基于熵权灰色关联度的车辆轻量化仿真方法、装置及介质与流程

本发明属于车辆轻量化，涉及一种基于熵权灰色关联度的车辆轻量化仿真方法、装置及介质。

背景技术：

1、车身轻量化设计是乘用车设计一直存在的课题，其是实现减少燃油消耗和增加续航的重要手段。国内车企采用了各种轻量化方法，例如轻质材料、轻量化分析等等手段以提升车辆的轻量化水平。特别是多目标优化技术一直致力于通过车身结构钣金件的合理组合，最大化减少车身质量，特别是减少用材后也可减少制造成本。现有的多学科、多目标优化技术在整车开发阶段应用的主要困难来自于车身设计变量多，导致轻量化计算仿真样本大，计算分析周期长且近似模型精度不高，导致在设计阶段应用效果不佳。一方面是由于计算样本量大，导致计算分析周期较长，无法满足快速设计验证的节奏；另一方面，为了满足设计节奏，会减少仿真样本量，但导致轻量化近似模型精度不高，优化结果可用度不佳。因此，需要一种可有效筛选设计变量、并可对较少样本量有较好近似模型拟合度的多目标优化方法。

2、轻量化和结构强度、耐撞性等性能通常会相互冲突。汽车车身的优化必须整体化考虑到许多不同的、甚至是冲突性的标准，例如总质量、模态、结构强度、以及耐撞性能。现有主流解决方案为多准则决策(mcdm)问题。现有主要建立近似模型的方法有简单加法加权、层次分析法(ahp)，订货技术与理想解相似的偏好(topsis)，偏好顺序结构评估法(promfee)，逼近理想解排序法(topsis)，基于比率分析(moora)等多目标优化。但上述优化技术存在目标轻量化计算样本量大、且一旦减少计算样本量则近似模型精度不高问题。gra(灰色关联度法)与其他优化相比明显优于其他mcdm方法在计算时间、简单性和可靠性方面具有更高优势，尚未见用于车身轻量化多目标优化中。

3、cn202010601926.1提供了一种基于多学科多目标优化的车辆轻量化正向设计方法，包括：1)车辆性能及轻量化目标设定，含市场调研，整车各项性能目标设定，车辆轻量化目标流程设定；2)原模型约束条件解析计算，包括车身有限元模型的建立，有限元模型准确性验证；3)各设计因子灵敏度分析，包括设计因子和因子水平的选取，多目标优化设计模型采样，各采样点约束条件计算，加权相对灵敏度计算，筛选重要的设计因子和水平，针对筛选的因子和因子水平重新进行doe采样；4)近似模型的建立以及有效性评价；5)模型优化求解；6)优化结果输出及仿真验证。上述流程为现有主流的轻量化验证法，采用构建代理模型方式为rsm响应面、正交多项式模型、kriging模型、径向基/椭圆基神经网络模型；其对代理样本的数量有较高要求，要想实现较高的代理模型精度，需要计算样本量大，对于小样本量计算网格精度不足。而本发明创新引入基于熵权的灰色关联度分析，可适用于小样本量计算，且关联性较高，有效的解决了多目标优化对于计算样本量需求大导致计算效率低的问题。同时，基于熵权的关联度分析，可以有效将材料成本引入，针对车辆开发成本进行化。

4、科技论文1006-1355(2022)02-0173-06，基于多学科多目标的车架结构轻量化设计，该论文展示案例为一种车架轻量化方法，其优化目标线性优化，不包含整车碰撞的非线性优化；由于线性优化的线性拟合度高；与本发明可实现耐撞、成本进行联合优化所用流程及方法均存在差异。本发明主要通过熵权的灰色关联度分析，用于可以考虑材料成本的小样本量拟合度高的多目标优化。

5、科技论文doi:10.11705/j issn.1672－643x.2014 01.20，基于多初值grg算法与遗传算法的renuma模型校准模块优化，该科技论文为提高renuma模型校准模块的校准效率和全局寻优能力，提出了具有多初始点的grg算法、遗传算法和遗传算法与grg算法连用的方法。以练江流域月径流量模拟为案例开展比较研究。主要是基于对renuma模型校准模块的优化有效的提高了校准结果的有效性和参数的全局寻优能力。不属于应用于整车轻量化多目标优化范围，所述流程与应用领域不同。

