利用isight动力总成悬置参数优化

《利用isight动力总成悬置参数优化》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、利用iSIGHT动力总成悬置参数优化1悬置参数优化概述图1悬置参数优化流程图解耦优化涉及到动力总成悬置系统自由振动微分方程的建立、优化设计变量的选取、约束范围和目标函数的确定。对于发动机悬置系统来说,通常它的6个固有振型在多个自由度方向上是耦合的,在某个自由度方向进行激振就会产生耦合振动,这样使得共振频率的范围大大加宽,增大了共振的机会[3]。模态解耦方法是目前悬置参数设计运用较多的方法之一,其假设系统微幅振动(阻尼可以不考虑),通过合理配置刚度矩阵来实现系统的优化。常用的解耦方法有弹性中心法、

2、刚度矩阵解耦法、能量解耦法等。弹性中心法受到悬置布置位置的限制,而刚度矩阵法对于缺少对称面的动力总成结构应用不便,能量解耦方法则可以在原坐标系中进行解耦设计,基本脱离发动机类型和布置形式,解耦总指标在(0,1)范围内变化,使优化计算保持较好的稳定性。1.1动力总成悬置设计的总体原则对于动力总成悬置系统的设计而言，总体的设计思路是：对于存在较大激振力的自由度而言，在避免出现共振的基础上应使动力总成悬置在该方向的刚度小，以利于减振；对于没有激振力或激振力小的自由度而言，应使动力总成悬置在该方向的刚度

3、大，以利于支撑。按照振动理论，动力总成悬置通用的隔振原则是：1、悬置的布置应尽可能满足非耦合条件，力图使各自由度的振动互相分离。在此基础上，力图使外部激励频率和系统固有频率之比大于，使共振点处于实用频率之外，提高隔振效果；2、考虑到动力总成及其支撑车架都是弹性体，应力争将动力总成的悬置支撑在其弯曲振动的节点上，极力降低传递给车体的振动，改善高速行驶时的驾驶室室内噪声水平；3、动力总成的主要运动自由度是侧倾，悬置必须确保能够支撑动力总成的重量，并降低侧倾方向的刚度。在此前提下考虑悬置布置的倾斜角度

4、，使垂直和剪切方向的刚度得到优化；4、为了防止抖动（轮胎一阶振动模式引起的10～30Hz车体振动），提高舒适性，必须将悬置系统垂向固有频率设计得较簧下质量振动系统固有频率略高；5、悬置的静变形应在4mm左右，静变形过大将影响悬置元件的寿命，静变形过小意味悬置的刚度过大，不利于减振的需要；6、对于半阶和一阶激振频率都很大的发动机而言，侧倾模态应该在半阶频率和一阶频率之间；7、动力总成的刚体模态应尽量避开人体的最敏感范围；8、动力总成的横向刚度大，利于整车的操纵稳定性。以上列举的动力总成悬置系统隔振

5、原则，在进行确定性优化设计中可以作为设计目标和约束条件来对待。可以看出，不同的目标之间存在一定的冲突，不可能使所有的目标都得到满足，因此动力总成悬置的匹配过程实质上是各个指标的调和过程，这也是优化工作所要解决的主要任务。3确定性优化1．悬置系统共振频率范围的缩减当悬置软垫的静变形保持在一定范围内时，使整个系统的频率范围在一定空间内最小。2．悬置系统六向刚度解耦通过对悬置位置和刚度进行调配，当悬置软垫静变形和整个系统频率均保持在一定范围内时，对系统的六个模态进行最大可能的解耦。3．悬置系统两向解耦

6、、频率的重新调配通常我们追求六向解耦的目的是，为了获得如下优点：①便于振动计算和固有频率计算；②实施隔振措施后，若防振效果不佳，容易采取新的改进措施；③决定固有频率之后，如果发现还有新的导致振动问题的外力时，只要考虑单一的自由度就可以。但是，普通的六向解耦并没有考虑整个悬置系统频率的正确分配，如悬置系统的垂直振动频率应该设置的高一些。解耦只是一种手段，要想达到振动降低的目的，还需对整个系统的振动频率重新进行分配，尤其要关注的是侧倾和垂直两个方向的振动。表4－1列出了计算结果，从表中可以看出，频率

7、范围优化考虑的目标值最少。六向解耦中模态1代表侧倾模态、模态2代表垂直振动模态，侧倾模态和垂直模态十分接近，虽然在各自的共振频率处解耦很好，但是在稍微偏离共振点处难免存在很大的耦合。两向解耦调频强制对系统的模态进行调整，其中模态1仍然代表侧倾振动，但是垂直振动模态被调整到模态5。2.1优化算法选择这是一个多参数、多目标、非线性优化问题，存在多峰值问题，为了寻找到全局优化解，采用全局算法和局部算法联合求解。全局优化算法采用遗传算法，局部优化算法采用二次序列规划算法。2.1.1遗传算法遗传算法是一种

8、借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法，以遗传算法为核心的进化算法已与模糊系统理论、人工神经网络等一起成为计算智能研究中的热点，受到许多学科的共同关注。随着控制技术的发展，现代系统工程师面对实际的工程控制问题往往需要在多个可行方案中做出选择，许多控制系统的辩识建模和设计问题都可以归结为含噪声的多峰值空间内的多参数系统的优化问题。常规优化方法的成功应用更多地依赖于目标函数的“良好表现”，大多数需要计算梯度的优化算法只适合凸规划问题，而实际上对于较复杂的控制对象而言，这