车辆动力总成悬置系统区间优化设计方法
【专利摘要】本发明公开一种车辆动力总成悬置系统的区间优化设计方法。其技术方案是：利用区间分析理论建立悬置解耦模型；以悬置系统六自由度解耦为目标函数，以悬置的各向刚度为优化变量，以六自由度的振动频率为约束条件，确定动力总成及悬置系统的技术参数，使用粒子群算法对悬置系统进行六自由度解耦，具体步骤主要包括：A.悬置解耦计算模型；B.基于区间分析理论的悬置解耦优化模型；C.基于粒子群算法的区间优化模型并优化计算。经过本发明方法的优化，动力总成各方向的频率控制在了设计要求之内，解耦率也满足设计指标，更为重要的是，本发明的方法给出了参数变动后的优化区间，使得本发明的方法具有更好的稳健性和适用性。
【专利说明】车辆动力总成悬置系统区间优化设计方法
【技术领域】
[0001]本发明涉及车辆设计，具体是车辆动力总成悬置系统的区间优化设计方法。
【背景技术】
[0002]动力总成悬置系统将动力总成与车身及底盘弹性地连接起来，从而减小发动机工作时向汽车结构传递的振动。动力总成振动问题是提高载重汽车品质需解决的一个重要问题。近年来，基于能量法的悬置解耦方法在工程上得到快速推广和应用，产生了一系列基于能量法解耦原理的发动机悬置解耦方法。悬置解耦算法主要在于对悬置刚度、悬置位置和悬置倾角等设计变量进行计算，得到最佳的参数组合，降低系统振动传递率。由于悬置位置相对不易改变，悬置刚度和悬置倾角在一般的悬置解耦算法中经常作为设计变量。由于悬置刚度和悬置倾角变量多，变化范围大，传统的悬置解耦算法容易存在组合爆炸的问题，不易求得最优解。
[0003]同时，由于加工制造等方面的误差，悬置系统的参数如悬置刚度经常不是确定的值，而是在某个区间内变动。在优化的过程中，如果使用传统的确定性优化方法对悬置系统进行优化，得到最优的悬置参数；在实际过程中，按照上述优化结果进行使用的悬置，其名义值等于上述优化结果，但实际值并不相等。这种情况的出现，会导致悬置系统振动恶化，引发一系列的问题。
[0004]综上所述，针对悬置系统的参数不确定性，需要提供相关技术进行区间优化设计，解决动力总成振动问题，提高车辆舒适性。
【发明内容】
[0005]本发明的目的是提供一种车辆动力总成悬置系统的区间优化设计方法。
[0006]解决本发明的技术问题的技术方案是:利用区间分析理论建立悬置解耦模型；以悬置系统六自由度解耦为目标函数，以悬置的各向刚度为优化变量，以六自由度的振动频率为约束条件，确定动力总成及悬置系统的技术参数，使用粒子群算法对悬置系统进行六自由度解耦，具体步骤主要包括:
[0007]A.悬置解耦计算模型；
[0008]B.基于区间分析理论的悬置解耦优化模型；
[0009]C.基于粒子群算法的区间优化模型并优化计算。
[0010]所述方法在步骤A，首先以下式计算悬置系统解耦率Tpk
[0011]
【权利要求】
1.车辆动力总成悬置系统的区间优化设计方法，其特征在于:以悬置系统六自由度解耦为目标函数，以悬置的各向刚度为优化变量，以六自由度的振动频率为约束条件，确定动力总成及悬置系统的技术参数，使用粒子群算法对悬置系统进行六自由度解耦，具体步骤主要包括: A.悬置系统区间解耦； B.基于区间分析理论的悬置解耦优化； C.建立基于粒子群算法的区间优化模型并优化计算。
2.根据权利要求1的方法，其特征在于:在步骤A，首先以下式计算悬置系统解耦率Tpk
3.根据权利要求1的方法，其特征在于:在步骤B，操作过程包括: (1)建立初步优化目标函数Ftjbjinti:
F0bj—inti_maX (T) 约束条件为:
Sti G [Sti inf, Sti sup] 其中，Sti代表第i个约束，Sti inf代表第i个约束的下限，Sti sup代表第i个约束的上限； (2)建立优化目标函数惩罚函数:
Fpent—inf_maX (?，_ (Stj-Sti inf))
Fpent—sup_maX (O，(St1-Sti sup)) 其中，Fpentjnf代表约束下限`的惩罚函数，Fpent sup代表约束上限的惩罚函数； (3)建立最终优化目标函数:
Fob j—f inal ^ob jint i ~^~P I ^pent inf ~^~P I ^pentsup 其中Luinal代表最终优化目标函数，P1代表惩罚因子，取值范围可在[1，300]，约束条件同过程(I)。
4.根据权利要求1的方法，其特征在于:在步骤C，操作过程包括: (1)建立基于粒子群算法的区间优化模型: 优化目标函数及其约束条件采用步骤B的最终结果； (2)设定粒子群算法的区间优化参数:
vid=widvid+cirand(l) (Pid-Xid)+c2rand (I) (pgd_xid)
Xid_Xid+Vid 其中，Vid代表粒子的速度，Pid代表局部最优解，Pgd代表全局最优解，Xid代表粒子当前的位置，也就是被优化的悬置参数;Wid代表惯性权重因子，取值范围在[0.1，I]之间，rand (I)可以产生一个[0,1]区间的随机数,CpC2是学习因子,cfc2,取值在[0.1,3]之间；同时设定种群大小N G [30，100]，和最大迭代次数MaxID G [100，1000]； (3 )优化计算: 步骤a.初始化粒子群，包括种群数量，种群中粒子的位置，速度； 步骤b.计算各粒子的适应度，也就是悬置优化目标函数Ftjw final，并求局部最优解Pid和全局最优解Pgd ； 步骤c.更新每个粒子的位置、速度； 步骤d.更新每个粒子的适应度，求局部最优解和全局最优解； 步骤e.判断是否达到循环次数即最大迭代次数，若没有达到则转至步骤C，若达到则输出结果； 优化后的结果就是悬置优化变量:悬置参数k。
【文档编号】G06F17/50GK103699719SQ201310651308
【公开日】2014年4月2日 申请日期:2013年12月5日 优先权日:2013年12月5日
【发明者】景晖, 刘夫云, 鲍家定, 杨运泽, 匡兵, 孙永厚 申请人:桂林电子科技大学