基于徑向基神經(jīng)網(wǎng)絡(luò)的尾門優(yōu)化研究

0引言

尾門是汽車的重要零部件之-,應(yīng)滿足下垂性能、剛強(qiáng)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(jì)性、續(xù)航里程及降低材料成本,因此,對尾門結(jié)構(gòu)進(jìn)行優(yōu)化設(shè)計(jì)實(shí)現(xiàn)輕量化顯得十分重要。李軍等人^[1]基于試驗(yàn)設(shè)計(jì)和徑向基神經(jīng)網(wǎng)絡(luò)(RBF)模型的強(qiáng)大擬合能力,構(gòu)建了車門質(zhì)量、-階模態(tài)頻率、二階模態(tài)頻率、上扭轉(zhuǎn)剛度、下扭轉(zhuǎn)剛度、側(cè)向彎曲剛度以及下沉剛度響應(yīng)的近似模型,并在此基礎(chǔ)上,通過多目標(biāo)遺傳算法在滿足車門性能的條件下對車門的料厚進(jìn)行優(yōu)化,實(shí)現(xiàn)車門輕量化。秦訓(xùn)鵬等人^[2]應(yīng)用靈敏度分析方法和響應(yīng)面法,通過對車門料厚的優(yōu)化實(shí)現(xiàn)了車門模態(tài)和白車身模態(tài)分離,同時(shí)實(shí)現(xiàn)減重5.83%。劉鋒等人^[3] 以車門部件的厚度作為設(shè)計(jì)參數(shù),建立了設(shè)計(jì)參數(shù)和車門模態(tài)性能的響應(yīng)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(jìn)行輕量化優(yōu)化,成功實(shí)現(xiàn)了車門質(zhì)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(shù)、徑向基神經(jīng)網(wǎng)絡(luò)、遺傳優(yōu)化算法相結(jié)合的優(yōu)化方法,可以實(shí)現(xiàn)尾門各種結(jié)構(gòu)參數(shù)及料厚同時(shí)優(yōu)化,實(shí)現(xiàn)車門的最優(yōu)化設(shè)計(jì)。下文首先介紹了徑向基神經(jīng)網(wǎng)絡(luò)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(luò)對車門進(jìn)行優(yōu)化,最后對優(yōu)化后的結(jié)果進(jìn)行了驗(yàn)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?qū)挾确较虻某叽邕h(yuǎn)大于厚度方向的尺寸,符合殼單元的理論假設(shè),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(zhì)量參數(shù)如長寬比、翹曲度等控制在合理范圍內(nèi)。鈑金件由殼單元進(jìn)行網(wǎng)格劃分來實(shí)現(xiàn)結(jié)構(gòu)離散化處理,即選用四邊形網(wǎng)格單元和三角形單元進(jìn)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(gè)車門有限元模型網(wǎng)格數(shù)量的10%。焊點(diǎn)采用beam單元進(jìn)行模擬。備胎通過質(zhì)量配重來模擬,內(nèi)飾質(zhì)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(dá)35 kg。尾門在客戶耐久使用過程中的下垂耐久是最關(guān)鍵的性能指標(biāo)之-,本文首先針對下垂耐久工況進(jìn)行優(yōu)化設(shè)計(jì)研究,然后再對其他性能進(jìn)行驗(yàn)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(diǎn)全約束,車門鎖扣處約束車門轉(zhuǎn)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(jìn)行卸載,求解尾門鎖扣處加載點(diǎn)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(biāo)值21mm,而卸載工況的位移大于目標(biāo)值1 mm,性能不滿足要求,需要進(jìn)一步優(yōu)化。

2基于RBF的車門結(jié)構(gòu)優(yōu)化

2.1 車門結(jié)構(gòu)參數(shù)化前處理

首先將尾門所有零件的料厚進(jìn)行參數(shù)化,包括尾門橫向加強(qiáng)板料厚Tl、尾門內(nèi)部本體料厚T2、鉸鏈加強(qiáng)板的料厚T3、備胎加強(qiáng)板的料厚T4、尾門下加強(qiáng)板的料厚T5、鎖扣加強(qiáng)板的料厚T6、車門的外板料厚T7、尾門備胎支架料厚T8?；谟邢拊浖木W(wǎng)格變形功能,對鉸鏈跨距的尺寸進(jìn)行參數(shù)化,設(shè)計(jì)變量為d;尾門玻璃框上梁的截面參數(shù)定義為設(shè)計(jì)變量s;尾 門焊接工藝過孔的尺寸定義為設(shè)計(jì)變量L。

