基于遺傳算法的汽車平順性時域仿真與優(yōu)化

鮑家定++伍建偉++莫秋云

摘 要： 首先，建立汽車五自由度振動系統(tǒng)的力學模型，利用牛頓第二定律建立動力學方程，并基于IFFT法進行路面不平度的時域模擬。然后，通過ADAMS進行對比驗證平順性模型。最后，以懸架剛度阻尼為設(shè)計變量，以懸架動撓度和輪胎相對動載荷為約束函數(shù)，以座椅中心加權(quán)加速度均方根值為目標函數(shù)，建立其優(yōu)化模型，利用Matlab優(yōu)化工具箱中的遺傳算法函數(shù)進行優(yōu)化。優(yōu)化結(jié)果表明，遺傳算法具有很強的全局尋優(yōu)能力，優(yōu)化結(jié)果大大地改善了平順性指標，提高了汽車的性能。

關(guān)鍵詞： 平順性； IFFT； 時域模擬； Matlab； 遺傳算法

中圖分類號： TN911.7?34； U461.4 文獻標識碼： A 文章編號： 1004?373X（2016）23?0136?05

Genetic algorithm based vehicle ride comfort time?domain simulation and optimization

BAO Jiading， WU Jianwei， MO Qiuyun

（School of Mechanical and Electrical Engineering， Guilin University of Electronic Technology， Guilin 541004， China）

Abstract： The mechanical model of vehicle′s five degrees of freedom vibration system was established. The kinetic equation was established with Newton′s second law. The road roughness time?domain simulation was performed based on IFFT （inverse fast Fourier transform） method. The ride comfort model was verified with ADAMS. And its optimization model was established by taking the suspension stiffness and damping as the design variables， suspension dynamic deflection and relative dyna?mic load of vehicle tire as the constraint function， and root?mean?square value of seat center weighed acceleration as the objective function. The model was optimized with genetic algorithm function in Matlab optimization toolbox. The optimization results show that the genetic algorithm has good global optimization ability， the optimization result improves the indicator of ride comfort and the vehicle′s performance.

Keywords： ride comfort； IFFT； time?domain simulation； Matlab； genetic algorithm

0 引 言

汽車行駛平順性（簡稱平順性）是指汽車在保持正常車速行駛過程中產(chǎn)生的振動和沖擊環(huán)境對乘員舒適性的影響在一定界限內(nèi)[1]。隨著人們對汽車平順性要求的不斷提高，平順性的研究已經(jīng)深入到非線性動力學分析中，并通過建立非線性動力學模型來提高平順性仿真的精度和優(yōu)化的質(zhì)量。然而，非線性系統(tǒng)不滿足疊加原理，根據(jù)路面譜利用傳遞函數(shù)計算平順性評價指標的頻域分析方法已經(jīng)不再適用，由此產(chǎn)生了多種路面不平的時域模擬方法[2?4]，用以進行平順性時域仿真分析。平順性仿真的目的是進行平順性優(yōu)化，力求進一步提高汽車的舒適性能。然而，現(xiàn)有的文獻大多只進行了平順性時域仿真，并未進行平順性優(yōu)化[5?7]。對此，本文采用IFFT法（逆快速傅里葉變換法）對路面不平度進行時域模擬，以某型號汽車線性振動系統(tǒng)為例，利用遺傳算法對其進行優(yōu)化。

遺傳算法[8?10]（Genetic Algorithms，GA）是借鑒生物界自然選擇和進化機制發(fā)展起來的高度并行、隨機、自適應(yīng)搜索算法。遺傳算法具有很強的魯棒性，不依賴問題的具體領(lǐng)域，特別適合處理傳統(tǒng)方法難以解決的復雜非線性問題。隨著Matlab軟件的升級和函數(shù)的優(yōu)化，遺傳算法函數(shù)在適用性、可靠性、穩(wěn)定性以及通用性方面都有了很大的提高和改善，由此成為了本文汽車平順性優(yōu)化的首選算法。