6、cn202010159261.3涉及一种基于加权灰色关联度分析的故障诊断评估方法，采用了加权灰色关联度评估方法，基于各种故障诊断方法的诊断结果，统计诊断指标，采用熵权法获得权重，进一步用灰色关联度方法来得到各种待评估诊断方法的最优接近度，定量呈现出各种方法的优劣，增强了评估结果的准确性。设计思维相同，但其应用领域与指标诊断与故障分析；非本发明所述的整车设计轻量化，应用流程及关注效果均不同。

技术实现思路

1、本发明基于现有技术缺点，提出了采用基于熵权的灰色关联度法应用于车身多目标轻量化。首先采用科学的程序去优选优化样本，通过“贡献度”选取关联度高、影响大部件进行优化，最大程度减少优化变量。另一方面通过基于熵权的灰色关联度法，大大提升构建优化模型的稳健性与拟合度，可解决现有技术的缺点，能适用于短周期、高效率的整车及总成级多目标优化。

2、需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

3、为解决上述技术问题，本发明是采用如下技术方案实现的：

4、一种基于熵权灰色关联度的车辆轻量化仿真方法，包括以下步骤：

5、s1-搭建结构强度、耐撞仿真模型；

6、s2-验证仿真模型准确性；

7、s3-设定优化目标及边界条件；

8、s4-优选设计变量；

9、s5-灰度关联分析；

10、s6-熵权法确定最优解集；

11、s7-验证优化结果；

12、s8-确定最终轻量化方案。

13、所述步骤s1，需搭建轻量化优化的结构强度、整车耐撞cae模型，其中整车耐撞模型为基于ls-dyna软件求解、所述结构强度模型包含模态、弯扭刚度模型，用nastran软件求解；

14、所述步骤s1，整车耐撞仿真模型、结构强度模型网格平均尺寸为5mm，所述板金焊点采用8hex实体网格划分。

15、所述s2的具体方法如下：

16、结构强度中模态工况模型标定参数为一阶弯曲模态(fb)、一阶扭转模态(ft)；刚强度模型标定参数为弯曲刚度(sb)、扭转刚度(st)；

17、结构耐撞中碰撞工况模型标定车身关键区域最大侵入量(pmax)与整车减速度峰值(amax)；

18、指标仿真精度定义如公式1所示：

19、

20、指标精度要求≥85％，如不满足要求，则需标定仿真模型，直至达成精度要求。

21、所述s3的具体方法如下：

22、多目标优化目标重量、成本，约束边界条件为材料性能指标，多目标优化实质为在约束条件下达成既定目标；为了将材料性能及成本综合考虑，将材料性能及成本矩阵转化为相应材料牌号的函数矩阵，其基本公式如公式2：

23、

24、式中i表示为第i个组件。其中ρi表示材料密度、ei表示弹性模量、pi表示材料价格，根据具体优化范围进行设置；

25、结构-材料集成多目标轻量化优化模型公式如下：

26、

27、

28、minp(t,m)＝(min p1(ti,mi),min p2(ti,mi),…,min ps(ti,mi))i＝1,2,…,nc……公式5

29、

30、式中ti表示厚度第i个分量，ai表示面积的第i个分量，til表示ti的下边界，tiu表示ti的上边界，nc表示变量的总数，w表示质量，w(ti,mi)表示第i个组件的质量函数，其中mi为第i个变量材料料性能，c表示材料成本，c(ti,mi)表示i个变量的材料成本函数，p表示性能指标，p(t,m)表示性能指标函数，ps(ti,mi)表示第s个性能指标函数，gj(ti,mi)表示第j个约束；b表示约束总数。

31、所述步骤s3确定各性能指标设定如图2所示。

32、所述步骤s3确定各性能边界设定如图3所示。

33、所述s4分为三个步骤实施：

34、s401-部件贡献度分析；

35、假设有k个性能参量(x1,x2,xk)，性能指标的响应用多元回归模型如下：

36、

37、其中，p(x1,x2……xk)表示性能指标；qi(xi)表示dvxi的主影响；rij(xi，xj)表示任意两个设计变量dvxi和dvxj的交叉效应；μ是常数项，ε是偏差项。

38、公式8的主影响计算公式为：

39、

40、推导出设计变量dvxi的贡献值计算公式如下:

