基于粒子群优化算法的车辆保险杠结构优化方法
【技术领域】
[0001]本发明涉及的是一种车辆保险杠结构设计领域的技术，具体是一种基于粒子群优 化算法的车辆保险杠结构优化方法。
【背景技术】
[0002] 耐撞性是汽车设计中重要的考虑因素。大部分的碰撞事故中，保险杠系统首当其 冲，并在一定程度上对车身零部件和乘客起到保护作用。因此保险杠系统需要具备足够高 的刚强度以及碰撞吸能效率。碳纤维复合材料因其较高的比强度、比刚度和碰撞吸能效率 被广泛的运用到轻量化结构设计领域，因此碳纤维复合材料保险杆逐渐被开发并运用到整 车结构集成中。
[0003] 但是碳纤维复合材料的非线性特性，以及诸多考核工况与设计变量使得保险杠结 构优化困难，且保险杠设计流程中并没有优化过程。这些都为保险杠结构的优化设计带来 了较大的挑战。
[0004] 保险杠设计中需要考虑到其强度性能以及碰撞性能要求，时间计算成本较高，近 似模型往往用来替代仿真模型，进而执行优化计算。由于保险杠碰撞问题非线性程度强以 及多工况考核约束条件多，优化算法的选择和运用是达成结构寻优的重要影响因素之一。 粒子优化群算法（PS0)是R.Eberhart和J.Kennedy在1995年的会议The Sixth International Symposium on Micro Machine and Human Science中提出，其原理来自于 群体中的社会协作行为，例如鱼群、鸟群等。因其相对简单的算法思想，快速的算法收敛效 率以及相对强大的优化计算能力，粒子群优化算法在诸如航空航天、汽车工业、船舶工业、 能源产业等科学领域得到了广泛的应用。
[0005] 虽然粒子群优化算法具有较强的寻优能力，与进化算法类似，其优化过程受到早 熟收敛问题的影响。所谓的早熟收敛问题，是指算法寻优过程中将局部最优解寻得而无法 求出全局最优解，在高维和多峰值的问题中，早熟收敛现象尤其严重。有必要针对粒子群算 法早熟收敛的问题，深入研究算法寻优与收敛的具体流程，通过对算法本身的改进，提高算 法优化计算能力和效率。
[0006]造成粒子群优化算法早熟收敛现象的原因之一是初始种群在问题设计空间中的 分布不合理，换言之，初始粒子群在设计域中的分布无法覆盖到全局最优解，或者全局最优 解的附近的区域，粒子群在寻优过程中无法得到优化解信息，却受到局部最优解的影响而 收敛到局部最优解，造成粒子群优化算法的早熟收敛现象。
[0007]经过对现有技术的检索发现，中国专利文献号CN103472731A，公开日为2013年12 月25日，公开了一种电网小信号稳定性分析并参数协调整定的方法，其步骤为:建立需要参 数优化设计的微电网的数学模型，包括网络及符合小信号模型和逆变器小信号模型；用根 轨迹法先确定微电网中的各个参数，作为粒子群算法的初始值;通过特征值进行灵敏度分 析，确定主导参数;确定各参数的取值范围或各参数间的数学关系，作为运用粒子群算法求 解过程的约束条件；确定初值、需要优化的参数和约束条件，利用粒子群算法进行参数优 化，协调整定。但该技术仅运用了灵敏度分析，没有针对优化目标进行粒子位置的合理布 置，无法应用于保险杠的结构优化过程中。
[0008] 中国专利文献CN103646280A，公开日为2014年03月19日，公开了一种基于粒子群 算法的车辆悬架系统参数优化方法，该技术根据不同车型或某一车型对悬架系统不同使用 性能的要求，折中考虑悬架参数优化过程中的各种矛盾，采用搜索能力较强的粒子群算法 对悬架系统的参数进行寻优，建立作为寻优判别标准的适应度函数，得到粒子种群的历史 全局最优值，作为满足所需求解的悬架系统参数。但该技术无法实现初始粒子群合理空间 分布，无法对车辆组件的结构参数进行优化。
【发明内容】
[0009] 本发明针对现有技术存在的上述不足，提出一种基于粒子群优化算法的车辆保险 杠结构优化方法。
[0010] 本发明是通过以下技术方案实现的：
[0011]本发明包括以下步骤：
[0012] 1)对保险杠建模，并进行强度工况和低速碰撞工况仿真分析，得到仿真模型，在优 化设计域内进行采样，建立近似模型；
[0013] 2)基于近似模型，运用惩罚函数法构造目标函数，采用Sobol指标的全局灵敏度分 析，对目标函数进行灵敏度分析，计算设计变量的综合灵敏度指标，获取主要变量；
[0014] 3)运用数据挖掘技术对优化设计域识别得到增补区域；
[0015] 4)在优化设计域及增补区域中进行采样，运行粒子群优化算法得到优化结果后， 圆整到工程值得到保险杠优化结构。
[0016] 所述的近似模型为Kriging近似模型，采用确定性系数R2评价其预测精度，得到高 f(v-yf 精度Kriging近似模型，确定性系数~ \,，其中:yi为样本点的有限元计算值，戈+ Σ())-ν? ι=1 为样本点Kriging近似模型预测值，I为所有样本点仿真结果的平均值，η为检验的样本点 数。
[0017] 所述的目标函数为Y〇bject，其中：= + ，if。^0山= Oelse fi = Ci，Ci为约束函数，nc为约束函数个数，Ym为保险杜整体质量，h为惩罚因子。
[0018] 所述的设计变量包括:五个厚度变量，两个宽度变量和两个弧度变量。
[0019] 所述的综合灵敏度指标C通过全局灵敏度指标81叠加获得，其中：， /-2 气...4 = 1 < L < 左，局部方_
!
