一种汽车侧面结构的优化方法
阅读说明：本技术 一种汽车侧面结构的优化方法 (Optimization method of automobile side surface structure ) 是由 唐樟春 李凌云 夏艳君 刘亚鹏 岳涧洲 周斌 于 2021-06-15 设计创作，主要内容包括：该发明公开了一种汽车侧面结构的优化方法,属于结构优化领域。首先确定优化目标：B柱内侧的厚度x-(1)、B柱加强件的厚度x-(2)、地板内侧的厚度x-(3)、横梁的厚度x-(4)、门梁的厚度x-(5)、车门带线的厚度x-(6)、车顶纵梁的厚度x-(7)、垫B柱内侧的材料x-(8)、垫地板内侧的材料x-(9)；护栏高度x-(10)、护栏撞击的位置x-(11)为非设计变量,为符合N～(0,100)正态分布随机变量,即在-30mm～30mm之间连续变化；再通过确定目标函数和约束条件；最后采用计算最优的优化目标；该方法计算出的优化目标,计算时间更短,优化目标更好。(The invention discloses an optimization method of an automobile side surface structure, and belongs to the field of structure optimization. Firstly, determining an optimization target: thickness x of the inner side of the B-pillar 1 Thickness x of B-pillar reinforcement 2 Thickness x of the inner side of the floor 3 Thickness x of the beam 4 Thickness x of door beam 5 Thickness x of door belt line 6 Thickness x of roof rail 7 Material x inside the pad B column 8 Material x of inner side of floor mat 9 (ii) a Height x of guardrail 10 Position x of guardrail impact 11 Is a non-design variable and is a random variable conforming to N- (0,100) normal distribution, namely continuously changing between-30 mm and 30 mm; determining a target function and a constraint condition; finally miningCalculating an optimal optimization target; the optimization target calculated by the method is shorter in calculation time and better.)
技术领域
本发明属于结构优化领域，尤其涉及一种汽车侧面结构的优化设计方法。
背景技术
随着汽车行业的快速发展，汽车越来越普及,交通事故也很频发。在汽车碰撞事故中,侧面柱碰撞是经常发生的交通事故。侧面柱碰撞对车门的压力以及对人体的反馈力都很大,车门对人体胸部的伤害很大。因此在汽车设计时要进行模拟汽车侧面柱碰撞试验,根据试验得到的数据来改进汽车,从而设计出更加安全可靠的汽车。
但由于碰撞试验的时间、经济成本普遍较高，在进行碰撞试验前，计算机仿真研究具有不可替代的作用，它不仅能够减少碰撞试验次数，节省开发成本，同时还能够在概念设计阶段进行虚拟碰撞试验，缩短研发周期。本发明通过改进的并行遗传算法求解其通用的数学模型，为碰撞模拟试验关键零部件设计参数提供理论依据与参考。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种改进遗传算法的汽车侧面碰撞结构优化方法，提高了汽车侧面碰撞结构优化的效率以及精度。
本发明技术方案为：一种汽车侧面结构的优化方法，该方法包括：
