基于徑向基神經(jīng)網(wǎng)絡的尾門優(yōu)化研究

摘要：某一新車尾門懸掛重達35 kg備胎，需滿足下垂性能指標及輕量化需求，針對傳統(tǒng)人工迭代優(yōu)化周期長、難度大的問題，提出一種基于徑向基神經(jīng)網(wǎng)絡（RBF）的尾門優(yōu)化方法，首先將尾門結(jié)構(gòu)參數(shù)和料厚定義為可優(yōu)化設(shè)計變量，然后通過試驗設(shè)計（DOE）生成不同設(shè)計變量與車門下垂性能對應關(guān)系的多組數(shù)據(jù)，再基于RBF建立結(jié)構(gòu)參數(shù)和性能的非線性映射，最后基于Isight的遺傳算法對尾門參數(shù)進行優(yōu)化。結(jié)果表明，優(yōu)化方案尾門滿足下垂下墜性能，并且減重1.0 kg（3.7%）。該研究對尾門優(yōu)化設(shè)計有較大的工程參考價值。

關(guān)鍵詞：尾門；優(yōu)化；徑向基神經(jīng)網(wǎng)絡；試驗設(shè)計；遺傳算法

中圖分類號：U463.83+4 文獻標志碼：A 文章編號：1671-0797（2024）20-0071-03

DOI：10.19514/j.cnki.cn32-1628/tm.2024.20.016

0 引言

尾門是汽車的重要零部件之一，應滿足下垂性能、剛強度、模態(tài)及耐久等性能，此外，汽車尾門輕量化有利于提升汽車燃油經(jīng)濟性、續(xù)航里程及降低材料成本，因此，對尾門結(jié)構(gòu)進行優(yōu)化設(shè)計實現(xiàn)輕量化顯得十分重要。李軍等人[1]基于試驗設(shè)計和徑向基神經(jīng)網(wǎng)絡（RBF）模型的強大擬合能力，構(gòu)建了車門質(zhì)量、一階模態(tài)頻率、二階模態(tài)頻率、上扭轉(zhuǎn)剛度、下扭轉(zhuǎn)剛度、側(cè)向彎曲剛度以及下沉剛度響應的近似模型，并在此基礎(chǔ)上，通過多目標遺傳算法在滿足車門性能的條件下對車門的料厚進行優(yōu)化，實現(xiàn)車門輕量化。秦訓鵬等人[2]應用靈敏度分析方法和響應面法，通過對車門料厚的優(yōu)化實現(xiàn)了車門模態(tài)和白車身模態(tài)分離，同時實現(xiàn)減重5.83%。劉鋒等人[3]以車門部件的厚度作為設(shè)計參數(shù)，建立了設(shè)計參數(shù)和車門模態(tài)性能的響應面模型，然后基于遺傳算法和近似模型對車門在保證模態(tài)性能的條件下進行輕量化優(yōu)化，成功實現(xiàn)了車門質(zhì)量的減輕。

現(xiàn)有優(yōu)化研究主要集中于剛度和模態(tài)等線性分析，而且優(yōu)化參量以料厚為主。針對汽車尾門下垂及殘余變形的非線性分析，優(yōu)化難度更大。本文提出了一種將網(wǎng)格變形技術(shù)、徑向基神經(jīng)網(wǎng)絡、遺傳優(yōu)化算法相結(jié)合的優(yōu)化方法，可以實現(xiàn)尾門各種結(jié)構(gòu)參數(shù)及料厚同時優(yōu)化，實現(xiàn)車門的最優(yōu)化設(shè)計。下文首先介紹了徑向基神經(jīng)網(wǎng)絡的基本原理，然后介紹了車門下垂性能分析方法，緊接著基于遺傳算法和神經(jīng)網(wǎng)絡對車門進行優(yōu)化，最后對優(yōu)化后的結(jié)果進行了驗證。

