利用iSIGHT动力总成悬置参数优化

利用iSIGHT动力总成悬置参数优化1悬置参数优化概述图1悬置参数优化流程图解耦优化涉及到动力总成悬置系统自由振动微分方程的建立、优化设计变量的选取、约束范围和目标函数的确定。对于发动机悬置系统来说,通常它的6个固有振型在多个自由度方向上是耦合的,在某个自由度方向进行激振就会产生耦合振动,这样使得共振频率的范围大大加宽,增大了共振的机会[3]。模态解耦方法是目前悬置参数设计运用较多的方法之一,其假设系统微幅振动(阻尼可以不考虑),通过合理配置刚度矩阵来实现系统的优化。常用的解耦方法有弹性中心法、刚度矩阵解耦法、能量解耦法等。弹性中心法受到悬置布置位置的限制,而刚度矩阵法对于缺少对称面的动力总成结构应用不便,能量解耦方法则可以在原坐标系中进行解耦设计,基本脱离发动机类型和布置形式,解耦总指标在(0,1)范围内变化,使优化计算保持较好的稳定性。1.1动力总成悬置设计的总体原则对于动力总成悬置系统的设计而言，总体的设计思路是：对于存在较大激振力的自由度而言，在避免出现共振的基础上应使动力总成悬置在该方向的刚度小，以利于减振；对于没有激振力或激振力小的自由度而言，应使动力总成悬置在该方向的刚度大，以利于支撑。按照振动理论，动力总成悬置通用的隔振原则是：1、悬置的布置应尽可能满足非耦合条件，力图使各自由度的振动互相分离。在此基础上，力图使外部激励频率和系统固有频率之比大于2，使共振点处于实用频率之外，提高隔振效果；2、考虑到动力总成及其支撑车架都是弹性体，应力争将动力总成的悬置支撑在其弯曲振动的节点上，极力降低传递给车体的振动，改善高速行驶时的驾驶室室内噪声水平；3、动力总成的主要运动自由度是侧倾，悬置必须确保能够支撑动力总成的重量，并降低侧倾方向的刚度。在此前提下考虑悬置布置的倾斜角度，使垂直和剪切方向的刚度得到优化；4、为了防止抖动（轮胎一阶振动模式引起的10～30Hz车体振动），提高舒适性，必须将悬置系统垂向固有频率设计得较簧下质量振动系统固有频率略高；5、悬置的静变形应在4mm左右，静变形过大将影响悬置元件的寿命，静变形过小意味悬置的刚度过大，不利于减振的需要；6、对于半阶和一阶激振频率都很大的发动机而言，侧倾模态应该在半阶频率和一阶频率之间；7、动力总成的刚体模态应尽量避开人体的最敏感范围；8、动力总成的横向刚度大，利于整车的操纵稳定性。以上列举的动力总成悬置系统隔振原则，在进行确定性优化设计中可以作为设计目标和约束条件来对待。可以看出，不同的目标之间存在一定的冲突，不可能使所有的目标都得到满足，因此动力总成悬置的匹配过程实质上是各个指标的调和过程，这也是优化工作所要解决的主要任务。3确定性优化1．悬置系统共振频率范围的缩减当悬置软垫的静变形保持在一定范围内时，使整个系统的频率范围在一定空间内最小。2．悬置系统六向刚度解耦通过对悬置位置和刚度进行调配，当悬置软垫静变形和整个系统频率均保持在一定范围内时，对系统的六个模态进行最大可能的解耦。3．悬置系统两向解耦、频率的重新调配通常我们追求六向解耦的目的是，为了获得如下优点：①便于振动计算和固有频率计算；②实施隔振措施后，若防振效果不佳，容易采取新的改进措施；③决定固有频率之后，如果发现还有新的导致振动问题的外力时，只要考虑单一的自由度就可以。但是，普通的六向解耦并没有考虑整个悬置系统频率的正确分配，如悬置系统的垂直振动频率应该设置的高一些。解耦只是一种手段，要想达到振动降低的目的，还需对整个系统的振动频率重新进行分配，尤其要关注的是侧倾和垂直两个方向的振动。表4－1列出了计算结果，从表中可以看出，频率范围优化考虑的目标值最少。六向解耦中模态1代表侧倾模态、模态2代表垂直振动模态，侧倾模态和垂直模态十分接近，虽然在各自的共振频率处解耦很好，但是在稍微偏离共振点处难免存在很大的耦合。两向解耦调频强制对系统的模态进行调整，其中模态1仍然代表侧倾振动，但是垂直振动模态被调整到模态5。2.1优化算法选择这是一个多参数、多目标、非线性优化问题，存在多峰值问题，为了寻找到全局优化解，采用全局算法和局部算法联合求解。