基于組合代理模型的車身多學科設計優化*

黃煥軍,張博文，吳光強,2,李 凡

(1.同濟大學汽車學院,上海 201804； 2.東京大學生產技術研究所,東京 153-8505)

2016173

基于組合代理模型的車身多學科設計優化*

黃煥軍1,張博文1，吳光強1,2,李 凡1

(1.同濟大學汽車學院,上海 201804； 2.東京大學生產技術研究所,東京 153-8505)

本文對比分析了4種單一代理模型和兩種組合代理模型的預測能力，并基于各代理模型進行正面碰撞安全性多目標優化，結果發現，組合代理模型不僅具有較好的預測精度和穩健性，還能促進最優解的搜索。基于上述分析，采用組合代理模型擬合正面碰撞、側面碰撞和白車身模態分析的各種響應，建立針對安全性的車身結構多學科優化模型，并用協同優化方法求解。結果表明：組合代理模型在多目標優化中有利于得到更滿意的最優解；基于組合代理模型的車身結構多學科設計優化有效改善了汽車的碰撞安全性，并兼顧了輕量化和NVH性能。

車身；組合代理模型；碰撞安全性；多學科優化；協同優化

前言

伴隨著汽車的發展，道路交通事故日趨頻繁，碰撞安全作為汽車安全性的重要環節受到廣泛關注。而車身是碰撞中最主要的吸能元件，因此研究車身結構具有重要的意義。汽車車身結構是一個復雜的系統，除碰撞安全性外，還要滿足NVH性能、結構強度、剛度和輕量化等要求，涉及多種學科。同時，各學科高度關聯、相互耦合[1]，使得傳統的串行設計方法很難得到全局最優解[2]。采用多學科設計優化(multidisciplinary design optimization, MDO)理論可以綜合考慮多個學科對汽車整體性能的影響。近10年來MDO的應用已不再局限于航空航天領域，許多學者開始進行MDO在汽車領域中應用的研究[1-4]。

車身結構優化通常基于有限元方法，這需要耗費巨大的計算資源。解決上述問題的一個有效方法就是采用代理模型，最優解很大程度上取決于代理模型的精度和特性[5]。目前，車身結構MDO中使用的代理模型包括多項式響應面[1](polynomial response surface, PRS)、徑向基函數神經網絡[6](radial basis function, RBF)、克里金[7](Kriging, KRG)和支持向量回歸[8](support vector regression, SVR)模型等。針對不同的優化問題，上述單一代理模型表現各異，采用組合代理模型[9-10]可綜合各個單一代理模型的優勢，適應不同類型的問題，但將組合代理模型用于車身結構多學科優化的研究很少。

本文中首先對比分析了組合代理模型與各單一代理模型的預測能力，以及在汽車正面100%剛性壁碰撞(簡稱“正面碰撞”)優化中的應用效果，驗證了組合代理模型的優越性。然后，針對正面碰撞、側面碰撞和白車身模態子系統，采用協同優化方法進行車身結構碰撞安全性多學科設計優化。

1 代理模型的相關理論

1.1 多項式響應面

多項式響應面是一種數理統計技術，最常用的是二次多項式響應面模型，其表達式為

(1)

1.2 徑向基函數神經網絡

徑向基函數神經網絡是一種利用離散數據擬合多元函數的方法。它以徑向函數為基函數，通過線性疊加構造而成，其基本形式為

(2)

式中：ri=‖x-xi‖為歐幾里德距離，即x與第i個樣本點xi在設計空間上的距離；λi為基函數的加權系數；n為基函數的個數；φ為基函數，常見類型包括高斯函數、多二次函數、逆多二次函數和薄板樣條函數等。

1.3 克里金

克里金是一種估計方差最小的無偏估計模型。它具有局部估計的特點，包含了回歸部分和非參數部分，具有如下形式：

(3)

式中：f(x)為x的已知函數，可以是常數、一次或二次多項式；Z(x)為均值為0、方差為σ2的隨機誤差。Z(x)的協方差為

(4)

式中：dk=|xik-xjk|為訓練樣本點xi和xj第k個分量的距離；n為設計變量個數；Rk(dk)為相關函數，常用的有線性函數、三次函數、樣條函數、球函數、指數函數、冪函數和高斯函數等。

1.4 支持向量回歸

支持向量回歸是一種基于支持向量機的響應面模型，其一般表達式為

(5)

式中：αi和αi*為拉格朗日乘子；n為支持向量個數；b為常數項；K(xi,x)為核函數，常見的核函數有線性核函數、多項式核函數、高斯徑向基核函數和指數徑向基核函數等。