步骤1：确定优化目标包括：B柱内侧的厚度x1、B柱加强件的厚度x2、地板内侧的厚度x3、横梁的厚度x4、门梁的厚度x5、车门带线的厚度x6、车顶纵梁的厚度x7、垫B柱内侧的材料x8、垫地板内侧的材料x9；
护栏高度x10、护栏撞击的位置x11为非设计变量，为符合N～(0,100)正态分布随机变量，即在-30mm～30mm之间连续变化；
步骤2：确定目标函数和约束条件：
Weight＝1.98+4.9x1+6.67x2+6.98x3+4.01x4+1.78x5+2.73x7
FAdbom＝1.16-0.3717x2x4-0.00931x2x10-0.484x3x9+0.01343x6x10
Defnb_u＝28.98+3.818x3-4.2x1x2+0.0207x5x10+6.63x6x9-7.7x7x8+0.32x9x10
Defnb_m＝33.86+2.95x3+0.1792x10-5.057x1x2-11x2x8-0.0215x5x10 -9.98x7x8+22x8x9
Defnb_l＝46.36-9.9x2-12.9x1x8+0.1107x3x10
VCup＝0.261-0.0159x1x2-0.188x1x8-0.019x2x7+0.0144x3x5 +0.0008757x5x10+0.08045x6x9+0.00139x8x11+0.00001575x10x11
VCmid＝0.214+0.00817x5-0.131x1x8-0.0704x1x9+0.03099x2x6-0.018x2x7+0.0208x3x8 +0.121x3x9-0.00364x5x6+0.0007715x5x10-0.0005354x6x10+0.00121x8x11
VelB-pillar＝10.58-0.674x1x2-1.95x2x8+0.02054x3x10-0.0198x4x10+0.028x6x10
式中：
Weight表示试验模型的总质量，FAdbom表示试验假人所受腹部载荷，Defnb_u表示胸部上方肋骨的形变量；Defnb_m表示胸部中间肋骨的形变量；Defnb_l表示胸部下方肋骨的形变量； VCup表示胸部上方的粘性伤害指标；VCmid表示胸部中间的粘性伤害指标；VClow表示胸部下方的粘性伤害指标；Forcepublic表示耻骨联合力；VelB-pillar表示B柱中点处的速度；Veldoor表示前门靠近B柱处的速度；
步骤3：采用第二代非支配排序进化算法(NSGA-II)计算总质量最小时的优化目标，得到优化结果；
[1]第二代非支配排序进化算法的交叉算子为：
其中，p1i，p2i分别为第i次交叉过程中父代的两个染色体基因，x1i，x2i分别为第i次交叉过程中子代的两个染色体基因；
[2]变异算子为：
其中，Fitm为最大适应度值，为每代的适应度均值，Fit＝-Weight为变异个体适应度值；Pm1，Pm2分别为初始变异概率和最终变异概率；
当时，Pm随适应度的增大而减小；反之，则保持不变；
[3]新的目标函数及适应度函数构建如下：
Fit(xi)＝G(xi)
式中：
其中：i表示种群中序号为i的个体，G(xi)为个体新的目标函数值；Fit(xi)为对应的个体适应度值；F(xi)为对应的原目标函数值；f(xi)为对应的惩罚函数值；为整体目标函数均值；gj(xi)为对应偏离约束条件的情况；m是约束条件个数；α为惩罚因子常数。
本发明提出使用内点罚函数法对目标函数进行无约束化处理；采用了基于正态分布的交叉算子；采用了自适应度变化的变异算子，采用常用的测试函数，例如，Ackley函数、Sphere 函数以及Griewank函数等对其进行测试，表明其具有高精度的全局寻优能力。
附图说明
图1为本发明
具体实施方式
的迭代优化结果图。
具体实施方式
步骤1：确定优化目标包括：B柱内侧的厚度x1、B柱加强件的厚度x2、地板内侧的厚度x3、横梁的厚度x4、门梁的厚度x5、车门带线的厚度x6、车顶纵梁的厚度x7、垫B柱内侧的材料x8、垫地板内侧的材料x9。如下表：
侧面碰撞模型的设计变量
护栏高度x10、护栏撞击的位置x11为非设计变量，为符合N～(0,100)正态分布随机变量，即在-30mm～30mm之间连续变化。
步骤2：确定目标函数和约束条件：在一个具体的实施案例中，根据国内外现有的安全标准，约束的实际取值如下所示：
