電動汽車動力總成懸置系統隔振率優化

摘要：隨著電動汽車技術的快速發展，人們對汽車駕駛體驗的要求越來越高。其中，懸置系統作為影響車輛操控性、舒適性和安全性的重要組成部分，對隔振效果的要求也越來越高。深入研究了電動汽車懸置系統的隔振問題，提出了一種基于遺傳算法的隔振率優化的方法，通過調整系統參數以提高懸置系統在振動傳遞方面的性能。

關鍵詞：懸置系統；隔振率；遺傳算法；優化

中圖分類號：U463.4 收稿日期：2024-01-10

DOI：10.19999/j.cnki.1004-0226.2024.04.018

1 前言

電動汽車作為新能源汽車的代表，其出色的環保性能引起了廣泛關注。在追求零排放的同時，車輛駕駛的舒適性也成為汽車制造商和消費者關注的焦點之一。懸置系統作為負責車身支撐和隔離震動的核心組件，對車輛的隔振效果有著直接而重要的影響。

本文旨在通過優化電動汽車懸置系統的隔振率，降低車輛行駛過程中的振動和噪聲。通過深入分析懸置系統結構和隔振機理，利用遺傳算法對懸置系統的剛度進行優化，探索懸置系統在隔振方面的潛在優化空間。

2 懸置系統結構與工作原理

通常情況下，不同的車型需要配置不同結構的懸置系統，在實際布置過程中，受發動機布置位置及車身空間的影響，懸置系統的布置結構也各不相同。根據汽車發動機主軸線與懸置元件各方向的剛度軸線的布置夾角不同，可將懸置布置形式分為平置式、斜置式、會聚式三種形式。增程式汽車的動力總成主要由電動機、發動機、變速器和控制系統組成，本文主要考慮動力總成系統的兩個主要激勵源：電動機和發動機。對于增程式汽車來說電動機是行駛的主要動力源，發動機主要用于為電機提供電力和為電池包充電。目前增程式汽車懸置系統主要采用平置式中的左、右、后三點式布置，發動機和電動機連接在一起共用一套懸置系統[1]。

如圖1所示，以動力總成質心G0為原點建立動力總成質心坐標G0-XYZ，G0為動力總成質心，X軸由車頭指向車尾，Z軸垂直向上，Y軸由右手定則確定。在建立動力總成懸置系統六自由度模型時，一般將動力總成視為剛體，且發動機在動力總成的質量中占較大比例，懸置由金屬支架和彈性阻尼元件組成。在整車坐標系下增程式汽車動力總成六自由度模型如圖1所示。

動力總成懸置系統振動的拉格朗日方程為[2]：

式中，[Qi]為系統廣義坐標；[T]為系統振動時的動能；[U]為系統振動時的勢能；[D]為系統振動時的耗散能；[Fi]為懸置系統激振力。

3 隔振率的定義與分析

隔振率是評估懸置系統在不同頻率下對振動的隔離效果的指標。具體而言，它表示懸置系統對輸入振動的減幅程度。在提高隔振率的同時，車輛乘坐舒適性和操控性都能得到顯著提升。因此，優化懸置系統的隔振率是提高電動汽車整體性能的有效途徑。一般隔振率表示為被隔振物體振動響應與基礎振動響應的比值，常用加速度形式的隔振率計算公式為[3]：

式中，[q?1～9]，[aactive]為基礎振動響應的加速度；[apassive]為被隔振物體振動響應加速度，[ζ]為懸置系統阻尼比，[λ]為懸置系統頻率比。隔振率越大，代表懸置系統的隔振性能越好，當[Gq≥20 dB]時，表明動力總成懸置系統主動側傳遞到被動側的能量消減了90%以上，隔振性能良好[4]。

