一种新型车辆底盘桁架轻量化优化设计系统

本发明涉及车辆底盘桁架优化设计，尤其涉及一种新型车辆底盘桁架轻量化优化设计系统。

背景技术：

1、车辆底盘是保证车辆动力输出、运行平稳可靠的重要部件，底盘的优化设计是车辆轻量化优化中的关键问题。轻量化优化设计过程中，在对底盘桁架结构形状、外形尺寸拓扑优化的同时考虑质量和可靠性指标对于设计者来说是一项繁杂而艰巨的任务。他往往需要通过大量有限元仿真计算、跨部门多工种合作才能够顺利完成并取得较好效果。当前，智能设计、高效高质量设计已成为制造业领域的新趋势。与此同时，能够开展学科交叉的同时提升工作效率、减少跨部门协调的设计系统已成为设计部门竞相追逐的目标。在底盘设计过程中，如何在降低质量的同时保持底盘桁架结构的可靠耐久性能是提升底盘桁架结构设计质量、降低车辆能耗和改善后续加工效率的关键要素。因此，建立计算准确、设计可靠、运算高效的轻量化辅助优化设计系统显得尤为关键。

2、进一步而言，车辆底盘桁架结构形状、外形尺寸拓扑优化同时考虑质量和可靠性指标对于设计者来说是一项困难且艰巨的任务，但传统轻量化设计模型关于桁架多目标优化和可靠性估计的联合模型研究还不够完善。

3、在现有技术中，优化算法通常可以在一次求解过程中同时对多个pareto目标前沿进行搜索，使之便于求解多目标问题，但其缺点是在处理高维问题或不可微约束等情况下，效率较低且易于陷入局部最优。

4、传统anfis模型只能通过反向传播算法或混合学习算法进行优化，这限制了anfis模型的进一步发展。此外，anfis模型虽然在许多方面具有优势，但也存在一些缺点，包括：

5、1.复杂性高：anfis模型的结构相对复杂，包括模糊化、规则库、推理机制等多个部分，需要较多的计算资源和时间来训练和优化模型。

6、2.过拟合：由于anfis模型具有较大的灵活性和参数量，当训练数据量较少或噪声较多时，容易出现过拟合问题，导致模型在新数据上的泛化能力较差。

7、3.规则设置困难：anfis模型中的模糊规则需要人工设置，选择合适的规则数量和规则形式是一个挑战，而且规则的设置通常依赖于领域专家的经验。

8、4.训练收敛困难：anfis模型的训练需要通过迭代优化算法来更新模型参数，但有时可能陷入局部最优解，需要仔细调整学习率和其他超参数。

9、5.不适用于大规模数据集：由于anfis模型的复杂性和训练过程的计算需求较高，不太适用于处理大规模数据集，训练时间较长且消耗资源较多。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺点，而提出的一种新型车辆底盘桁架轻量化优化设计系统。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种新型车辆底盘桁架轻量化优化设计系统，所述优化设计系统的设计步骤为：

4、s1：首先在基于成功历史的自适应微分进化的多目标混合元启发式算法的基础上引入自适应螺旋搜索策略，进而提出新型shamode-iwoa算法；

5、s2：然后为了估计底盘桁架结构在不同设计参数组合下的可靠性水平，使用所提出的shamode-iwoa算法对anfis模型进行学习而构建了新型anfis-shamode-iwoa模型；

6、s3：最后为获得最优的设计参数组合，使用shamode-iwoa算法研究基于最小设计质量和最优可靠性度量函数的多目标优化。

7、优选的：所述s1的具体步骤如下：

8、s11：参数初始化；随机生成np个初始化解集；

9、xi,g＝[x1,g，x2,g，x3,g，…，xnp,g]

10、其中，i为索引，np为索引极值，等于设计变量个数，g为迭代数；

11、在初始pareto存档pareto1中填充非支配解；同时创建一个空的外部存档(a1)用于再生过程；在这个过程中，初始化设定所有自适应参数的初始值；

12、s12：变异，在变异过程中，采用随机策略来生成一个变异量；

13、

14、其中，vi，g∈[0，1]是控制微分变化影响的比例因子；

15、xi，g为第g代的可行解；

16、xpbest是从外部pareto档案中随机选择出来的一个解；

17、xr1，g是从当前种群(xg)中随机选择的解，则是从当前种群和外部存档的并集(xg∪ag)中随机选择的解；

18、s13：交叉；

19、s14：选择；提取当前个体xi，g和试验个体hi，g使用nsga-ii的非支配排序方案对联合群体(xg∪ug)进行排序；然后，下一次迭代中将保留具有最高非支配级别的np个解决方案；如果具有最高非支配级别的解决方案数量超过np，那么其中一些将被随机移除以保持恒定的种群大小；最后，当前迭代的np个幸存者将存储在xg+1中；在选择过程之后，从hg∪paretog中排序的所有非支配解决方案都将保存在paretog+1中，如果非支配解决方案的数量超过最大pareto档案大小，则其中一些将被随机从存档中移除；

20、s15：参数自适应调节策略；所有自适应参数，包括外部档案(a)、缩放因子的历史记忆(mf)和交叉比(mcr)，都在每次迭代结束时更新；在每次迭代结束时，在选择过程中幸存下来的成功更新的后代的索引被存储在一个名为sind的向量中；然后，将生成成功子代(xsind，g)的父向量存储在外部档案ag+1中；如果存储在外部存档中的解决方案数量超过指定值，则会随机删除其中一些解决方案，以保持恒定的存档大小；