Weight＝1.98+4.9x1+6.67x2+6.98x3+4.01x4+1.78x5+2.73x7
FAdbom＜1.0KN
Defnb_u＜32mm
Defnb_m＜32mm
Defnb_l＜32mm
VCup＜0.32m/s
VCmid＜0.32m/s
VClow＜0.32m/s
Forcepublic＜4.0KN
VelB-pillar＜9.9mm/ms
Veldoor＜15.7mm/ms
式中：
Weight—试验模型的总质量；
FAdbom—试验假人所受腹部载荷；
Defnb_u—胸部上方肋骨的形变量；
Defnb_m—胸部中间肋骨的形变量；
Defnb_l—胸部下方肋骨的形变量；
VCup—胸部上方的粘性伤害指标；
VCmid—胸部中间的粘性伤害指标；
VClow—胸部下方的粘性伤害指标；
Forcepublic—耻骨联合力；
VelB-pillar—B柱中点处的速度；
Veldoor—前门靠近B柱处的速度；
步骤3：在非支配排序遗传算法(NSGA-II)的基础上，结合结构优化设计的特点，对遗传操作的交叉算子、变异算子进行一定改进。
1、交叉算子的改进
NSGA-II算法通常采用二进制交叉算子对染色体基因进行单点交叉，如下式所示：
其中，
p1i，p2i分别为第i次交叉过程中父代的两个染色体基因；
x1i，x2i分别为第i次交叉过程中子代的两个染色体基因；
α如下式：
式中：
β为在(0,1)上均匀分布的随机数；
γ为决策者定义的非负数。
γ的选值具有主观性和随机性的特点，无法保证算法的稳定性，因此，采用基于正态分布的交叉算子(NDX)，能够有效地弥补这一缺陷。如下式所示：
式中：
|N(0,1)|——正态分布随机变量；
u——在(0,1)上的随机数。
2、变异算子的改进
变异算子的提出是为了避免寻优过程被某个区域所限制，通过变异的操作可以使个体跳出原有的区域进行寻优，这样不仅提高了计算效率，也保持了解的多样性。变异过程在采用多项式变异的基础上，引入了自适应变异的概念，算子随着适应度大小来调整变异概率，使得最优解集的前沿分布更为合理，如下式所示：
其中，
Fitm为最大适应度值；
为每代的适应度均值；其中F(x)，gi(x)是连续函数
可行域为Fit＝-Weight为变异个体适应度值；
Pm1，Pm2分别为初始变异概率和最终变异概率；
当时，Pm随适应度的增大而减小；反之，则保持不变。
3、约束条件的改进
传统的结构优化问题往往附带若干个约束条件，这样使得遗传寻优的过程更为复杂，求解难度增大，本文采用了内点罚函数法对这个问题进行了处理。这个方法的整体思路是：设置一个新的函数，这个函数的定义域就是约束条件的取值范围，然后函数乘以一个惩罚系数，当变量趋近约束边界时，这个函数值趋于无穷大，再用此函数加上原来的函数形成全新的函数。
对于结构尺寸优化问题：
min F(x)
s.t.gi(x)≤0,i＝1,...,m
其中F(x)，gi(x)是连续函数
可行域为
S＝{x|gi(x)≤0,i＝1,...,m}
根据罚函数法的思想，建立新的定义域内的无约束目标函数如示：
G(x,r)＝F(x)+rf(x)s.t.x∈intS
式中f(x)为连续函数，当x→gi(x)约束边界时，f(x)→+∞。
f(x)常用的表达形式为：和
r为较小正数。当x→gi(x)约束边界时，f(x)→+∞，此时x的对应的函数值肯定不是极小值。否则，rf(x)→0，G(x,r)≈F(x)。
根据Lemonge惩罚函数的思想，本文采取根据约束条件的偏离情况对非可行解进行惩罚的方法，这样可以避免靠近约束条件边界内侧的个体被惩罚的情况，也对非可行解进行了较为合理的惩罚，提高了算法的寻优能力，新的目标函数及适应度函数构建如下：
式中：
其中：i表示种群中序号为i的个体，G(xi)为个体新的目标函数值；Fit(xi)为对应的个体适应度值；F(xi)为对应的原目标函数值；f(xi)为对应的惩罚函数值；为整体目标函数均值；gj(xi)为对应偏离约束条件的情况；m是约束条件个数；α为惩罚因子常数，这里取2。 SQP、SA与改进的NSGA-II优化结果对比结果如下表：
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种确定发动机关机错开时间的方法