1 汽車五自由度動力學模型

1.1 力學模型

根據(jù)汽車的特點進行適當簡化，簡化由輪胎、懸架、車身和人椅組成的剛體系統(tǒng)，力學模型如圖1所示。該模型有五個自由度，取廣義坐標[zi（i=1，2，3，4，5）]，分別表示前簧下質(zhì)量垂向位移、后簧下質(zhì)量垂向位移、車身垂向位移、車身俯仰角位移和人椅垂向位移；[zg1]和[zg2]表示前后輪的路面不平激勵。某型號汽車動力學參數(shù)如表1所示。

圖1 汽車五自由度振動系統(tǒng)力學模型

表1 某型號汽車動力學參數(shù)

[＼&符號（單位）＼&數(shù)值＼&說明＼&物

理

參

數(shù)＼&[m1] /kg＼&40.5＼&前簧下質(zhì)量＼&[m2] /kg＼&45.4＼&后簧下質(zhì)量＼&[m3] /kg＼&700＼&車身質(zhì)量＼&[Jxx] /（kg[?]m2）＼&1 200＼&車身繞橫軸的轉(zhuǎn)動慣量＼&[m4] /kg＼&80＼&人椅質(zhì)量＼&力

學

參

數(shù)＼&[kt1] /（kN/m）＼&200＼&前輪剛度＼&[kt2] /（kN/m）＼&200＼&后輪剛度＼&[ks1] /（kN/m）＼&24＼&前懸架剛度＼&[ks2] /（kN/m）＼&19＼&后懸架剛度＼&[ks3] /（kN/m）＼&5＼&座椅剛度＼&[cs1] /（kN[?]s/m）＼&1.6＼&前懸架阻尼＼&[cs2] /（kN[?]s/m）＼&1.8＼&后懸架阻尼＼&[cs3] /（kN[?]s/m）＼&0.72＼&座椅阻尼＼&幾

何

參

數(shù)＼&[l1] /m＼&1.25＼&車身質(zhì)心至前軸的距離＼&[l2] /m＼&1.51＼&車身質(zhì)心至后軸的距離＼&[l3] /m＼&0.5＼&車身質(zhì)心至座椅中心的距離＼&]

1.2 動力學方程

汽車五自由度振動系統(tǒng)做平面運動，相對較為簡單，故采用牛頓第二定律建立動力學方程：

[m1z1=-kt1z1+ks1（z3-z4l1-z1）+cs1（z3-z4l1-z1）] （1）

[ m2z2=-kt2z2+ks2（z3+z4l2-z2）+cs2（z3+z4l2-z2）] （2）

[m3z3=-ks1（z3-z4l1-z1）-cs1（z3-z4l1-z1）-ks2（z3+z4l2-z2）-cs2（z3+z4l2-z2）+ks3（z5-z3+z4l3）+cs3（z5-z3+z4l3）] （3）

[Jxxz4=ks1（z3-z4l1-z1）+cs1（z3-z4l1-z1）l1-ks2（z3+z4l2-z2）+cs2（z3+z4l2-z2）l2-ks3（z5-z3+z4l3）+cs3（z5-z3+z4l3）l3] （4）