1.5 代理模型內在參數設置

代理模型的內在參數會對其預測精度產生影響，為消除此影響，各代理模型的內在參數統一按表1進行選擇。

表1 代理模型的內在參數

1.6 誤差分析指標

最常用的代理模型誤差分析指標是決定系數(coefficient of determination)R2，表達式為

(6)

2 組合代理模型

組合代理模型(ensembleofsurrogates)，又稱加權平均代理模型(weightedaveragesurrogates)，其一般形式為

(7)

2.1 權系數計算

為使組合代理模型有盡可能高的預測精度，需要確定各權系數。通常，精度高的代理模型選擇大的權系數，反之亦然。考慮到實際復雜工程問題的計算時間成本，本文中基于廣義均方誤差(generalized mean square error, GMSE)開展權系數的研究，可避免使用額外的測試樣本。采用留一法(leave-one-out, LOO)得到的交叉驗證廣義均方誤差為

(8)

目前，基于GMSE的權系數計算方法有如下兩種。

(1)啟發式計算方法[9]

(9)

(2)GMSE最小化方法[10]

此方法將權系數的計算過程轉化為優化過程，對應的優化問題可表述為

(10)

上述兩種方法得到的組合近似模型分別表示為EG和EA。

2.2 預測能力分析

為考慮不同的函數維數和響應非線性程度，本文中選取4個典型測試函數來對比組合代理模型與單一代理模型的預測能力。測試函數特征和試驗設計(designofexperiment,DOE)設置如表2所示，訓練樣本和測試樣本均采用拉丁超立方方法抽取。

表2 測試函數特征及試驗設計設置

(1) 測試函數1(Branin-Hoo)

-5≤x1≤10,0≤x2≤15

(11)

(2) 測試函數2(Hartman-3)

0≤xj≤1

(12)

(3) 測試函數3(ExtendedRosenbrock)

-5≤xi≤10

(13)

(4) 測試函數4(Hartman-6)

0≤xj≤1

(14)

針對誤差分析指標R2，對500次DOE對應的代理模型預測精度進行分析。R2的箱線圖如圖1所示，圖中矩形盒越短，表明預測精度對試驗設計的依賴性越小，中位線高度可以大致反映平均預測精度；R2的均值和標準差如表3所示。

圖1 各代理模型R2的箱線圖

函數編號PRSRBFKRGSVREGEA1均值0.630.440.780.750.800.75標準差0.230.880.230.130.130.182均值-0.050.510.770.450.720.73標準差0.650.590.120.220.120.143均值0.890.470.630.730.870.89標準差0.060.350.150.040.040.054均值0.150.310.560.100.550.56標準差0.180.880.080.260.060.07

由圖1可見：PRS在非線性較弱的函數中具有較好的預測能力，在測試函數3中最好，箱線圖中表現為矩形盒長度較短且中位線較高，但是非線性程度強時，其預測能力明顯下降；RBF對函數非線性的依賴程度要低于PRS，但是其異常值尾線長度最長，穩健性差；KRG的預測精度在大多情況下都優于其他單一代理模型，特別在兩個非線性較強的函數中，其中位線最高，矩形盒最短；SVR在測試函數1中預測精度和穩健性最好，在測試函數2中最差。

總體而言，單一代理模型對不同測試函數的預測精度有較大差異，并且依賴于試驗設計，表3的數據進一步證實了上述結論。組合代理模型很好地避免了上述兩個缺點，EG和EA對各函數都有最好或接近最好的預測精度，且數據分布密集，異常值尾線短，穩健性好。結合表3可知，與EG相比，EA的R2均值大，標準差也大，表明其平均預測精度較高，而穩健性略差一些。

3 汽車正面碰撞多目標優化

3.1 整車正面碰撞仿真分析

按照US-NCAP法規的要求，使汽車以56km/h的速度撞擊剛性墻，仿真模型如圖2所示，該模型已經由試驗驗證[11]。利用LS-DYNA進行碰撞仿真，仿真時間為100ms。

圖2 整車正面碰撞有限元模型

B柱加速度峰值aB和踏板位置前圍板最大侵入量(簡稱“前圍板最大侵入量”)In可認為是正面碰撞的主要性能指標，其大小直接影響碰撞中乘員的安全。該車的B柱加速度峰值aB=37.7g，前圍板最大侵入量In=205.1mm。

3.2 確定優化問題

圖3 設計變量示意圖

本文中依據正面碰撞過程中變形與吸能最大的原則，結合各個部件的質量，最終選取車身前部的12個部件的8組板料厚度作為設計變量[12]，如圖3所示。各設計變量的初始值和上下限值如表4所示。選取部件總質量m，B柱加速度峰值aB和前圍板最大侵入量In作為響應量。為提高正面碰撞性能并兼顧輕量化，以aB和In最小化為優化目標，以零件質量m不超過56kg為約束，確定正面碰撞多目標優化設計的數學模型為