41、

42、式中，表示dvxi的使用最小二乘法的计算系数，nxi表示变量xi的相应贡献度。

43、所述s4分为三个步骤实施：

44、s401-部件贡献度分析；

45、假设有k个性能参量x1,x2,…xk，性能指标的响应用多元回归模型如下：

46、

47、其中，p(x1,x2,…xk)表示性能指标；qi(xi)表示dvxi的主影响；rij(xi,xj)表示任意两个设计变量dvxi和dvxj的交叉效应；μ是常数项，ε是偏差项。

48、公式8的主影响计算公式为：

49、

50、推导出设计变量dvxi的贡献值计算公式如下:

51、

52、式中，表示dvxi的使用最小二乘法的计算系数，nxi表示变量xi的相应贡献度。

53、s402-筛选设计变量；

54、每个设计变量dvxi对目标的贡献值进行排序，保留影响大的设计变量，筛除掉较小的设计变量，以提高轻量级优化的效率；

55、s403采取最优拉丁超立方取样方法进行样本筛选。最优拉丁超立方取样方法进行样本筛选，是现有技术。

56、所述s5的具体方法如下：

57、s501-数据预处理；

58、对随机的原始数据进行归一化处理，将原始数据列转化为[0,1]之间的数值列；

59、归一化后的数值分为三种情形，根据实际需求筛选使用；

60、(1)对于数值“越大越好”，归一化采用公式11：

61、

62、(2)对于数值“越小越好”，归一化采用公式12：

63、

64、(3)否则，当要达到某一数值作为优化目标的序列，则用公式13：

65、

66、m是试验样本数量、n是响应数量。是原始样本序列；是归一化处理后的序列，和是原始序列数值最大值和最小值；是原始序列样本的预期值；

67、s502求解灰关联系数；

68、第i个样本设置的第k个响应特性可用如下公式获得：

69、ξ表示相应特性或响应系数，ξi(k)表示第i个样本设置的第k个响应特性或相应系数；

70、

71、式中，δri(k)是参考序列和对比序列的偏差序列；δ是识别系数，其数值范围为[0,1]，其可通过实际需求调整；

72、公式14中，δri(k)，δmin和δmax用如下公式计算：

73、

74、

75、

76、式中全称量词符号，表示对所有元素都成立；

77、s503-求解灰色关联度；

78、通过公式18求灰色关联度：

79、

80、ωk为第k的参数的权重且满足下述公式：

81、

82、所述s6分为以下步骤：

83、s601-求解灰色关联度系数总和；s602-求解归一化系数；s603-求解质量特性的熵；s604-求解熵值总和；s605-求解每个质量特性的熵权值；s606-对熵权值进行排序，确定最优组合方案。

84、s601-求解灰色关联度系数总和；

85、对于每个质量特征，灰色关联系数的总和通过公式20计算：

86、

87、s602-求解归一化系数；

88、归一化系数用公式21计算：

89、

90、s603-求解质量特性的熵；

91、每个参数的质量特性熵用公式22计算：

92、

93、其中we(x)为熵的映射函数，其表达式为we(x)＝xe(1-x)+(1-x)ex-1,其中x为变量，e是自然对数的底数；其中，x∈(0,0.5)；

94、s604-求解熵值总和；

95、熵的总和通过公式23计算：

96、

97、s605-求解每个组合方案的熵权值；

98、求解每个质量特性的熵权值用公式24：

99、

100、s606-对熵权值进行排序，确定最优解；

101、对熵权值进行排序，排序靠前者为优选方案，熵权值最大的组合为最优解集。

102、所述s7具体方法如下：

103、将最优解集带入原仿真模型，验证各项性能的达标状态；

104、如个别指标不满足要求，则需要沿熵权值排序重新选择其他方案进行验证，直至满足设计要求。

105、一种测试装置，包括一个或多个处理器；

106、存储器，用于存储一个或多个程序；

107、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的基于熵权灰色关联度的车辆轻量化仿真方法。

108、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的基于熵权灰色关联度的车辆轻量化仿真方法。

109、与现有技术相比本发明的有益效果是：

110、本发明采用贡献度分析科学筛选样本、并采用基于熵权的适用于小样本量具有较高优势的灰色关联度法开展多目标优化，可灵活的用于车身某一总成或某一区域的快速优化且能达成较高的优化精度，能更好的适用于乘用车短周期多目标轻量化。且传统的多目标轻量化方法均未将材料成本进行优化，本发明利用熵权法可将材料成本进行多目标优化，增加额车身轻量化适用范围。