[m4z5=-ks3（z5-z3+z4l3）-cs3（z5-z3+z4l3）] （5）

注意：本文在建立動力學方程時，之所以沒有考慮彈性元件的原長和各部件本身的質(zhì)量，是因為各個廣義坐標是相對于各自的靜平衡位置。

2 基于IFFT法的路面不平度時域模擬

路面不平度對汽車產(chǎn)生的激勵具有一定的隨機性，主要利用路面功率譜密度描述其統(tǒng)計特性。路面不平度的時域模擬大多是根據(jù)路面功率譜密度進行重構(gòu)得到，時域模擬的主要方法有：諧波疊加法、濾波白噪聲法、ARMA模型法、泊松（Poisson）法和IFFT法等。文獻[11?13]中分別對這幾種方法的優(yōu)缺點進行了分析比較，并且指出IFFT法通過對功率譜密度進行離散采樣，能夠精確而又簡單地重構(gòu)道路的時域模型，是一種具有普適性的方法，它具有計算量小、計算簡單高效等特點，能為后續(xù)車輛動力學仿真分析提供實時的時域模型[14]。對此，本文選用IFFT法進行時域模擬，利用Matlab語言開發(fā)了基于IFFT的時域模擬函數(shù)。

IFFT法基本思想是：

（1） 對隨機激勵的功率譜密度進行離散采樣，根據(jù)功率譜密度的定義反求幅值譜；

（2） 生成隨機相位；

（3） 利用逆快速傅里葉變換重構(gòu)該隨機信號的時域模型。

已知輸入信號的功率譜密度函數(shù)，利用Matlab語言編制相應(yīng)的程序，即可建立基于IFFT法路面隨機輸入的時域模型。圖2為本文研究車型在D級路面行駛速度為72 km/h，路面不平的時域模擬曲線，仿真時間為20 s。

圖2 D級路面行駛速度為72 km/h

路面不平度時域模擬曲線

從圖2中可以看出后輪較前輪滯后時間約為0.137 s，這與實際時差[τ=Lv=]0.138 s十分吻合；根據(jù)時域模擬數(shù)據(jù)計算前后輪路面不平度均方根值分別為：0.030 4 m，0.030 4 m，這與文獻[1]表中D級路面不平度幾何平均值30.45 mm的結(jié)果也十分吻合，由此說明本文基于IFFT法建立的路面不平時域模擬結(jié)果是準確并且可靠的。

3 汽車五自由度動力學模型驗證

正確的汽車平順性動力學模型是進行平順性優(yōu)化的前提。多體動力學分析軟件ADAMS是機械系統(tǒng)動力學仿真分析的權(quán)威，故本文利用ADAMS對Matlab仿真結(jié)果進行驗證。首先，在ADAMS中建立汽車五自由度動力學模型，并輸入本文研究車型的動力學參數(shù)，如圖3所示；然后，將IFFT法建立時域模擬的數(shù)據(jù)以txt文件形式導入ADAMS中作為前后輪路面激勵，并進行動力學仿真；最后，查看座椅中心加速度仿真曲線，如圖4所示。相同路面激勵下座椅中心加速度Matlab仿真曲線如圖5所示。其中，圖4和圖5均為D級路面行駛速度為72 km/h路面不平激勵下的仿真曲線。

圖3 汽車五自由度振動系統(tǒng)ADAMS模型

圖4 座椅中心垂向加速度ADAMS仿真曲線

圖5 座椅中心垂向加速度Matlab仿真曲線

將圖4和圖5曲線仔細對比可知，兩者的仿真結(jié)果一模一樣（注意兩圖加速度的單位），說明Matlab仿真結(jié)果是準確可信的，由此驗證了本文建立的汽車五自由度動力學模型是準確可信的。

注意：ADAMS仿真與Matlab仿真均是以靜平衡位置為初始狀態(tài)進行的。

4 平順性優(yōu)化設(shè)計

4.1 優(yōu)化工況

考慮到路面等級高且行駛速度高，或者路面等級低且行駛速度低，其動撓度、輪胎動載荷以及座椅中心加權(quán)加速度均方值較小，這些工況并無優(yōu)化的必要。對此，本文對D級路面，行駛速度為50 km/h的工況進行平順性優(yōu)化設(shè)計，路面不平度時域模擬曲線如圖6所示。