1 尾門有限元仿真分析

1.1 車門有限元建模

尾門總成如圖1所示，由沖壓而成的鈑金件通過焊接、膠接、包邊裝配而成，其長度或?qū)挾确较虻某叽邕h大于厚度方向的尺寸，符合殼單元的理論假設(shè)，因此尾門建模采用殼單元有限元建模[4]，網(wǎng)格大小為8 mm，并將單元質(zhì)量參數(shù)如長寬比、翹曲度等控制在合理范圍內(nèi)。鈑金件由殼單元進行網(wǎng)格劃分來實現(xiàn)結(jié)構(gòu)離散化處理，即選用四邊形網(wǎng)格單元和三角形單元進行網(wǎng)格劃分，并控制三角形單元的網(wǎng)格數(shù)量小于整個車門有限元模型網(wǎng)格數(shù)量的10%。焊點采用beam單元進行模擬。備胎通過質(zhì)量配重來模擬，內(nèi)飾質(zhì)量也通過配重來模擬。車門鈑金的材料為鋼材，彈性模量為2.1×105 MPa，泊松比為0.3，密度為7.9×10-9 kg/mm3，車門總重量為27.1 kg。

1.2 尾門下垂下墜分析

由于本文所研究的車型尾門帶備胎，備胎重量達35 kg。尾門在客戶耐久使用過程中的下垂耐久是最關(guān)鍵的性能指標之一，本文首先針對下垂耐久工況進行優(yōu)化設(shè)計研究，然后再對其他性能進行驗證評估。下垂工況的載荷邊界條件定義如下：車門鉸鏈車身端安裝點全約束，車門鎖扣處約束車門轉(zhuǎn)動方向的切向自由度。完成約束定義后，尾門的載荷施加及求解方法如下：1）重力場施加；2）在車門鎖扣處施加垂直向下的載荷1 000 N，求解尾門鎖扣處的最大垂向位移量；3）對施加在鎖扣處的載荷進行卸載，求解尾門鎖扣處加載點的殘余位移量。優(yōu)化前，車門在外載荷作用下和卸載后的鎖扣位移如圖2（a）、圖2（b）所示。加載工況下的位移量大于目標值21 mm，而卸載工況的位移大于目標值1 mm，性能不滿足要求，需要進一步優(yōu)化。

2 基于RBF的車門結(jié)構(gòu)優(yōu)化

2.1 車門結(jié)構(gòu)參數(shù)化前處理

首先將尾門所有零件的料厚進行參數(shù)化，包括尾門橫向加強板料厚Tl、尾門內(nèi)部本體料厚T2、鉸鏈加強板的料厚T3、備胎加強板的料厚T4、尾門下加強板的料厚T5、鎖扣加強板的料厚T6、車門的外板料厚T7、尾門備胎支架料厚T8。基于有限元軟件的網(wǎng)格變形功能，對鉸鏈跨距的尺寸進行參數(shù)化，設(shè)計變量為d；尾門玻璃框上梁的截面參數(shù)定義為設(shè)計變量S；尾門焊接工藝過孔的尺寸定義為設(shè)計變量L。

2.2 基于試驗設(shè)計的RBF神經(jīng)網(wǎng)絡訓練

最常見的基于空間填充的試驗設(shè)計方法有優(yōu)化拉丁超立方和均勻設(shè)計法。優(yōu)化拉丁超立方試驗設(shè)計方法不僅可以保證設(shè)計變量在投影上的均勻性，還可以保證設(shè)計變量在空間上的均勻性[5]。因此采用優(yōu)化拉丁超立方試驗設(shè)計方法，按表1中11個設(shè)計變量的范圍，生成300組不同參數(shù)組合的試驗設(shè)計矩陣。Isight通過300次調(diào)用有限元前處理軟件ANSA，基于每一個試驗設(shè)計樣本點生成不同結(jié)構(gòu)參數(shù)的有限元模型，然后自動提交ABAQUS進行非線性計算，最后自動化讀取鎖扣安裝點在不同試驗設(shè)計樣本點狀態(tài)下不同求解工況的位移。

