結(jié)果，其中模態(tài)、剛度、質(zhì)量的2值均大于0.9，說明這些指標(biāo)的近似模型能夠很好的代替有限元模型；在動(dòng)剛度的416個(gè)響應(yīng)中，有38個(gè)近似模型的2值小于0.9，其中最大誤差為7.9%；碰撞的18個(gè)響應(yīng)中，有10個(gè)近似模型的2值在0.9以下，其中有5個(gè)近似模型的誤差大于10%，最大誤差為17%。究其原因，碰撞本身為高度非線性的物理過程，鈑金厚度變量與侵入量及侵入速度間的非線性關(guān)系比較強(qiáng)烈，因此近似模型誤差較大。如果進(jìn)一步提高近似模型精度，需要繼續(xù)增加樣本點(diǎn)，考慮到計(jì)算效率，決定接受已有的近似模型，在此基礎(chǔ)上進(jìn)行下一步的優(yōu)化分析。

圖5 近似模型3D顯示

a）門檻彎曲剛度 b） 中通道彎曲剛度

c）扭轉(zhuǎn)剛度 d）彎曲模態(tài)

e）扭轉(zhuǎn)模態(tài) f）質(zhì)量

g）動(dòng)剛度某一響應(yīng) h）側(cè)碰工況某一響應(yīng)

圖6 近似模型誤差分析

6 優(yōu)化結(jié)果及驗(yàn)證

本文首先采用多島遺傳算法獲取全局初步優(yōu)化解，基于初步優(yōu)化解，采用下山單純型法進(jìn)一步獲得最終優(yōu)化解。多島遺傳算法子群規(guī)模設(shè)置為20，島數(shù)設(shè)置為10，進(jìn)化代數(shù)設(shè)置為10；下山單純型法Simplex尺寸設(shè)置為0.5，最大迭代次數(shù)設(shè)置為40?；趇sight的優(yōu)化流程如下圖所示。

圖7 基于isight的多學(xué)科優(yōu)化流程

下表為白車身優(yōu)化設(shè)計(jì)結(jié)果。從表中可見，白車身重量由446.074kg下降為436.35kg，重量下降了9.7kg，降低了2.17%。白車身各工況性能指標(biāo)均有變化，但其優(yōu)化結(jié)果仍滿足設(shè)計(jì)要求。表5是優(yōu)化前后各鈑金厚度對比。

7 結(jié)論

本文建立了某國產(chǎn)品牌自主研發(fā)的SUV車型的有限元模型，分析了白車身的剛度、模態(tài)、動(dòng)剛度性能及整車的側(cè)碰性能，在保證各性能滿足目標(biāo)要求的前提下，采用多學(xué)科聯(lián)合優(yōu)化方法，對白車身進(jìn)行了輕量化設(shè)計(jì)。優(yōu)化結(jié)果顯示，白車身質(zhì)量降低了9.7kg，比原始方案減重2.17%，取得了較好的優(yōu)化效果。

表4 優(yōu)化結(jié)果對比

表5 優(yōu)化前后板厚對比

[1] 俞凌琳.中國汽車輕量化調(diào)查[J].中國民營科技與經(jīng)濟(jì),2009,11:33 -34.

[2] Sobieszczanski-sobieski J, Kodiyalam S, Yang R Y. Optimization of Car Body under Constraints of Noise, Vibration, and Harshness (NVH), and Crash[J]. Structural and Multidisciplinary Optimization, 2001, 2(4):295-306.

[3] Yildiz A R, Solanki K N. Multi-objective optimization of vehicle crashworthiness using a new particle swarm based approach[J]. Int J Adv Manuf Technol, 2012, 59: 367-376.

[4] Duddeck F, Mile E R. Multidisciplinary optimization of car bodies[J]. Structural and Multidisciplinary Optimization, 2008, 35(4):375-389.

[5] 陳鑫,胡翠松,寧厚于,等. SUV白車身隱式參數(shù)化建模及多性能優(yōu)化輕量化[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版), 2016,46（6）:1780-1785.

[6] 王巖,陳無畏,謝有浩,等. 多目標(biāo)遺傳算法在車身動(dòng)態(tài)性能優(yōu)化中的應(yīng)用[J].汽車工程,2017,39（11）:1298-1304.

[7] 左文杰,陳繼順,李亦文,等.剛度,強(qiáng)度與頻率約束下的白車身板厚尺寸優(yōu)化[J].汽車工程, 2017,39（2）:145-149.

[8] 尹安東,許靖,曹誠.基于全局響應(yīng)面法的電動(dòng)轎車白車身多目標(biāo) 優(yōu)化[J].合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）.2015,38(12):1607- 1611.

[9] 王震虎,周巧英,劉開勇,等.基于響應(yīng)面模型的白車身多目標(biāo)輕量化設(shè)計(jì)[J].中國機(jī)械工程, 2018,29（1）:75-81.

[10] 王登峰,蔡珂芳,馬明輝,等. 基于隱式參數(shù)化模型的白車身輕量化設(shè)計(jì)[J].汽車工程, 2018,40（5）:610-616.

[11] 黃煥軍,張博文,吳光強(qiáng),等.基于組合代理模型的車身多學(xué)科設(shè)計(jì)優(yōu)化[J].汽車工程,2016,38（9）:1107-1113.

Body-in-White Lightweight Based on Strategy of Combinatorial Optimization

Qiao Xin, Xia Tian, Liu Ying

（Brilliance Automotive Engineering Research Institute, Liaoning Shenyang 110141）

This paper takes a SUV as the study object, and the lightweight design of the body-in-white is conducted. First, a finite element model of the SUV is established, and the thickness of key parts is selected as the design variables; the mass is taken as the object; and the constraints include the performance of mode, stiffness, NVH and side impact. Then the Radial basis function approximate models are established for every performance. Finally, optimization is performed using the combination of Multi-Island Genetic Algorithm and Downhill Simplex Algorithm. Results show that the mass of BIW can be reduced by 9.7kg while keeping its performance.

lightweight; multidisciplinary optimization; approximate model; Multi-Island Genetic Algorithm; Dow- nhill Simplex Algorithm

A

1671-7988(2018)18-112-05

U462

A

1671-7988(2018)18-112-05

CLC NO.: U462

喬鑫（1979-），男，高級工程師，碩士，就職于華晨汽車工程研究院，主要研究方向：汽車結(jié)構(gòu)CAE。

10.16638/j.cnki.1671-7988.2018.18.038