2.2基于試驗(yàn)設(shè)計(jì)的RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練

最常見的基于空間填充的試驗(yàn)設(shè)計(jì)方法有優(yōu)化拉丁超立方和均勻設(shè)計(jì)法。優(yōu)化拉丁超立方試驗(yàn)設(shè)計(jì)方法不僅可以保證設(shè)計(jì)變量在投影上的均勻性,還可以保證設(shè)計(jì)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(yàn)設(shè)計(jì)方法,按表1中11個(gè)設(shè)計(jì)變量的范圍,生成300組不同參數(shù)組合的試驗(yàn)設(shè)計(jì)矩陣。Isight通過300次調(diào)用有限元前處理軟件ANSA,基于每一個(gè)試驗(yàn)設(shè)計(jì)樣本點(diǎn)生成不同結(jié)構(gòu)參數(shù)的有限元模型,然后自動提交ABAQUS進(jìn)行非線性計(jì)算,最后自動化讀取鎖扣安裝點(diǎn)在不同試驗(yàn)設(shè)計(jì)樣本點(diǎn)狀態(tài)下不同求解工況的位移。

將上述試驗(yàn)所得到的各設(shè)計(jì)變量不同水平下得到的響應(yīng),即車門在外載荷作用下鎖扣安裝點(diǎn)處的位移、車門卸載工況下鎖扣安裝點(diǎn)的殘余位移作為神經(jīng)網(wǎng)絡(luò)的輸出,而對應(yīng)的各個(gè)設(shè)計(jì)變量作為神經(jīng)網(wǎng)絡(luò)的輸入,應(yīng)用RBF徑向基神經(jīng)網(wǎng)絡(luò)擬合出近似模型。

為了提升訓(xùn)練效果,首先將網(wǎng)絡(luò)學(xué)習(xí)樣本數(shù)據(jù)歸一化到[—1,1],再輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。選取30個(gè)樣本點(diǎn)進(jìn)行交叉驗(yàn)證,30個(gè)響應(yīng)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(luò)模型精度達(dá)到了較高水平,可用于下一步的優(yōu)化設(shè)計(jì)。

2.3基于RBF的尾門優(yōu)化與結(jié)果

采用Isight軟件內(nèi)置遺傳優(yōu)化算法^[6]對徑向基神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化求解,種群規(guī)模設(shè)置為500,變異率設(shè)為0.01,最小迭代次數(shù)設(shè)為50,迭代次數(shù)上限設(shè)為250。最終優(yōu)化方案的設(shè)計(jì)變量取值如表3所示,優(yōu)化后總質(zhì)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(jié)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(shù)、徑向基神經(jīng)網(wǎng)絡(luò)、遺傳優(yōu)化算法相結(jié)合的優(yōu)化方法,來對尾門各種結(jié)構(gòu)參數(shù)及料厚同時(shí)優(yōu)化,實(shí)現(xiàn)車門的最優(yōu)化設(shè)計(jì)。經(jīng)過優(yōu)化,尾門的下垂下墜性能滿足要求,同時(shí)減重1.0 kg,實(shí)現(xiàn)了結(jié)構(gòu)輕量化。從優(yōu)化結(jié)果判斷,鉸鏈跨度對尾門下垂性能影響較大,鉸鏈處的加強(qiáng)板對下垂性能影響較大。優(yōu)化結(jié)果表明,該方法對汽車尾門結(jié)構(gòu)優(yōu)化具有較大的工程實(shí)用價(jià)值。

[參考文獻(xiàn)]

[1]李軍,冷川.基于RBF神經(jīng)網(wǎng)絡(luò)模型的車門多 目標(biāo)輕量化設(shè)計(jì)[J].重慶交通大學(xué)學(xué)報(bào) (自然科學(xué)版),2019,38(11):127-132.

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

[3]劉鋒,張瑞乾,陳勇.基于改進(jìn)遺傳算法的車門優(yōu)化分析[J].機(jī)械設(shè)計(jì)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(luò)的氣動熱預(yù)測代理模型[J].航空學(xué)報(bào),2021,42(4):303-312.

[5] 陳浩然,項(xiàng)忠珂,程文明,等.基于響應(yīng)面和遺傳算法的C型梁確定性多 目標(biāo)輕量化設(shè)計(jì)[J].機(jī)械強(qiáng)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(luò)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