基于AMESim設計探索功能的兩種優化方法的對比

尹永芳

摘 要：在AMESim提供的簡單可視化的建模仿真環境下，建立1/4汽車主動懸掛模型。AMESim的兩種優化方法對該系統進行仿真，實現對主懸掛的主要阻尼和sky hook阻尼的匹配設計。仿真結果表明，NLPQL具有較快的仿真速度，精確度較高；基因算法則需要更長的仿真時間，但是在代數為100時仿真結果優于NLPQL。

關鍵詞：車輛；主動懸掛系統；NLPQL；基因算法；優化

中圖分類號：U463.33 文獻標識碼：A

doi：10.14031/j.cnki.njwx.2017.08.008

懸掛系統是汽車關鍵部件之一，對汽車的操縱穩定性和乘坐舒適性有重大影響。主動懸掛與被動懸掛、半主動懸掛相比具有獨特的優勢，并且隨著液壓和電子技術的發展，主動懸掛技術越來越完善，成為懸掛技術研究的重要方向。從研究方法來看，由傳統的數學建模發展到計算機建模與仿真，如采用Matlab、Pro/E等建模，這些工具通常建模過程復雜，仿真過程非可視化[1]，而AMESim克服這些缺點，提供簡單可視化的建模和仿真環境。

1 AMESim軟件和設計探索模塊簡介

AMESim是機械/液壓系統建模仿真及動力學分析軟件，具有以下特點：（1）多學科的建模仿真平臺，機械、液壓、氣動、熱、電和磁等不同領域的模塊可實現物理連接。（2）圖形化建模方式，采用標準ISO圖標和多端口框圖作為基本模塊，簡單、易于識別。（3）仿真模式多樣化，AMESim設有動態仿真模式、穩態仿真模式、動態和穩態以及批處理仿真模式。（4）智能求解器，根據模型的數學特性自動選擇最佳的積分器，提高了建模仿真的效率[2]。

AMESim 提供了NLPQL和遺傳算法兩種優化方法[3]。NLPQL利用序列二次規劃算法（SQP），其基本思想是： 在每個迭代點x（k）構造一個二次規劃子問題，以這個子問題的解作為搜索方向Sk，沿該方向按迭代格式x（k+1）=x（k）+akSk進行一維搜索，使x（k+1）（k=0，1，∧）最終逼近約束優化問題的解x*。遺傳算法的基本思想是： 把優化設計搜索空間映射為生物遺傳空間，把設計變量映射為遺傳染色體即個體，所有個體組成遺傳群體，通過對群體進行選擇、交叉、變異等操作，將適應度大的個體保存下來，淘汰適應度小的。經過反復操作，直到求出最優個體。

2 汽車懸掛的建模和仿真

2.1 主動懸掛系統建模

首先，在草圖模式下加載圖標庫的主動懸掛系統，包括兩個模型，被動懸掛和主動懸掛，主動懸掛初始值和被動懸掛相同。系統參數的設置如下：MAS002（Car_Body）設為400，MAS002（Tire）設為50，SPR000A設為100000，STEP0設為0.1。此系統正通過一個10 cm的高臺，考察主動懸掛的工作性能，車身垂直加速度大降低乘坐舒適性，理想的車身垂直加速度小于g （9.81 m/s2）；若模擬車胎的彈簧壓縮量為負，意味著車胎離開路面。

2.2 優化目標的確立

為了定義合理的優化目標，通常首先要對系統的輸入量和輸出量之間的關系進行研究，對輸出（Export）模塊進行設置，考察輸入量、輸出量、復合輸出之間的相關性，利用DOE得到輸入量對應復合輸出的矩陣如表。

該表表明線性回歸系數，正值表示正相關，負值表示負相關。因此期望設計較大的sky hook懸掛阻尼控制車身加速度；期望設計較大的主懸掛主要阻尼控制輪胎壓縮量。

3 基于設計探索模塊的優化

基于以上分析，引入車身位移和輪胎最大跳動值，設置在1.5 s

（1） NLPQL優化。優化結果顯示，在主要懸掛阻尼為821 N·s/m，sky hook阻尼為1347 N·s/m時，最大車身加速度為8.60 m/s2，小于9.81 m/s2，車身最大位移量小于2 mm，但輪胎最大跳躍值超過了0.0 mm，未達到期望值。NLPQL優化前后的車身加速度和輪胎壓縮量均有明顯改善。

（2）基因算法優化。首先設置Max.number of generations為10，優化結果顯示車身加速度12.89 m/s2，大于9.81 m/s2，顯然是不合理的，因此10代的基因算法優化失敗。另設置Max.number of generations為100（大概運行8000次）進行優化，并與NLPQL的結果進行對比。

由仿真結果可知，基因算法的優勢在于在1.0 s時車身加速度趨于恒定值，而NLPQL拖后了0.5 s。主懸掛主要阻尼為941 N·s/m，sky hook懸掛阻尼為2475 N·s/m，此時最小車身加速度為8.70 m/s2，車身最大位移量0.0004 m，輪胎最大跳躍值0.0。由回歸系數矩陣可知，sky hook懸掛阻尼主要影響車身加速度，可以看出兩條曲線在1.5 s之前吻合稍差，即NLPQL優化結果1347 N·s/m與100代基因算法優化結果2475 N·s/m相差較大。

4 結論

（1）NLPQL具有較快的仿真速度，精確度較高，而基因算法在代數較大時通常更有效，但是要以更長的時間為代價。基因算法沒有停止運算的準則，如果中止運行，通常只能得到當前最佳值。（2）兩種仿真方法均能實現汽車操縱穩定性和舒適性要求。基因算法優化在NLPQL優化基礎上實現了更高精度。

參考文獻：

[1]朱學文，詹建軍，何小新.基于Pro/E與ADAMS的汽車懸掛仿真分析[J]，機械與電子，2005（8）：70.

[2]周愛國，王聞莉，陸亮，等.基于AMESim中Modelica 模塊的汽車電動助力轉向系統仿真[J].機床與液壓，2011（11）.