基于径向基神经网络的尾门优化研究

0引言

尾门是汽车的重要零部件之-,应满足下垂性能、刚强度、模态及耐久等性能,此外,汽车尾门轻量化有利于提升汽车燃油经济性、续航里程及降低材料成本,因此,对尾门结构进行优化设计实现轻量化显得十分重要。李军等人^[1]基于试验设计和径向基神经网络(RBF)模型的强大拟合能力,构建了车门质量、-阶模态频率、二阶模态频率、上扭转刚度、下扭转刚度、侧向弯曲刚度以及下沉刚度响应的近似模型,并在此基础上,通过多目标遗传算法在满足车门性能的条件下对车门的料厚进行优化,实现车门轻量化。秦训鹏等人^[2]应用灵敏度分析方法和响应面法,通过对车门料厚的优化实现了车门模态和白车身模态分离,同时实现减重5.83%。刘锋等人^[3] 以车门部件的厚度作为设计参数,建立了设计参数和车门模态性能的响应面模型,然后基于遗传算法和近似模型对车门在保证模态性能的条件下进行轻量化优化,成功实现了车门质量的减轻。

现有优化研究主要集中于刚度和模态等线性分析,而且优化参量以料厚为主。针对汽车尾门下垂及残余变形的非线性分析,优化难度更大。本文提出了-种将网格变形技术、径向基神经网络、遗传优化算法相结合的优化方法,可以实现尾门各种结构参数及料厚同时优化,实现车门的最优化设计。下文首先介绍了径向基神经网络的基本原理,然后介绍了车门下垂性能分析方法,紧接着基于遗传算法和神经网络对车门进行优化,最后对优化后的结果进行了验证。

1尾门有限元仿真分析

1.1 车门有限元建模

尾门总成如图1所示,由冲压而成的钣金件通过焊接、胶接、包边装配而成,其长度或宽度方向的尺寸远大于厚度方向的尺寸,符合壳单元的理论假设,因此尾门建模采用壳单元有限元建模^[4],网格大小为8 mm,并将单元质量参数如长宽比、翘曲度等控制在合理范围内。钣金件由壳单元进行网格划分来实现结构离散化处理,即选用四边形网格单元和三角形单元进行网格划分,并控制三角形单元的网格数量小于整个车门有限元模型网格数量的10%。焊点采用beam单元进行模拟。备胎通过质量配重来模拟,内饰质量也通过配重来模拟。车门钣金的材料为钢材,弹性模量为2.1 × 10⁵ Mpa,泊松比为0.3,密度为7.9 ×10^-9kg/mm³,车门总重量为27.1 kg。

1.2尾门下垂下坠分析

由于本文所研究的车型尾门带备胎,备胎重量达35 kg。尾门在客户耐久使用过程中的下垂耐久是最关键的性能指标之-,本文首先针对下垂耐久工况进行优化设计研究,然后再对其他性能进行验证评估。下垂工况的载荷边界条件定义如下:车门铰链车身端安装点全约束,车门锁扣处约束车门转动方向的切向自由度。完成约束定义后,尾门的载荷施加及求解方法如下:1)重力场施加;2)在车门锁扣处施加垂直向下的载荷1 000 N,求解尾门锁扣处的最大垂向位移量;3)对施加在锁扣处的载荷进行卸载,求解尾门锁扣处加载点的残余位移量。优化前,车门在外载荷作用下和卸载后的锁扣位移如图2(a)、图2(b)所示。加载工况下的位移量大于目标值21mm,而卸载工况的位移大于目标值1 mm,性能不满足要求,需要进一步优化。

2基于RBF的车门结构优化

2.1 车门结构参数化前处理

首先将尾门所有零件的料厚进行参数化,包括尾门横向加强板料厚Tl、尾门内部本体料厚T2、铰链加强板的料厚T3、备胎加强板的料厚T4、尾门下加强板的料厚T5、锁扣加强板的料厚T6、车门的外板料厚T7、尾门备胎支架料厚T8。基于有限元软件的网格变形功能,对铰链跨距的尺寸进行参数化,设计变量为d;尾门玻璃框上梁的截面参数定义为设计变量s;尾 门焊接工艺过孔的尺寸定义为设计变量L。

2.2基于试验设计的RBF神经网络训练

最常见的基于空间填充的试验设计方法有优化拉丁超立方和均匀设计法。优化拉丁超立方试验设计方法不仅可以保证设计变量在投影上的均匀性,还可以保证设计变量在空间上的均匀性^[5]。因此采用优化拉丁超立方试验设计方法,按表1中11个设计变量的范围,生成300组不同参数组合的试验设计矩阵。Isight通过300次调用有限元前处理软件ANSA,基于每一个试验设计样本点生成不同结构参数的有限元模型,然后自动提交ABAQUS进行非线性计算,最后自动化读取锁扣安装点在不同试验设计样本点状态下不同求解工况的位移。

将上述试验所得到的各设计变量不同水平下得到的响应,即车门在外载荷作用下锁扣安装点处的位移、车门卸载工况下锁扣安装点的残余位移作为神经网络的输出,而对应的各个设计变量作为神经网络的输入,应用RBF径向基神经网络拟合出近似模型。

为了提升训练效果,首先将网络学习样本数据归一化到[—1,1],再输入神经网络进行训练。选取30个样本点进行交叉验证,30个响应量的RBF模型的决定系数(R²)均大于0.95,均方差(MSE)均小于0.1,如表2所示,证明了径向基神经网络模型精度达到了较高水平,可用于下一步的优化设计。

2.3基于RBF的尾门优化与结果

采用Isight软件内置遗传优化算法^[6]对径向基神经网络模型进行优化求解,种群规模设置为500,变异率设为0.01,最小迭代次数设为50,迭代次数上限设为250。最终优化方案的设计变量取值如表3所示,优化后总质量为26.1 kg,比优化前减少了1.0 kg。

优化后在加载工况及卸载工况下的位移如图3所示。

3 结论

针对某一在研汽车尾门受载大,下垂及残余变形性能非线性分析优化难度大,本文提出了一种将网格变形技术、径向基神经网络、遗传优化算法相结合的优化方法,来对尾门各种结构参数及料厚同时优化,实现车门的最优化设计。经过优化,尾门的下垂下坠性能满足要求,同时减重1.0 kg,实现了结构轻量化。从优化结果判断,铰链跨度对尾门下垂性能影响较大,铰链处的加强板对下垂性能影响较大。优化结果表明,该方法对汽车尾门结构优化具有较大的工程实用价值。

[参考文献]

[1]李军,冷川.基于RBF神经网络模型的车门多 目标轻量化设计[J].重庆交通大学学报 (自然科学版),2019,38(11):127-132.

[2]秦训鹏,冯佳伟,王永亮,等.基于响应面方法的微型车车门模态分析与优化[J].中国机械工程,2017,28 (14):1690-1695.

[3]刘锋,张瑞乾,陈勇.基于改进遗传算法的车门优化分析[J].机械设计与制造,2023(12):41-44.

[4]张智超,高太元,张磊,等.基于径向基神经网络的气动热预测代理模型[J].航空学报,2021,42(4):303-312.

[5] 陈浩然,项忠珂,程文明,等.基于响应面和遗传算法的C型梁确定性多 目标轻量化设计[J].机械强度,2021,43(3):636-642.

[6]薛明,韦波,杨禄,等.GA-PS0优化BP神经网络的遥感影像分类方法[J].遥感信息,2020,35(3):110-116.

2024年第20期第16篇