基于徑向基神經(jīng)網(wǎng)絡的尾門優(yōu)化研究

0引言

尾門是汽車的重要零部件之-,應滿足下垂性能、剛強度、模態(tài)及耐久等性能,此外,汽車尾門輕量化有利于提升汽車燃油經(jīng)濟性、續(xù)航里程及降低材料成本,因此,對尾門結構進行優(yōu)化設計實現(xiàn)輕量化顯得十分重要。李軍等人^[1]基于試驗設計和徑向基神經(jīng)網(wǎng)絡(RBF)模型的強大擬合能力,構建了車門質量、-階模態(tài)頻率、二階模態(tài)頻率、上扭轉剛度、下扭轉剛度、側向彎曲剛度以及下沉剛度響應的近似模型,并在此基礎上,通過多目標遺傳算法在滿足車門性能的條件下對車門的料厚進行優(yōu)化,實現(xiàn)車門輕量化。秦訓鵬等人^[2]應用靈敏度分析方法和響應面法,通過對車門料厚的優(yōu)化實現(xiàn)了車門模態(tài)和白車身模態(tài)分離,同時實現(xiàn)減重5.83%。劉鋒等人^[3] 以車門部件的厚度作為設計參數(shù),建立了設計參數(shù)和車門模態(tài)性能的響應面模型,然后基于遺傳算法和近似模型對車門在保證模態(tài)性能的條件下進行輕量化優(yōu)化,成功實現(xiàn)了車門質量的減輕。

現(xiàn)有優(yōu)化研究主要集中于剛度和模態(tài)等線性分析,而且優(yōu)化參量以料厚為主。針對汽車尾門下垂及殘余變形的非線性分析,優(yōu)化難度更大。本文提出了-種將網(wǎng)格變形技術、徑向基神經(jīng)網(wǎng)絡、遺傳優(yōu)化算法相結合的優(yōu)化方法,可以實現(xiàn)尾門各種結構參數(shù)及料厚同時優(yōu)化,實現(xiàn)車門的最優(yōu)化設計。下文首先介紹了徑向基神經(jīng)網(wǎng)絡的基本原理,然后介紹了車門下垂性能分析方法,緊接著基于遺傳算法和神經(jīng)網(wǎng)絡對車門進行優(yōu)化,最后對優(yōu)化后的結果進行了驗證。

1尾門有限元仿真分析

1.1 車門有限元建模

尾門總成如圖1所示,由沖壓而成的鈑金件通過焊接、膠接、包邊裝配而成,其長度或寬度方向的尺寸遠大于厚度方向的尺寸,符合殼單元的理論假設,因此尾門建模采用殼單元有限元建模^[4],網(wǎng)格大小為8 mm,并將單元質量參數(shù)如長寬比、翹曲度等控制在合理范圍內。鈑金件由殼單元進行網(wǎng)格劃分來實現(xiàn)結構離散化處理,即選用四邊形網(wǎng)格單元和三角形單元進行網(wǎng)格劃分,并控制三角形單元的網(wǎng)格數(shù)量小于整個車門有限元模型網(wǎng)格數(shù)量的10%。焊點采用beam單元進行模擬。備胎通過質量配重來模擬,內飾質量也通過配重來模擬。車門鈑金的材料為鋼材,彈性模量為2.1 × 10⁵ Mpa,泊松比為0.3,密度為7.9 ×10^-9kg/mm³,車門總重量為27.1 kg。

1.2尾門下垂下墜分析

由于本文所研究的車型尾門帶備胎,備胎重量達35 kg。尾門在客戶耐久使用過程中的下垂耐久是最關鍵的性能指標之-,本文首先針對下垂耐久工況進行優(yōu)化設計研究,然后再對其他性能進行驗證評估。下垂工況的載荷邊界條件定義如下:車門鉸鏈車身端安裝點全約束,車門鎖扣處約束車門轉動方向的切向自由度。完成約束定義后,尾門的載荷施加及求解方法如下:1)重力場施加;2)在車門鎖扣處施加垂直向下的載荷1 000 N,求解尾門鎖扣處的最大垂向位移量;3)對施加在鎖扣處的載荷進行卸載,求解尾門鎖扣處加載點的殘余位移量。優(yōu)化前,車門在外載荷作用下和卸載后的鎖扣位移如圖2(a)、圖2(b)所示。加載工況下的位移量大于目標值21mm,而卸載工況的位移大于目標值1 mm,性能不滿足要求,需要進一步優(yōu)化。