全局优化算法采用遗传算法，局部优化算法采用二次序列规划算法。2.1.1遗传算法遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法，以遗传算法为核心的进化算法已与模糊系统理论、人工神经网络等一起成为计算智能研究中的热点，受到许多学科的共同关注。随着控制技术的发展，现代系统工程师面对实际的工程控制问题往往需要在多个可行方案中做出选择，许多控制系统的辩识建模和设计问题都可以归结为含噪声的多峰值空间内的多参数系统的优化问题。常规优化方法的成功应用更多地依赖于目标函数的“良好表现”，大多数需要计算梯度的优化算法只适合凸规划问题，而实际上对于较复杂的控制对象而言，这只是一相情愿的事。常规分析方法和数值方法由于受到初始估计的影响，只有较小的搜索空间，很可能陷入局部最优，在应用中常会遇到诸如多目标问题、目标函数问题、约束问题、多峰值问题、先验性问题等各方面困难。由于遗传算法不需要借助评价函数的求导信息，也不依赖初始解的估计，而是依靠模仿来自于自然界生物进化的搜索机制，在全局解空间中并行搜索最优解，它比常规方法更适合解决控制系统设计的诸多困难。简而言之，遗传算法使用了群体搜索技术，将种群代表一组问题，通过对当前种群施加选择、交叉和变异等一系列遗传操作，从而产生新一代的种群，并逐步使种群进化到包含近似最优解的状态。遗传算法在机理方面具有搜索过程和优化机制等属性，数学方面的性质可通过模式定理、构造块假设和Markov链等分析加以讨论。就遗传算法的计算机理而言：（1）在人工智能中以光束搜索作为最佳优先搜索法，对搜索空间中计算量压缩有一定的效果，采用OPEN表的数据结构，该表结构反映了光束的幅度，在搜索过程中不断地以新的、更好的结点来调整该表，遗传算法的群体规模与光束搜索中的光束幅度类似。（2）优化理论中的单纯形法采用称为反射的操作迭代进行的直接搜索方法，遗传算法的交叉与单纯形法的反射操作类似，群体的规模与形成单纯形的端点数类似。（3）模拟退火法具有跳出局部解的能力，它比爬山法有所改进，通过温度降低工序的仿真，动态地对选择概率实施控制，遗传算法的选择操作是在个体适应度基础上以概率方式进行的，在概率选择方式上与模拟退火法有些相似。遗传算法的理论见图4－1。遗传算法与传统的优化方法相比具有如下特点：1、自组织、自适应和自学习性（智能性）；2、不需要求导或其它辅助知识，只需要影响搜索方向的目标函数和相应的适应度函数，可以更加直接地应用；3、对给定问题，可以产生许多的潜在解，最终选择由使用者确定。自从1975年J.H.Holland博士系统地提出遗传算法的完整结构和理论以来，众多学者一直致力于遗传算法的发展，对编码方式、控制参数的确定、选遗传算法的性能，提出了各种变形的遗传算法（VariantsofCanonicalGeneticAlgorithms，简称VCGA），诸如分层遗传算法、自适应遗传算法、基于小生境技术的遗传算法、混合遗传算法、并行遗传算法等等。其中，并行遗传算法的一个分支—多岛遗传算法[8]是目前应用最广泛的一种遗传算法，它的基本思想是，将种群分成若干个子群并分配给各自对应的处理器，每个处理器不仅独立计算适应度，而且独立进行选择、重组交叉和变异操作，还要定期地传送适应度最好的个体，从而加快满足终止条件的要求。也就是说，多岛遗传算法是将全部的遗传因子分成几个独立的岛屿，目的是既要利用遗传算法的全局优化能力，同时还要大幅度减小普通遗传算法的计算量。遗传算法软件实现见图4－2。遗传算法作为现代最优化的手段，实践证明，它适用于大规模、多峰多态函数、数学表达式非线性或不明确、优化目标变量多等情况下的全局优化问题，在求解速度和质量上远超过常规方法，是一种高速近似算法。但在这里需要指出的是，遗传算法的局部搜索能力较差，为了弥补这一缺陷，通常在确定性优化设计中，将遗传算法和可行方向法结合使用，即在遗传算法优化的基础上再利用可行方向法对局部空间进行搜索，从而保证优化结果就是全局最优解。因篇幅限制，这里不再详述。