(15)

3.3 優化問題求解

本文中選用運算速度快、收斂性好的非劣排序遺傳算法(NSGA-II)來求解正面碰撞多目標優化問題。優化流程為：采用最優拉丁超立方試驗設計方法產生80個訓練樣本，通過仿真得到對應的響應值；依次構建各種單一和組合代理模型來擬合aB和In，運用1階多項式準確擬合m；基于代理模型進行優化，得到Pareto前沿。

3.4 優化結果對比分析

為評價各代理模型在正面碰撞多目標優化中的效果好壞，選取Pareto前沿中幾個最優解為代表進行對比。顯然，選取不同最優解進行對比可能會得到不同的結果。為避免上述情況，對于各代理模型得到的Pareto前沿，本文中均按照權重和妥協方法[13]挑選代表性最優解，分別記作最優解1和最優解2。目標aB和In的加權系數分別取6和1。

最優解1和最優解2處的各代理模型預測值和實際仿真值如表5所示。

表5 代理模型效果對比

由表可見：RBF和KRG在最優解處精度較高；PRS對In的預測精度非常低，相對誤差達到50%以上，這是因為In的非線性程度很高；SVR在最優解1和2處的誤差相差較大；基于組合代理模型得到的最優解處誤差比較小，尤其是EA，對aB和In都能很準確地預測，平均誤差分別為-2.52%和1.55%，且在兩個最優點處的表現比較接近，綜合性能最好。對比2.2節的結論表明，基于代理模型得到的Pareto前沿和實際點的誤差，與代理模型本身的精度有一定的相關性。

從優化效果角度分析，各最優解2對應的妥協方法評價指標(距離d)如表6所示。如果以此作為評價標準，則基于EA得到的最優解2是最滿意的，其對應的距離d小于其他方法，基于EG，KRG和RBF的優化效果略差一些。該最滿意解對應的B柱加速度峰值為35.32g，前圍板最大侵入量為183.5mm，比初始值分別減小了6.31%和10.53%。

表6 妥協方法評價指標

因此，EA不僅具有較好的預測精度和穩健性，而且基于EA進行多目標優化能得到更滿意的最優解。

4 車身結構多學科優化

4.1 多學科優化模型

根據多學科設計優化要求，為尋找車身的整體最優性能，需要對影響車身性能的多個子系統進行研究。安全性方面，除正面碰撞外，側面碰撞也是交通事故的常見形式，且容易造成死亡和重傷。隨著人們生活水平的提高，汽車乘坐舒適性亦日漸重要。白車身模態分析作為整車NVH分析中非常重要的一部分，可以反映車身結構的固有頻率及振型，以便盡早改進結構，避免共振。因此，本文中建立一個針對安全性的，包含正面碰撞、側面碰撞和白車身模態等3個子系統的車身結構多學科優化模型。模型框架、各學科設計變量個數及學科間變量耦合關系如圖4所示。側面碰撞子系統選擇部件總質量m′和B柱最大侵入量In′作為響應量；白車身模態子系統則選擇部件總質量m″和1階模態頻率f為響應量。

圖4 設計變量個數及其耦合關系

4.2 近似模型

側面碰撞和白車身模態子系統采用最優拉丁超立方方法分別產生50和30個樣本點，質量響應均用1階多項式擬合，其余響應量用EA擬合，表達式為

(16)

4.3 協同優化方法

協同優化是一種兩級優化算法，將原有的設計優化問題分為一個系統級優化和多個學科級優化，從而實現學科間的并行計算，可有效解決大規模復雜工程多學科優化問題。

本文中采取協同優化方法求解多學科優化模型，框架如圖5所示。

圖5 協同優化方法框架

以碰撞安全性的指標aB，In和In′為系統級目標，各設計響應量范圍通過學科級約束進行限制。

4.4 優化結果分析

三目標MDO問題的Pareto前沿如圖6所示。

圖6 三目標Pareto前沿

由圖可見，3個目標互相沖突，不可能同時達到最優，且各個最優解之間無法比較。因此，本文中根據設計需要，從Pareto前沿中選擇Q點為最滿意的最優解。將其對應的設計變量代入各子系統仿真模型，得到各響應量的仿真值。圖7和圖8分別為優化前后的B柱加速度和侵入量曲線的對比圖。

圖7 優化前后B柱加速度曲線對比

圖8 優化前后侵入量曲線對比

由圖7可見：優化后的B柱加速度峰值為34.03g，比初始設計的37.7g降低了9.73%；并且在碰撞40～80ms階段，優化后的B柱加速度均小于優化前，加速度積分值從1.241g變為1.152g，減小了7.17%。由圖8可見，經過多學科優化，前圍板和B柱最大侵入量分別減小了3.55%和8.01%。