2基于RBF的車門結構優(yōu)化

2.1 車門結構參數(shù)化前處理

首先將尾門所有零件的料厚進行參數(shù)化,包括尾門橫向加強板料厚Tl、尾門內部本體料厚T2、鉸鏈加強板的料厚T3、備胎加強板的料厚T4、尾門下加強板的料厚T5、鎖扣加強板的料厚T6、車門的外板料厚T7、尾門備胎支架料厚T8。基于有限元軟件的網(wǎng)格變形功能,對鉸鏈跨距的尺寸進行參數(shù)化,設計變量為d;尾門玻璃框上梁的截面參數(shù)定義為設計變量s;尾 門焊接工藝過孔的尺寸定義為設計變量L。

2.2基于試驗設計的RBF神經(jīng)網(wǎng)絡訓練

最常見的基于空間填充的試驗設計方法有優(yōu)化拉丁超立方和均勻設計法。優(yōu)化拉丁超立方試驗設計方法不僅可以保證設計變量在投影上的均勻性,還可以保證設計變量在空間上的均勻性^[5]。因此采用優(yōu)化拉丁超立方試驗設計方法,按表1中11個設計變量的范圍,生成300組不同參數(shù)組合的試驗設計矩陣。Isight通過300次調用有限元前處理軟件ANSA,基于每一個試驗設計樣本點生成不同結構參數(shù)的有限元模型,然后自動提交ABAQUS進行非線性計算,最后自動化讀取鎖扣安裝點在不同試驗設計樣本點狀態(tài)下不同求解工況的位移。

將上述試驗所得到的各設計變量不同水平下得到的響應,即車門在外載荷作用下鎖扣安裝點處的位移、車門卸載工況下鎖扣安裝點的殘余位移作為神經(jīng)網(wǎng)絡的輸出,而對應的各個設計變量作為神經(jīng)網(wǎng)絡的輸入,應用RBF徑向基神經(jīng)網(wǎng)絡擬合出近似模型。

為了提升訓練效果,首先將網(wǎng)絡學習樣本數(shù)據(jù)歸一化到[—1,1],再輸入神經(jīng)網(wǎng)絡進行訓練。選取30個樣本點進行交叉驗證,30個響應量的RBF模型的決定系數(shù)(R²)均大于0.95,均方差(MSE)均小于0.1,如表2所示,證明了徑向基神經(jīng)網(wǎng)絡模型精度達到了較高水平,可用于下一步的優(yōu)化設計。

2.3基于RBF的尾門優(yōu)化與結果

采用Isight軟件內置遺傳優(yōu)化算法^[6]對徑向基神經(jīng)網(wǎng)絡模型進行優(yōu)化求解,種群規(guī)模設置為500,變異率設為0.01,最小迭代次數(shù)設為50,迭代次數(shù)上限設為250。最終優(yōu)化方案的設計變量取值如表3所示,優(yōu)化后總質量為26.1 kg,比優(yōu)化前減少了1.0 kg。

優(yōu)化后在加載工況及卸載工況下的位移如圖3所示。

3 結論

針對某一在研汽車尾門受載大,下垂及殘余變形性能非線性分析優(yōu)化難度大,本文提出了一種將網(wǎng)格變形技術、徑向基神經(jīng)網(wǎng)絡、遺傳優(yōu)化算法相結合的優(yōu)化方法,來對尾門各種結構參數(shù)及料厚同時優(yōu)化,實現(xiàn)車門的最優(yōu)化設計。經(jīng)過優(yōu)化,尾門的下垂下墜性能滿足要求,同時減重1.0 kg,實現(xiàn)了結構輕量化。從優(yōu)化結果判斷,鉸鏈跨度對尾門下垂性能影響較大,鉸鏈處的加強板對下垂性能影響較大。優(yōu)化結果表明,該方法對汽車尾門結構優(yōu)化具有較大的工程實用價值。

[參考文獻]

[1]李軍,冷川.基于RBF神經(jīng)網(wǎng)絡模型的車門多 目標輕量化設計[J].重慶交通大學學報 (自然科學版),2019,38(11):127-132.

[2]秦訓鵬,馮佳偉,王永亮,等.基于響應面方法的微型車車門模態(tài)分析與優(yōu)化[J].中國機械工程,2017,28 (14):1690-1695.

[3]劉鋒,張瑞乾,陳勇.基于改進遺傳算法的車門優(yōu)化分析[J].機械設計與制造,2023(12):41-44.

[4]張智超,高太元,張磊,等.基于徑向基神經(jīng)網(wǎng)絡的氣動熱預測代理模型[J].航空學報,2021,42(4):303-312.

[5] 陳浩然,項忠珂,程文明,等.基于響應面和遺傳算法的C型梁確定性多 目標輕量化設計[J].機械強度,2021,43(3):636-642.

[6]薛明,韋波,楊祿,等.GA-PS0優(yōu)化BP神經(jīng)網(wǎng)絡的遙感影像分類方法[J].遙感信息,2020,35(3):110-116.

2024年第20期第16篇