全局优化算法和局部优化算法的比较见图4－3。作为一种新的全局优化搜索算法，遗传算法以其简单通用、鲁棒性强、适于并行处理及高效实用等悬著特怠，在各个领域得到了广泛应用，取得了良好的效果。在工业工程中，许多最优化问题性质十分复杂，很难用传统的优化方法来求解。自1960年以来，人们对求解这类难解问题的兴趣日益增加。一种模仿生物自然进化过程的、被称为“进化算法”(evolutiona仃algorithm)随机优化技术在解这类优化难题中显示出了由于传统优化算法的性能。目前，进化算法主要包括三个研究领域:遗传算法、进化规划(evolutiona汀programming)和进化策略(evofutionarystrategles)。其中遗传算法是迄今为止进化算法中应用最多、比较成熟、广为人知的算法。由于其在求解复杂优化问题的巨大潜力及其在工业工程领域的成功应用，这种算法受到了广泛的注意。这些成功的应用包括:作业调度与排序、可靠性设计、车辆路径选择与调度、成组技术、设备布置与分配、交通问题、以及其它的许多优化问题。遗传算法(GeneicAlgorithm，缩写GA)是一种有效地解决最优化问题的方法。最现是由JohnHolland于1975年提出的。遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。它的思想源于生物遗传学和适者生存的自然规律，是具有“生存十检测”的迭代过程的搜索算法。遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作:参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定等5个要素组成了遗传算法的核心内容。遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法，与传统的搜索算法不同，遗传算法从一组随机产生的称为“种群(p叩ulation)”的初始解开始搜索过程。种群中的每个个体是问题的一个解，称为“染色体(chromosome)”。染色体是一串符号，比如一个二进制字符串。这些染色体在后续迭代中不断进化，成为遗传。在每一代中用“适值(fiiness)”来测量染色体的好坏，生成的下一代染色体称为“后代(offsPring)”。后代是由前一代染色体通过交叉(crossover)或者变异(mutation)运算形成的。在新一代形成过程中，根据适度的大小选择部分后代，淘汰部分后代，从而保持种群大小是常数。适值高的染色体被选中概率较高。这样经过若干代之后，算法收敛于最好的染色体，它很可能就是问题的最优解或次优解。遗传算法的主要步骤如下:(l)编码:GA在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合便构成了不同的点。(2)初始群体的声称:随机产生N个初始串结构数据，每个串结构数据称为一个个体，N个个体构成了一个群体。GA以这N个串结构数据作为初始点开始迭代。(3)适应性值评估检测:适应性函数表明个体或解的优劣性。对于不同的问题，适应性函数的定义方式也不同。(4)选择:选择的目的是为了从当前群体中选出优良的个体，使他们有机会作为父代为下一代繁殖子孙。遗传算法通过选择过程体现这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。选择实现了达尔文的适者生存原则。(5)交叉:交叉操作是遗传算法中最主要的遗传操作。通过交叉操作可以得到新一代个体，新个体组合了其父辈个体的特性。交叉体现了信息交换的思想。(6)变异:变异首先在群体中随机选择一个个体，对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。同生物一样，GA中变异发生的概率很低，通常取值在0.001司.01之间。变异为新个体的产生提供了机会。实际上，遗传算法中有两类运算:遗传运算—交叉和变异;进化运算:—选择。遗传算法模拟了基因在每一代中创造新后