車輛動力總成懸置系統區間優化設計方法
【專利摘要】本發明公開一種車輛動力總成懸置系統的區間優化設計方法。其技術方案是：利用區間分析理論建立懸置解耦模型；以懸置系統六自由度解耦為目標函數，以懸置的各向剛度為優化變量，以六自由度的振動頻率為約束條件，確定動力總成及懸置系統的技術參數，使用粒子群算法對懸置系統進行六自由度解耦，具體步驟主要包括：A.懸置解耦計算模型；B.基于區間分析理論的懸置解耦優化模型；C.基于粒子群算法的區間優化模型并優化計算。經過本發明方法的優化，動力總成各方向的頻率控制在了設計要求之內，解耦率也滿足設計指標，更為重要的是，本發明的方法給出了參數變動后的優化區間，使得本發明的方法具有更好的穩健性和適用性。
【專利說明】車輛動力總成懸置系統區間優化設計方法
【技術領域】
[0001]本發明涉及車輛設計，具體是車輛動力總成懸置系統的區間優化設計方法。
【背景技術】
[0002]動力總成懸置系統將動力總成與車身及底盤彈性地連接起來，從而減小發動機工作時向汽車結構傳遞的振動。動力總成振動問題是提高載重汽車品質需解決的一個重要問題。近年來，基于能量法的懸置解耦方法在工程上得到快速推廣和應用，產生了一系列基于能量法解耦原理的發動機懸置解耦方法。懸置解耦算法主要在于對懸置剛度、懸置位置和懸置傾角等設計變量進行計算，得到最佳的參數組合，降低系統振動傳遞率。由于懸置位置相對不易改變，懸置剛度和懸置傾角在一般的懸置解耦算法中經常作為設計變量。由于懸置剛度和懸置傾角變量多，變化范圍大，傳統的懸置解耦算法容易存在組合爆炸的問題，不易求得最優解。
[0003]同時，由于加工制造等方面的誤差，懸置系統的參數如懸置剛度經常不是確定的值，而是在某個區間內變動。在優化的過程中，如果使用傳統的確定性優化方法對懸置系統進行優化，得到最優的懸置參數；在實際過程中，按照上述優化結果進行使用的懸置，其名義值等于上述優化結果，但實際值并不相等。這種情況的出現，會導致懸置系統振動惡化，引發一系列的問題。
[0004]綜上所述，針對懸置系統的參數不確定性，需要提供相關技術進行區間優化設計，解決動力總成振動問題，提高車輛舒適性。
【發明內容】
[0005]本發明的目的是提供一種車輛動力總成懸置系統的區間優化設計方法。
[0006]解決本發明的技術問題的技術方案是:利用區間分析理論建立懸置解耦模型；以懸置系統六自由度解耦為目標函數，以懸置的各向剛度為優化變量，以六自由度的振動頻率為約束條件，確定動力總成及懸置系統的技術參數，使用粒子群算法對懸置系統進行六自由度解耦，具體步驟主要包括:
[0007]A.懸置解耦計算模型；
[0008]B.基于區間分析理論的懸置解耦優化模型；
[0009]C.基于粒子群算法的區間優化模型并優化計算。
[0010]所述方法在步驟A，首先以下式計算懸置系統解耦率Tpk
[0011]
【權利要求】
1.車輛動力總成懸置系統的區間優化設計方法，其特征在于:以懸置系統六自由度解耦為目標函數，以懸置的各向剛度為優化變量，以六自由度的振動頻率為約束條件，確定動力總成及懸置系統的技術參數，使用粒子群算法對懸置系統進行六自由度解耦，具體步驟主要包括: A.懸置系統區間解耦； B.基于區間分析理論的懸置解耦優化； C.建立基于粒子群算法的區間優化模型并優化計算。
2.根據權利要求1的方法，其特征在于:在步驟A，首先以下式計算懸置系統解耦率Tpk
3.根據權利要求1的方法，其特征在于:在步驟B，操作過程包括: (1)建立初步優化目標函數Ftjbjinti:
F0bj—inti_maX (T) 約束條件為:
Sti G [Sti inf, Sti sup] 其中，Sti代表第i個約束，Sti inf代表第i個約束的下限，Sti sup代表第i個約束的上限； (2)建立優化目標函數懲罰函數:
Fpent—inf_maX (?，_ (Stj-Sti inf))
Fpent—sup_maX (O，(St1-Sti sup)) 其中，Fpentjnf代表約束下限`的懲罰函數，Fpent sup代表約束上限的懲罰函數； (3)建立最終優化目標函數:
Fob j—f inal ^ob jint i ~^~P I ^pent inf ~^~P I ^pentsup 其中Luinal代表最終優化目標函數，P1代表懲罰因子，取值范圍可在[1，300]，約束條件同過程(I)。
4.根據權利要求1的方法，其特征在于:在步驟C，操作過程包括: (1)建立基于粒子群算法的區間優化模型: 優化目標函數及其約束條件采用步驟B的最終結果； (2)設定粒子群算法的區間優化參數:
vid=widvid+cirand(l) (Pid-Xid)+c2rand (I) (pgd_xid)
Xid_Xid+Vid 其中，Vid代表粒子的速度，Pid代表局部最優解，Pgd代表全局最優解，Xid代表粒子當前的位置，也就是被優化的懸置參數;Wid代表慣性權重因子，取值范圍在[0.1，I]之間，rand (I)可以產生一個[0,1]區間的隨機數,CpC2是學習因子,cfc2,取值在[0.1,3]之間；同時設定種群大小N G [30，100]，和最大迭代次數MaxID G [100，1000]； (3 )優化計算: 步驟a.初始化粒子群，包括種群數量，種群中粒子的位置，速度； 步驟b.計算各粒子的適應度，也就是懸置優化目標函數Ftjw final，并求局部最優解Pid和全局最優解Pgd ； 步驟c.更新每個粒子的位置、速度； 步驟d.更新每個粒子的適應度，求局部最優解和全局最優解； 步驟e.判斷是否達到循環次數即最大迭代次數，若沒有達到則轉至步驟C，若達到則輸出結果； 優化后的結果就是懸置優化變量:懸置參數k。
【文檔編號】G06F17/50GK103699719SQ201310651308
【公開日】2014年4月2日 申請日期:2013年12月5日 優先權日:2013年12月5日
【發明者】景暉, 劉夫云, 鮑家定, 楊運澤, 匡兵, 孫永厚 申請人:桂林電子科技大學