基于組合優化策略的白車身輕量化設計

喬鑫，夏天，劉瑩

?

基于組合優化策略的白車身輕量化設計

喬鑫，夏天，劉瑩

（華晨汽車工程研究院，遼寧 沈陽 110141）

以某SUV車型為研究對象，對白車身進行輕量化設計。建立了整車有限元模型，選取關鍵零件的板厚作為設計變量，以整車模態、剛度、NVH及碰撞性能為優化約束條件，以質量為目標，建立各項性能指標的徑向基神經網絡近似模型，采用多島遺傳算法及山單純型法相結合的優化策略對白車身進行多學科聯合優化，在保證各項性能滿足要求的前提下，使白車身重量降低了9.7kg。

輕量化；多學科優化；近似模型；多島遺傳算法；下山單純型法

前言

輕量化是汽車發展的重要方向。研究顯示，若汽車整車重量降低10%，燃油效率可提高6%-8%；其次輕量化可提升汽車的主動安全性能、提高加速性能、制動性能、操作性能以及乘坐舒適性等性能[1]。白車身結構的優化設計是汽車輕量化的重要手段之一。通過結構的優化設計，能夠實現整車重量的降低以及整體性能的提升。然而白車身是一個綜合的工程結構，其設計涵蓋多個學科領域，如果單一研究某一學科或某一性能的優化，則忽略了整個系統內各個學科的相互影響，這種設計方法只能獲得局部最優解，可能失去系統最優解，而且設計周期長、成本高。因此，汽車的輕量化設計需要多學科設計優化（Multidisciplinary design optimization, MDO）方法。國外大型汽車公司已經把MDO應用于汽車結構設計當中[2-4]，近年來，國內也已經廣泛的開展白車身的多學科聯合優化工作[5-11]。

本文綜合考慮了白車身的模態、剛度、NVH以及碰撞性能，對白車身進行多學科聯合優化，在保證結構滿足各學科性能要求的前提下，實現了白車身的輕量化設計。

1 相關模型及優化方案

1.1 多學科優化數學模型

多學科優化的數學表達式為：

式中：為設計變量；(,())為目標函數；g(,())為不等式約束條件，為不等式約束的總數；h(,())為等式約束條件，為等式約束的總數；()為狀態方程。

為了提高優化效率，本文采用近似模型來代替有限元模型，對近似模型進行優化；同時，為了避免優化結果落入局部解，選擇全局法與直接法相結合的方式來獲得最終的最優解。優化流程如下圖所示。

圖1 白車身多學科聯合優化流程

1.2 優化的拉丁超立方試驗設計

優化的拉丁超立方設計改進了隨機拉丁超立方設計的均勻性，使因子和響應的擬合更加精確真實，樣本能夠覆蓋整個設計空間，具有較強的穩健性以及非常好的空間填充性和均勻性。圖2為隨機拉丁超立方與優化的拉丁超立方算法采樣對比。

圖2 二因素試驗設計對比示意圖

1.3 徑向基神經網絡模型

RBF神經網絡模型具有很強的逼近復雜非線性函數的能力和較強的容錯能力，20世紀80年代成功的應用于組合優化問題，如今已經被廣泛地應用到函數逼近、模式識別、圖像處理與計算機視覺、信號處理、時間序列、醫藥控制、軍事系統以及優化。

2 分析工況概述

本文研究對象為國產某自主品牌研發項目SUV車型，通過考察白車身剛度性能、模態性能、NVH性能以及整車的碰撞安全性能來實現白車身的輕量化。其中剛度工況、模態及動剛度工況采用Nastran計算，碰撞工況采用LS-DYNA計算。圖3為初始設計階段各工況計算結果。

圖3 各工況初始結果

3 變量、約束與優化目標

3.1 優化變量

根據白車身的結構特征，本文選取了白車身的30個零件的厚度作為設計變量，如下圖所示。另外，為滿足工藝要求，白車身左右對稱件用同一變量表示。

圖4 取作設計變量的車身零件

由于鈑金的厚度只能取到一系列規定的厚度值，無法取到連續值，因此變量取值是離散的，如下表所示。

表1 變量及其取值范圍

3.2 優化約束與目標

優化目標為白車身質量最小，優化約束及初始設計階段結果見下表。

表2 約束及其初始值

*注：動剛度工況共416個輸出指標，由于指標過多，在isight中通過腳本語言為指標設置一個綜合變量OptFlagAve，只有當所有指標滿足要求時，OptFlagAve才滿足要求（OptFlagAve=1）。

4 試驗設計

本文采用優化拉丁超立方設計方法生成各工況的樣本矩陣，各工況的樣本數量如表3所示。

表3 各工況樣本數量

5 近似模型

本文選擇徑向基神經網絡算法建立各響應的近似模型。圖5中為各個工況任意選擇的兩個變量與響應之間函數關系的3D顯示。從圖中可以看出各響應與設計變量之間的非線性程度。

近似模型的精度通常用復相關系數（2）作為檢驗指標，一般認為2＞0.9時，近似模型的精度可以接受。圖6為各工況近似模型的誤差分析結果，其中模態、剛度、質量的2值均大于0.9，說明這些指標的近似模型能夠很好的代替有限元模型；在動剛度的416個響應中，有38個近似模型的2值小于0.9，其中最大誤差為7.9%；碰撞的18個響應中，有10個近似模型的2值在0.9以下，其中有5個近似模型的誤差大于10%，最大誤差為17%。究其原因，碰撞本身為高度非線性的物理過程，鈑金厚度變量與侵入量及侵入速度間的非線性關系比較強烈，因此近似模型誤差較大。如果進一步提高近似模型精度，需要繼續增加樣本點，考慮到計算效率，決定接受已有的近似模型，在此基礎上進行下一步的優化分析。