[0020] 所述的识别，具体步骤包括：
[0021] 1)设置粒子群数量P、采样比例系数Sf、增补系数
[0022] 2)根据例子群数量P、采样比例系数sf，运用最优拉丁超立方试验设计方法进行部 分采样，并计算目标函数值；
[0023] 3)根据增补系数t。判断每个粒子类别，获得增补区域。
[0024] 所述的采样比例系数Sf，其取值范围为0 < Sf < 1，增补系数的取值范围为0 < tc <1。
[0025] 所述的增补区域中进行采样的粒子数目为/1=(^~/^/.)$(/^(1-\))，其中:_戈 Μ 表问题维度，k代表第i个增补空间变量j维的范围，1??代表第i个增补空间的超体积，VS ：./=! 代表子空间总体积。 技术效果
[0026] 与现有技术相比，本发明通过灵敏度分析技术辨识影响优化问题即保险杠轻量化 的主因，进而运用数据挖掘技术对优化设计域进行划分，将更多的粒子分布在优化增补区 域，指导粒子初始种群在设计域中的分布，应用到碳纤维复合材料保险杠结构优化中，克服 了碰撞工况强非线性以及考核工况多带来的优化困难，提高碳纤维复合材料保险杆结构优 化的效率。
【附图说明】
[0027]图1为本发明流程示意图；
[0028]图2为保险杠有限元模型；
[0029] 图3为保险杠强度工况仿真模型；
[0030] 图4为保险杠低速碰撞工况仿真模型；
[0031 ] 图5为设计变量Χχ、Χ2、X3、X4、X6、X7、Xs分布示意图；
[0032]图6为设计变量Χ5、Χ9分布示意图。
【具体实施方式】
[0033]下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行 实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施 例。 实施例1
[0034]如图1所示，本实施例的具体步骤包括：
[0035] 步骤1、采用Hypermesh为前处理软件平台，以LS-DYNA和ABAQUS为求解器，对碳纤 维复合材料保险杠进行有限元建模，并进行强度工况仿真分析和低速碰撞工况仿真分析， 得到保险杠的有限元模型、强度分析仿真模型以及低速碰撞分析仿真模型。
[0036] 如图2所示，所述的碳纤维复合材料保险杜的有限元模型包括85000个单元，30000 个节点，其中包含10000个壳单元，750000个四面体实体单元，10000个壳单元中三角形单元 103个（1.03%)证明模型精度可靠。
[0037] 如图3所示，所述的仿真分析是指，根据碳纤维保险杠强度要求和低速碰撞安全要 求，选取工况性能指标，设定仿真时间，得到保险杠的强度分析仿真模型和低速碰撞分析仿 真模型。
[0038]所述的性能指标包括:六种强度工况下（如表1所示)保险杠强度因子、低速碰撞工 况下最大侵入量、低速碰撞工况下峰值碰撞力。所述的强度因子为仿真计算的最大应力与 材料承载极限应力的比值。
[0039] 表1六种强度工况
[0040]如图4所示，所述的强度工况仿真分析是指，根据保险杠拖钩部位强度要求，施加 方向不同大小为整车重量一半的拉力，选取强度工况的性能指标和设计变量，如表2所示， 设定仿真时间，得到保险杆强度分析仿真模型。
[0041]所述的低速碰撞工况仿真分析是指，保险杠以4.25km/h的速度与可变形壁障发生 碰撞，选取低速碰撞工况性能指标和设计变量，设定仿真时间，得到保险杠低速碰撞分析仿 真模型。
[0042]如图5、6所示，五个厚度变量Xi、X2、X3、X4和X5，其代表图中标出位置处的材料厚度； 两个宽度变量Χ6和X?，其为图中所标出处的长度;两个弧度变量χ8、χ9，其为χ8、χ 9处的曲面的 弧度。
[0043] 表2不同工况的性能指标和设计变量
[0044] 步骤2、针对步骤1中的强度分析仿真模型和低速碰撞分析仿真模型在优化设计域 内通过最优拉丁超立方试验设计方法进行采样，通过仿真计算得到样本点数据建立 Kriging近似模型，并采用确定性系数R2评价其预测精度，进行精度验证，满足精度则进行 下一步，不满足则从新进行采样以及仿真计算。 y (v - v
[0045] 所述的确定性系数夂2 =1-1"1"1-，其中：yi为样本点的有限元计算值，A为样本 Σ(.ν,-ν,)- i=.\ 点Kriging近似模型预测值，另为所有样本点仿真结果的平均值，η为检验的样本点数。
[0046] 所述的确定性系数越大，Kriging近似模型的精度越高，如表3所示，当确定性系数 R2达到0.9000以上，可认为近似模型的精度满足进一步优化的要求。如不满足增加采样点 提高近似建模精度。
[0047] 表3 Kriging近似模型精度
[0048] 步骤3、采用灵敏度分析技术对建立的目标函