純電動汽車變速器優化算法綜述

蘭利波

（長安大學 汽車學院，陜西 西安 710064）

進化遺傳算法是一種模擬自然進化過程的全局優化方法，它借用達爾文“物競天擇、適者生存”的生物進化觀點，通過選擇、交叉、變異等機制來提高個體的適應性[1]。朱虹燃等為純電動汽車兩擋自動變速器選擇其驅動電機的轉矩、轉速和功率，以整車經濟性最優為目標，在動力性約束條件下，運用進化算法對變速器傳動比進行優化設計，得到了很好的優化結果[2]。 陳淑俠基于模擬退火算法優化設計變速箱，取得了很好的結果[3]。閆帥印基于智能混合算法優化設計優化汽車變速器齒輪組參數[4]。劉振軍等通過分析純電動汽車兩檔變速器的結構特點，設計了純電動汽車兩檔變速器的基本結構，對整車參數進行了匹配研究，利用Simulink軟件優化變速器的傳動比，并進行了齒輪以及軸的參數設計[5]；盧培文基于MATLAB遺傳算法優化變速箱殼體數控切削加工工藝[6]。

1 進化遺傳算法

1.1 進化遺傳算法的基本原理

遺傳算法從種群的初始的解決方案開始其搜索過程，群體中的每個個體被稱為染色體，在迭代過程中染色體的不斷更新稱為遺傳，遺傳算法主要通過交叉、變異、選擇算子來實現，染色體的優點和缺點通常通過適應性來評估[7]。

1.2 進化遺傳算法的研究總結

王雪敏為了使變速器結構更緊湊和成本更低，以齒輪箱體積最小和齒輪傳動重合度最大為目標進行匹配優化，運用遺傳算法確定了純電動專用兩擋變速器齒輪的結構布置、齒輪齒數、模數、齒寬等齒輪箱具體參數[8]。趙廣宣建立了可隨電機參數變化的電機效率模型，以電機過載系數和擴大恒功率區系數以及傳動系速比作為優化變量，采用多目標優化聯合遺傳算法，對純電動汽車的電機參數和傳動系參數進行了整體優化匹配[9]。高惠東等以某純電動汽車為研究對象，對其驅動電機進行參數匹配.以整車動力性最優為目標，運用遺傳算法優化設計變速器傳動比[10]。盧培文基于MATLAB遺傳算法優化變速箱殼體數控切削加工工藝，以最大生產率為優化目標，以變速器殼體數控切削加工為研究對象 建立了變速器殼體的加工參數優化模型，以機床工作環境和加工制造情況的限制為基礎，分析研究了加工制造過程中相應的約束條件，以最大生產率為優化目標，以遺傳算法為加工參數的優化，確定約束條件，利用MATLAB軟件遺傳算法工具，進行加工參數優化，得到優化參數。蔡亞對多目標遺傳算法進行改進并優化設計變速箱參數[11]。褚永康等基于遺傳算法對汽車變速箱進行輕量化設計[12]。

2 模擬退火法

2.1 模擬退火法基本原理

模擬退火法利用統計力學中物質退火過程與優化問題的相似性，采用Metropohis接受準則并控制適當溫度的下降過程實現模擬退火，以而達到求解全局優化的目的。

2.2 模擬退火法優化思路

因為模擬退火算法具有并行性，適用于并行處理，可用于求解復雜的非線性優化問題，同時具有全局搜索能力，模擬退火算法已經成為一個重要的工具來解決復雜的優化問題。考慮接觸強度、彎曲強度和配齒約束條件，建立汽車行星變速器優化模型，盡量減少行星傳動的體積和質量。目標函數與處罰條款是由加法懲罰策略的類型，從而改變約束優化為無約束優化。然后采用Matlab模擬退火算法工具箱對基于懲罰策略的優化模型求解。應用具有全局搜索能力的模擬退火算法進行啟發式搜索和并行計算，與傳統方法進行比較驗證，其搜索效率和精度都非常高，這樣保證了可靠的全局最優解。

3 混合智能算法

首先按照變速器設計規范和齒輪參數設計的流程，利用VisualBasic語言，實現了齒輪組的自動參數設計，并利用Access數據庫，實現了設計數據自動化管理；然后利用ActiveX調用技術，在MATLAB平臺上以改進的遺傳算法和BP神經網絡遺傳算法作為混合優化工具，實現了齒輪組的參數優化設計，建立齒輪組的優化設計模型。在優化過程中，結合動態懲罰函數與非線性規劃構造出動態懲罰函數非線性規劃遺傳算法，并結合BP神經網絡的相關特性，通過練習獲得齒輪組輸入參數與強度之間的映射關系曲線，加速遺傳算法的收斂速度。

4 結語

綜上得，首先，對變速箱的優化設計算法更多的是遺傳進化算法，也有用模擬退火算法、混合智能算法等算法；其次，本文總結的算法對不同的目標函數進行優化，有的以經濟性最優為優化目標，有的以動力性最優為優化目標等。