圖5 近似模型3D顯示

a）門檻彎曲剛度 b） 中通道彎曲剛度

c）扭轉剛度 d）彎曲模態

e）扭轉模態 f）質量

g）動剛度某一響應 h）側碰工況某一響應

圖6 近似模型誤差分析

6 優化結果及驗證

本文首先采用多島遺傳算法獲取全局初步優化解，基于初步優化解，采用下山單純型法進一步獲得最終優化解。多島遺傳算法子群規模設置為20，島數設置為10，進化代數設置為10；下山單純型法Simplex尺寸設置為0.5，最大迭代次數設置為40。基于isight的優化流程如下圖所示。

圖7 基于isight的多學科優化流程

下表為白車身優化設計結果。從表中可見，白車身重量由446.074kg下降為436.35kg，重量下降了9.7kg，降低了2.17%。白車身各工況性能指標均有變化，但其優化結果仍滿足設計要求。表5是優化前后各鈑金厚度對比。

7 結論

本文建立了某國產品牌自主研發的SUV車型的有限元模型，分析了白車身的剛度、模態、動剛度性能及整車的側碰性能，在保證各性能滿足目標要求的前提下，采用多學科聯合優化方法，對白車身進行了輕量化設計。優化結果顯示，白車身質量降低了9.7kg，比原始方案減重2.17%，取得了較好的優化效果。

表4 優化結果對比

表5 優化前后板厚對比

[1] 俞凌琳.中國汽車輕量化調查[J].中國民營科技與經濟,2009,11:33 -34.

[2] Sobieszczanski-sobieski J, Kodiyalam S, Yang R Y. Optimization of Car Body under Constraints of Noise, Vibration, and Harshness (NVH), and Crash[J]. Structural and Multidisciplinary Optimization, 2001, 2(4):295-306.

[3] Yildiz A R, Solanki K N. Multi-objective optimization of vehicle crashworthiness using a new particle swarm based approach[J]. Int J Adv Manuf Technol, 2012, 59: 367-376.

[4] Duddeck F, Mile E R. Multidisciplinary optimization of car bodies[J]. Structural and Multidisciplinary Optimization, 2008, 35(4):375-389.

[5] 陳鑫,胡翠松,寧厚于,等. SUV白車身隱式參數化建模及多性能優化輕量化[J].吉林大學學報(工學版), 2016,46（6）:1780-1785.

[6] 王巖,陳無畏,謝有浩,等. 多目標遺傳算法在車身動態性能優化中的應用[J].汽車工程,2017,39（11）:1298-1304.

[7] 左文杰,陳繼順,李亦文,等.剛度,強度與頻率約束下的白車身板厚尺寸優化[J].汽車工程, 2017,39（2）:145-149.

[8] 尹安東,許靖,曹誠.基于全局響應面法的電動轎車白車身多目標 優化[J].合肥工業大學學報（自然科學版）.2015,38(12):1607- 1611.

[9] 王震虎,周巧英,劉開勇,等.基于響應面模型的白車身多目標輕量化設計[J].中國機械工程, 2018,29（1）:75-81.

[10] 王登峰,蔡珂芳,馬明輝,等. 基于隱式參數化模型的白車身輕量化設計[J].汽車工程, 2018,40（5）:610-616.

[11] 黃煥軍,張博文,吳光強,等.基于組合代理模型的車身多學科設計優化[J].汽車工程,2016,38（9）:1107-1113.

Body-in-White Lightweight Based on Strategy of Combinatorial Optimization

Qiao Xin, Xia Tian, Liu Ying

（Brilliance Automotive Engineering Research Institute, Liaoning Shenyang 110141）

This paper takes a SUV as the study object, and the lightweight design of the body-in-white is conducted. First, a finite element model of the SUV is established, and the thickness of key parts is selected as the design variables; the mass is taken as the object; and the constraints include the performance of mode, stiffness, NVH and side impact. Then the Radial basis function approximate models are established for every performance. Finally, optimization is performed using the combination of Multi-Island Genetic Algorithm and Downhill Simplex Algorithm. Results show that the mass of BIW can be reduced by 9.7kg while keeping its performance.

lightweight; multidisciplinary optimization; approximate model; Multi-Island Genetic Algorithm; Dow- nhill Simplex Algorithm

A

1671-7988(2018)18-112-05

U462

A

1671-7988(2018)18-112-05

CLC NO.: U462

喬鑫（1979-），男，高級工程師，碩士，就職于華晨汽車工程研究院，主要研究方向：汽車結構CAE。

10.16638/j.cnki.1671-7988.2018.18.038