優化方案使碰撞安全性的3項指標均有不同程度的改善，減小了巨大沖擊力和車內生存空間壓縮對乘客造成的傷害，對提高乘員的安全性具有重要意義。另外，NVH和輕量化性能也通過約束設置得到了保證，多學科優化方案提高了汽車的綜合性能。

5 結論

(1) 通過對比各種代理模型在測試函數和正面碰撞優化中的應用，發現組合代理模型的預測能力通常高于單一代理模型，且在多目標優化中有助于得到更滿意的最優解。

(2) 將組合代理模型與協同優化方法相結合，求解車身多學科優化問題，得到Pareto前沿，可縮短新產品的開發周期，對車輛的研發有較好的指導作用。

(3) 本文中的多學科優化方案減小了B柱加速度峰值和前圍板與B柱的最大侵入量等安全性指 標，提高了碰撞安全性，同時兼顧了NVH和輕量化性能。

[1] 王平,鄭松林,吳光強.基于協同優化和多目標遺傳算法的車身結構多學科優化設計[J].機械工程學報,2011,47(2):103-108.

[2] 張勇,李光耀,孫光永,等.多學科設計優化在整車輕量化設計中的應用研究[J].中國機械工程,2008,19(7):877-881.

[3] 蘇瑞意,桂良進,吳章斌,等.大客車車身骨架多學科協同優化設計[J].機械工程學報,2010,46(18):128-133.

[4] 張勇,李光耀,孫光永.汽車車身耐撞性與NVH多學科設計優化研究[J].中國機械工程,2008,19(14):1760-1763.

[5] SIMPSON T W, BOOKER A J, GHOSH D, et al. Approximation methods in multidisciplinary analysis and optimization: a panel discussion[J]. Structural and Multidisciplinary Optimization,2004,27(5):302-313.

[6] 周云郊.鋼鋁混合材料車身結構輕量化設計關鍵問題與應用研究[D].廣州:華南理工大學,2011.

[7] 史國宏,陳勇,楊雨澤,等.白車身多學科輕量化優化設計應用[J].機械工程學報,2012,48(8):110-114.

[8] PAN F, ZHU P, ZHANG Y. Metamodel-based lightweight design of B-pillar with TWB structure via support vector regression[J]. Computers and Structures,2010,88(1-2):36-44.

[9] GOEL T, HAFTKA R T, SHYY W, et al. Ensemble of surrogates[J]. Structural and Multidisciplinary Optimization,2007,33(3):199-216.

[10] ACAR E, RAIS-ROHANI M. Ensemble of metamodels with optimized weight factors[J]. Structural and Multidisciplinary Optimization,2009,37(3):279-294.

[11] National Crash Analysis Center. Ford taurus model 2001[EB/OL]. http:www.ncac.gwu.edu/vml/models.html.,2010.

[12] 李凡,吳光強,郭建波.基于耐撞性的多學科近似模型預測精度研究[J].汽車科技,2014(2):6-12.

[13] 玄光男,程潤偉.遺傳算法與工程優化[M].北京:清華大學出版社,2004.

Multidisciplinary Design Optimization of Vehicle Body Based on Ensemble Surrogates

Huang Huanjun1, Zhang Bowen1, Wu Guangqiang1,2& Li Fan1

1.SchoolofAutomotiveStudies,TongjiUniversity,Shanghai201804; 2.InstituteofIndustrialScience,UniversityofTokyo,Tokyo153-8505

The prediction abilities of four individual surrogates and two ensembles of surrogates are comparatively analyzed, and multi-objective optimizations on the safety of vehicle frontal crash are conducted based on different surrogate models with a result revealing that ensemble of surrogates not only have better prediction accuracy and robustness, but also can promote the search of optimal solutions. On the basis of above analyses, ensembles of surrogates are adopted to fit various responses to frontal crash, side impact and body-in-white modal analyses, and a model for multidisciplinary design optimization (MDO) of vehicle body structure safety is established and solved by collaborative optimization method. The results show that ensemble surrogates are conducive to getting more satisfactory optimal solutions in multi-objective optimizations and the ensemble surrogates-based MDO for vehicle-body structure effectively improves the crash safety of vehicles with good lightweight and NVH performances.

vehicle body; ensemble of surrogates; crash safety; multidisciplinary design optimization; collaborative optimization

*國家863計劃項目(2012AA111802)資助。

原稿收到日期為2014年6月20日，修改稿收到日期為2015年12月23日。