基于粒子群算法的汽车动力传动参数优化设计

引言

在汽车设计过程中,车辆的基本组成部分如发动机、变速箱、主减速器等各种总成均有多种品牌及系列可供选择,因此需要考虑如何从众多的可行性匹配方案中选择最合适的设计方案。传统方法是将所有的匹配方案评价指标分别进行计算,然后使用专家经验挑选出最优方案,此种方法费时费力,而且受人为影响因素较大,正在逐渐被取代。

针对车辆最优设计方案的选择,国内外学者进行了相关研究:文献通过建立动力传递模型,对车辆标准工况下的燃油和功率进行分析,得到最佳工作点:文献通过建立动力传动模型,分析各参数对整车燃油经济性的影响:文献通过对比分析发动机的常用工作区间与经济性最优区间的相对位置,对汽车动力系统的最优工作位置进行优化。

本文基于汽车动力传动系数优化设计的思路,以汽车动力传动系统匹配的综合指标,利用粒子群算法进行优化方案的求解,以获得最佳的优化设计方案。

1动力传动参数的优化建模

汽车的动力性是指在路况良好的路面上,汽车进行直线行驶时受到纵向外力,由此外力牵引所能达到的平均行驶速度。汽车的燃油经济性是指在满足汽车动力性基础上,以尽量少的燃油消耗量行驶的能力。

从内燃机理论可知,汽车的动力性与燃油经济性指标是相互矛盾的。从汽车的使用角度分析,既无法脱离汽车的动力性而单纯追求燃油经济性,又无法摆脱汽车的燃油经济性单纯追求动力性,因此优化设计的最优设计方案是在汽车的动力性与燃料经济性之间进行均衡,从而获得最佳的匹配方案。

汽车能量利用率是一个综合性指标,是指汽车内燃机燃料的化学能转化为汽车有用功的效率,因此可作为汽车动力传动系统匹配组合方案评价的指标。

优化模型的设计变量选为:X=[XlX2X3X4X5X0]7,其中X为变速器的传动比。

1.1目标函数

目标函数为:

式中,Al为动力性发挥程度加权因子:A2为燃油经济性加权因子:fl（x）为动力性目标函数:f2（x）为燃油经济性目标函数。

1.2动力性目标函数

式中,u为速度值:6变速器传动比:Ft、Ff和Fw分别表示汽车的驱动力、滚动阻力、空气阻力:m为整车质量。

1.3燃油经济性目标函数

在速度ua下行驶一定距离的耗油量为:

式中,p为燃油重度,一般取7.0N/L:K为加权系数:ua为行驶车速:Pe为发动机功率:ne为发动机转速:ge发动机燃油消耗率。

2粒子群算法

粒子群优化算法（Particleswarm0ptimization,Ps0）最早是由Kennedy和Eberhart在20世纪90年代提出的,起源于对鸟类捕食行为的研究。

算法中的每个粒子都代表当前所求问题的一个潜在解,并且每个粒子对应一个适应度值。算法中的每个粒子速度决定了其自身的移动距离与方向,同时粒子速度也随着自身及其他粒子的移动结果进行动态调整,进而实现全空间寻优。假定空间维度为D,空间中有n个粒子组成的粒子群X=（Xl,X2,X3,…,Xn）,其中D维空间的第i个向量表示为Xi=[xil,xi2,xi3,…,xiD]7,表示此粒子在空间中的某个位置,即所求目标函数的一个潜在解。

Ps0算法首先在全局解空间中初始化粒子群,粒子在解空间中运动,通过对个体极值和群体极值的分析来更新粒子。个体极值是指每个粒子所经历位置中计算得到的适应度值最优位置:群体极值是指粒子群中所有粒子搜索到的适应度值最优位置。更新公式如下:

式中,v表示粒子速度:X=（Xl,X2,X3,…,Xn）为D维空间n个粒子组成的种群,分别代表粒子当前位置:.为惯性权重:d=l,2,…,D:i=l,2,…,n表示粒子编号:k为当前迭代次数:Pid为个体极值:Pgd为全局极值:cl和c2为非负常数,称为加速度因子:rl和r2为介于[0,l]的随机数。

3仿真结果及分析

为了寻求汽车燃油经济性与动力性的平衡关系,需要根据不同的传动比进行设置,获得最终的结果,为此选用的汽车参数分别为:整备质量l092kg,最大马力63.2lkw（86Ps）,最高车速l74km/h。

当Ps0在全局搜索最优解时,目标函数根据自身要求以及约束函数需要进行相应的参数优化及均衡,从而进一步适应算法求解的需要。目标函数值的变化曲线如图1所示。

图1目标函数变化曲线

通过图l可知,目标函数随着Ps0算法的不断迭代,其值也在不断变化,虽然迭代过程中目标函数值经历不同程度的震荡,但是总体趋势是逐渐减小的,并且最终趋于一个最小值。通过仿真可知,目标函数的最小值为F8578F10,与上图吻合。

4结语

本文在分析汽车动力性与燃油经济性的基础上,以两者的综合评价为指标,利用粒子群算法对综合评价函数进行优化求解。首先以驱动功率损失率为动力性能评价指标进行动力性分析:然后以有效效率利用率为指标评价燃油经济性:最后以汽车能量利用率为指标进行汽车动力传动系统匹配分析,提出了现代汽车的动力传动系统参数优化设计方法。