圖6 D級路面行駛速度為50 km/h

路面不平度時域模擬曲線

4.2 設(shè)計變量

影響汽車平順性的因素很多，如懸架參數(shù)、輪胎參數(shù)、座椅參數(shù)、整車的質(zhì)量參數(shù)等。而輪胎參數(shù)、整車的質(zhì)量參數(shù)和座椅參數(shù)多由廠家提供，改變困難，故本文選用前后懸架的剛度和阻尼作為優(yōu)化的設(shè)計變量。

[x=ks1，ks2，cs1，cs2T] （6）

根據(jù)該型號汽車的特點，設(shè)計變量取值范圍如表2所示。

表2 變量取值范圍

[符號（單位）＼&下限＼&上限＼&[ks1] /（kN/m）＼&12.5＼&37.6＼&[ks2] /（kN/m）＼&10.8＼&32＼&[cs1] /（kN[?]s/m）＼&1.1＼&2.6＼&[cs2] /（kN[?]s/m）＼&0.9＼&2.3＼&]

4.3 目標函數(shù)

本文采用遺傳算法進行平順性優(yōu)化設(shè)計，目標函數(shù)也稱適應(yīng)度函數(shù)。將座椅中心加權(quán)加速度均方根值作為目標函數(shù)，即：

[min f（x）=σz5] （7）

座椅中心加權(quán)加速度均方根值根據(jù)文獻[1]的相關(guān)公式計算得到。

4.4 約束函數(shù)

（1） 懸架動撓度[fd]約束。懸架動撓度與其限位行程[[fd]]有關(guān)，若配合不當會增加撞擊限位塊的概率，致使平順性變差。以撞擊限位塊的概率小于0.3%進行設(shè)計，此時要求懸架動撓度均方根值[σfd]應(yīng)限制在[[fd]]的[13]之內(nèi)[1]。根據(jù)相關(guān)標準，取[[fd]]為90 mm，由此得到前后懸架動撓度約束函數(shù)為：

[σfd1≤[fd]3] （8）

[σfd2≤[fd]3] （9）

（2） 輪胎與地面動載荷[Fd]的約束。當[Fd]的方向與靜載[G]方向相反且大于靜載[G]時，車輪會跳離地面，致使行駛安全性惡化。以車輪跳離地面的概率小于0.15%進行設(shè)計，此時要求輪胎相對動載荷均方根值[σFd]小于[G3][1]，由此得到前后輪胎與地面動載荷[Fd]的約束函數(shù)：

[σFd1≤G13] （10）

[σFd2≤G23] （11）

根據(jù)靜力矩平衡，得到前后輪靜載荷：

[G1=m3gl2+m4g（l2+l3）l1+l2+m1g] （12）

[G2=m3gl1+m4gl1-l3l1+l2+m2g] （13）

根據(jù)Parseval定理（信號在時域中計算的總能量等于其在頻域中計算的總能量），式（8）～式（11）懸架動撓度和輪胎相對動載荷可通過計算時域數(shù)據(jù)均方根值得到。

4.5 遺傳算法優(yōu)化

ADAMS/View中并沒有自帶遺傳算法優(yōu)化函數(shù)，需要利用ADAMS提供的接口添加遺傳算法程序。對此，本文采用Matlab優(yōu)化工具箱的遺傳算法函數(shù)進行優(yōu)化。當確定設(shè)計變量、建立目標函數(shù)和約束函數(shù)后，利用優(yōu)化工具箱中的遺傳算法函數(shù)，即可求得所設(shè)定參數(shù)下的最優(yōu)解。本文所設(shè)定的參數(shù)如下：初始種群為20，迭代代數(shù)為100，交叉概率為0.8，變異概率為0.1，圖7為Matlab遺傳算法優(yōu)化界面。

優(yōu)化界面中，左下角的Final point 即為遺傳算法的優(yōu)化結(jié)果，它表明設(shè)計變量取值為[x=][12.7，26.224，1.697，2.267]時，座椅中心加權(quán)加速度均方根值達到最小，其值為0.480 m/s2。