4 基于遺傳算法對隔振率優化

遺傳算法是一種模擬自然選擇和遺傳機制的優化算法，用于在搜索空間中尋找最優解或近似最優解。遺傳算法的設計靈感來自于達爾文的進化理論，通過模擬遺傳、變異、選擇和適應度等生物學概念，通過迭代進化的方式來優化問題。以下是遺傳算法的主要步驟：

a.初始化種群：隨機生成初始群體，其中每個個體都是問題的一個可能解。這個群體被稱為種群。

b.適應度評估：對每個個體計算適應度，適應度評估決定了每個個體在繁殖中的概率。

c.選擇：根據個體的適應度，選擇一部分個體作為父代，通常適應度越高的個體被選中的概率越大。這模擬了自然選擇中適者生存的過程。

d.交叉（交叉操作）：從選中的父代中選擇兩個或多個個體，通過某種方式交換它們的基因或參數，產生新的個體。這模擬了基因的交叉和重組。

e.變異：對新生成的個體進行變異操作，即以一定的概率隨機改變個體的某些基因或參數。這模擬了生物學中基因突變的過程。

f.替代：將新生成的個體與原種群進行比較，保留適應度較高的個體，淘汰適應度較低的個體。這模擬了新一代替代舊一代的進化過程。

g.重復迭代：重復執行上述步驟，直到滿足停止條件（如達到最大迭代次數、目標適應度達到一定水平等）。

針對六自由度懸置系統進行優化，以提升懸置系統的隔振性能為優化目的，提升懸置系統隔振率作為優化目標，選擇懸置元件X、Y、Z三個方向剛度為設計變量，對動力總成懸置系統進行優化。本文算法采用25位的二進制編碼方式進行編碼，通過Crtrp函數產生具有200個個體的初始種群，其中每個個體的變量維度為9個，進行適應度值計算，并完成適應度值排序。然后，通過隨機進行采樣選擇，采用單點交叉進行重組，通過離散變異產生新種群，交叉概率為0.8，變異率為0.02，如此進行150次迭代，比較分析每一次迭代的適應度值，最后選出最優方案。

根據動力總成懸置系統的理論推導和遺傳算法的種群設計[5]，借助MATLAB軟件進行編程計算，模擬分析動力總成懸置系統在不同動剛度下的隔振情況，其隔振率隨動剛度變化趨勢如圖2所示。

通過對MATLAB優化后的數字進行分析，采用遺傳算法經過150次迭代，多目標函數達到最小值，獲得優化參數的最優組合和優化前參數的對比，如表1所示。

5 實驗驗證與結果分析

測試系統由測試對象、信號采集系統以及信號處理系統構成，包括有LMS Test.Lab模態測試及分析系統、ICP三向加速度傳感器、LMS數據采集前端以及微機等。在測試過程中，各測點上的振動情況將通過ICP三向加速度傳感器收集到LMS多通道采集前端中，由LMS Test.Lab測試分析平臺將數據導出并存儲，測試結束后可根據工程需要對原始數據進行處理，得到所需的模態參數及響應曲線。測試布點如圖3所示。

本文分別對優化前后左、右、后懸置的隔振率進行了測試，測試工況為瀝青路面，樣車車速為勻速50 km/h。因為Z軸方向的振動是主要影響電動汽車NVH的方向，所以本文主要分析各懸置Z向的隔振率變化情況。通過實驗測試出的優化前后的Z向隔振率如圖4所示。

通過對各個懸置隔振率的測試，可以看出在對懸置剛度優化前，各個懸置在10～150 Hz的隔振率偏低，會導致汽車在行駛過程中有較大的振動噪聲。在優化后，各懸置的隔振率都達到了20 dB以上，達到了企業要求的隔振標準。

6 結語

針對電動汽車懸置系統導致的振動噪聲問題，以懸置系統的剛度為設計變量，懸置的隔振率為優化目標。測試結果表明，利用遺傳算法對懸置的剛度值進行優化，能使動力總成懸置系統的隔振率相比優化前有較為明顯的提升。

參考文獻：

[1]陳亮，謝有浩，汪選要.某電動SUV動力總成懸置系統優化[J].中國科技信息，2023（20）：117-120.

[2]陳克，駱嘉暉.純電動汽車動力總成懸置系統隔振性能研究[J].中國工程機械學報，2021，19（6）：26-29.

[3]駱嘉暉.純電動汽車驅動電機總成懸置隔振性能研究[D].沈陽：沈陽理工大學，2022.

[4]王偉.微型電動汽車動力懸置系統多目標優化研究[D].淄博：山東理工大學，2021.2021.

[5]唐孝非.某商用車動力總成懸置系統優化[D].重慶：重慶大學，2021.

作者簡介：

彭月，男，1997年生，碩士研究生在讀，研究方向為汽車NVH優化。

陸靜（通訊作者），女，1973年生，教授，研究方向為振動與噪聲控制、汽車主動安全。