21、s16：改进鲸鱼自适应螺旋策略，将woa的螺旋运动集成到shamode算法中；在突变过程中进行修饰，其中每个突变载体都有机会随着woa的螺旋运动而进一步更新，然后激活交叉过程。

22、优选的：所述s13中，交叉阶段由下式所示进行：

23、

24、其中，ri，g为交叉比，其范围ri，g∈[0，1]；rand([0，1))表示简单随机数；jrand是从[1，2，…，n]中随机生成的x索引，n为设计变量个数。

25、优选的：所述s15中，根据公式进行vc和rg的更新，如下所示：

26、vi，g＝randci(μv，0.1)

27、ri，g＝randni(μr，0.1)

28、其中，μv和μr为均值，其初始值为0.5，ramdct(μ，0.1)和randnt(μr，0.1)是基于柯西分布和正态分布生成的随机数，其中方差为(0.1，0.1)；

29、此外，设mv和mr为缩放因子vi，g和交叉比率ri，g的历史记忆，每个个体的μv和μr可从中随机选取；而在每次迭代结束时，存储器的一个元素(mf和mcr)将用生成成功更新的子代的参数的lehmer均值进行更新，如下：

30、

31、

32、其中，lmean(vsind，g)和lmean(rsind，g)分别是vi，g和ri，g的lehmer均值，下标sind表示成功后代的个体，即：如果至少有一个成功的后代，则第k个记忆位置将被更新；否则，这样的元素将保持不变；索引k是最初等于1并且随着过程的继续而线性增加的存储器元件索引；如果k＞h，则k被重置为1。

33、优选的：所述s16中，激活交叉过程具体公式如下：

34、

35、di＝|xpbest2-ui，g|

36、其中，是一种具有螺旋更新过程的新变异量，而xpbest2是从当前pareto档案中随机选择的另一个可行解(与xpbest1不同)；变量1和rand分别是区间[-1，1]和[0，1]中的随机数。

37、优选的：所述s16中，将螺旋形状参数l设置为随迭代次数变化的动态值，使得鲸鱼个体进入螺旋搜索阶段后可以动态调整搜索时的螺旋形状，增强算法的全局搜索能力以改善算法的收敛精度问题，具体如下：

38、

39、

40、di＝|xpbest2-ui，g|

41、其中，γ为螺旋形状调整系数，gmax为最大迭代次数，g为当前迭代次数。

42、优选的：所述s2中构建模型的具体方式如下：

43、第1层：该自适应节点是输入变量的隶属函数层，将输入转为模糊集，输出的函数为：

44、

45、

46、其中x1和x2为输入；ai和bi-2表示模糊集，即通过计算得的语言变量；和为隶属度函数，选用高斯型函数：

47、

48、其中参数cij和σij是需要通过学习算法调整的初始参数；

49、第2层：此层的作用是规则的强度释放，节点函数与输入相乘，通过模糊规则表示：

50、

51、第3层：第3层的节点个数与第2层相同，对第2层的结果进行归一化处理：

52、

53、第4层：第4层为后件网络，得到模糊if-then规则，并计算模糊规则的输出：

54、

55、第5层：第5层为输出层，计算输入信号总和为整体输出：

56、

57、其中，所述s2中，anfis模型结构建立后，使用shamode-iwoa算法对anfis模型进行训练；采用均方根误差作为适应度函数来训练anfis，公式如下：

58、

59、其中，n为训练集数据数量；r为第r个数据，dr为第r个训练集数据的实际值；pr为第r个预测值。

60、优选的：所述优化设计系统，数据集的获取方法包括如下步骤：

61、s31：构建底盘桁架结构研究所需要的数据库；

62、s32：构建底盘桁架结构sfe模型；

63、s33：经过求解后，运用主成分分析法对sfe模型中的设计变量依据贡献量进行提取；

64、s34：选取贡献量靠前的设计变量作为设计参量；

65、s35：对设计变量生成doe矩阵后进行求解，其中bending、torion和mass的求解依靠有限元求解器进行计算求解；

66、s36：求解后对异常数据进行排除后得到数据集；

67、s37：将对模型求解后获得的实验数据集分为两部分：训练数据集和测试数据集；训练数据集用于训练anfis-shamode-iwoa模型，测试数据集用于测试anfis-shamode-iwoa模型的性能。

68、优选的：所述优化设计系统中，对底盘桁架结构的多目标优化包括如下步骤：

69、s41：多目标优化方程的建立；

70、s42：多目标优化的求解及分析；

71、其中，所述多目标优化方程的建立具体为：

72、桁架可靠性及质量多目标方程建立为如下式所示：

73、

74、其中，pr为故障概率；x为设计变量向量；y为物理向量，包含屈服强度、扭转刚度和施加的载荷；f1为结构质量，是拓扑单位的质量与密度的乘积之和；f2为可靠性度量函数：f2＝1/β，β为可靠性系数；

75、对于可靠性系数(β)是指极限状态线与变换空间原点之间的最短距离；β越大表示可靠性越高(安全性越高)，由下式表示：

76、

77、其中，μ,m可表征为极限失效函数状态下受力的平均值，σm表征为极限失效函数状态下力学变化率的方差。

78、优选的：所述多目标优化的求解及分析中，使用shamode-iwoa算法对上述构建的多目标函数进行优化求解；基于迭代求解结果，运用“折衷法”获取设计指标优化值；进一步对有限元模型进行仿真计算。

79、本发明的有益效果为：

80、1.本发明所提出的anfis-shamode-iwoa多目标优化设计系统，作为一种新型的智能模型，可用于评估底盘桁架结构可靠性，提高开发设计效率，便于获得最佳的设计参数组合，有利于提升绿色智能制造设计水平。