將上述試驗所得到的各設(shè)計變量不同水平下得到的響應，即車門在外載荷作用下鎖扣安裝點處的位移、車門卸載工況下鎖扣安裝點的殘余位移作為神經(jīng)網(wǎng)絡的輸出，而對應的各個設(shè)計變量作為神經(jīng)網(wǎng)絡的輸入，應用RBF徑向基神經(jīng)網(wǎng)絡擬合出近似模型。

為了提升訓練效果，首先將網(wǎng)絡學習樣本數(shù)據(jù)歸一化到[-1，1]，再輸入神經(jīng)網(wǎng)絡進行訓練。選取30個樣本點進行交叉驗證，30個響應量的RBF模型的決定系數(shù)（R2）均大于0.95，均方差（MSE）均小于0.1，如表2所示，證明了徑向基神經(jīng)網(wǎng)絡模型精度達到了較高水平，可用于下一步的優(yōu)化設(shè)計。

2.3 基于RBF的尾門優(yōu)化與結(jié)果

采用Isight軟件內(nèi)置遺傳優(yōu)化算法[6]對徑向基神經(jīng)網(wǎng)絡模型進行優(yōu)化求解，種群規(guī)模設(shè)置為500，變異率設(shè)為0.01，最小迭代次數(shù)設(shè)為50，迭代次數(shù)上限設(shè)為250。最終優(yōu)化方案的設(shè)計變量取值如表3所示，優(yōu)化后總質(zhì)量為26.1 kg，比優(yōu)化前減少了1.0 kg。

優(yōu)化后在加載工況及卸載工況下的位移如圖3所示。

3 結(jié)論

針對某一在研汽車尾門受載大，下垂及殘余變形性能非線性分析優(yōu)化難度大，本文提出了一種將網(wǎng)格變形技術(shù)、徑向基神經(jīng)網(wǎng)絡、遺傳優(yōu)化算法相結(jié)合的優(yōu)化方法，來對尾門各種結(jié)構(gòu)參數(shù)及料厚同時優(yōu)化，實現(xiàn)車門的最優(yōu)化設(shè)計。經(jīng)過優(yōu)化，尾門的下垂下墜性能滿足要求，同時減重1.0 kg，實現(xiàn)了結(jié)構(gòu)輕量化。從優(yōu)化結(jié)果判斷，鉸鏈跨度對尾門下垂性能影響較大，鉸鏈處的加強板對下垂性能影響較大。優(yōu)化結(jié)果表明，該方法對汽車尾門結(jié)構(gòu)優(yōu)化具有較大的工程實用價值。

[參考文獻]

[1] 李軍，冷川.基于RBF神經(jīng)網(wǎng)絡模型的車門多目標輕量化設(shè)計[J].重慶交通大學學報（自然科學版），2019，38（11）：127-132.

[2] 秦訓鵬，馮佳偉，王永亮，等.基于響應面方法的微型車車門模態(tài)分析與優(yōu)化[J].中國機械工程，2017，28（14）：1690-1695.

[3] 劉鋒，張瑞乾，陳勇.基于改進遺傳算法的車門優(yōu)化分析[J].機械設(shè)計與制造，2023（12）：41-44.

[4] 張智超，高太元，張磊，等.基于徑向基神經(jīng)網(wǎng)絡的氣動熱預測代理模型[J].航空學報，2021，42（4）：303-312.

[5] 陳浩然，項忠珂，程文明，等.基于響應面和遺傳算法的C型梁確定性多目標輕量化設(shè)計[J].機械強度，2021，43（3）：636-642.

[6] 薛明，韋波，楊祿，等.GA-PSO優(yōu)化BP神經(jīng)網(wǎng)絡的遙感影像分類方法[J].遙感信息，2020，35（3）：110-116.

收稿日期：2024-05-30

作者簡介：黃暉（1984—），男，江西撫州人，碩士，高級工程師，主要從事整車研發(fā)工作。