4.6 優(yōu)化結(jié)果分析

為便于優(yōu)化前后結(jié)果的對比分析，表3列出了優(yōu)化前后的懸架參數(shù)，表4為優(yōu)化前后平順性評價指標的變化情況。圖8為優(yōu)化前后座椅中心垂向加速度時域響應(yīng)曲線，圖9為優(yōu)化前后座椅中心垂向加速度功率譜密度曲線。

從表4中可以看出，優(yōu)化后座椅中心加權(quán)加速度均方根值較優(yōu)化前改善了21.3%，而懸架動撓度和輪胎與地面的動載荷變化較小，易驗證優(yōu)化后的懸架動撓度、輪胎與地面動載荷的均方根值均滿足約束條件。

從圖8和圖9中可以看出，座椅中心加速度值和加速度功率譜密度值明顯降低，說明優(yōu)化后平順性有了較大的改善。

5 結(jié) 論

本文建立了汽車五自由度振動力學模型和動力學方程，采用IFFT法對路面不平度進行時域模擬。然后，利用ADAMS驗證了平順性仿真模型。最后，以懸架剛度阻尼為設(shè)計變量，以懸架動撓度和輪胎相對動載荷為約束函數(shù)，以座椅中心加權(quán)加速度均方根值為目標函數(shù)，建立其優(yōu)化模型，利用Matlab優(yōu)化工具箱中的遺傳算法函數(shù)進行優(yōu)化。優(yōu)化結(jié)果表明，利用遺傳算法進行優(yōu)化大大地提高了汽車的平順性，為非線性振動系統(tǒng)平順性時域仿真優(yōu)化奠定了基礎(chǔ)。

參考文獻

[1] 余志生.汽車理論[M].5版.北京：機械工業(yè)出版社，2009.

[2] 陳杰平，陳無畏，祝輝，等.基于Matlab/Simulink的隨機路面建模與不平度仿真[J].農(nóng)業(yè)機械學報，2010，41（3）：11?15.

[3] 金睿臣，宋健.路面不平度的模擬與汽車非線性隨機振動的研究[J].清華大學學報（自然科學版），1999，39（8）：77?80.

[4] 張立軍，張?zhí)靷b.車輛四輪相關(guān)時域隨機輸入通用模型的研究[J].農(nóng)業(yè)機械學報，2005，36（12）：29?31.

[5] 張鄂，劉中華，邵曉春.九自由度乘坐動力學模型的人體振動特性仿真[J].交通運輸工程學報，2010，10（4）：58?64.

[6] LE V Q，張建潤，王園，等.基于三維動力學模型的重型卡車動態(tài)參數(shù)對平順性的影響[J].東南大學學報（自然科學版），2013，43（4）：763?770.

[7] 陳克，高潔，呂周泉.基于虛擬試驗場技術(shù)的汽車平順性仿真分析[J].中國工程機械學報，2010，8（2）：208?212.

[8] GOLDBERG D E. Genetic algorithms in search， optimization， and machine learning [M]. Boston： Addison Wesley， 1989.

[9] HOLLAND J H. Adaptation in natural and artificial systems： an introductory analysis with applications to biology， control， and artificial intelligence [M]. Michigan： Michigan Press， 1975.

[10] 戴曉暉，李敏強，寇紀淞.遺傳算法理論研究綜述[J].控制與決策，2000，15（3）：263?268.

[11] 姜麗麗.基于傅里葉反變換的路面隨機激勵時域建模與仿真[D].長春：吉林大學，2007.

[12] 彭佳，何杰，李旭宏，等.路面不平度隨機激勵時域模型的仿真比較與評價[J].解放軍理工大學學報（自然科學版），2009，10（1）：77?82.

[13] 張永林.車輛道路數(shù)值模擬與仿真研究[D].武漢：華中科技大學，2010.

[14] 何寧，石成英，周保順.路面不平度時域模型模擬方法研究[J].環(huán)境技術(shù)，2014，32（3）：50?51.