基于RSM与RBF的车身多目标轻量化应用研究.docxVIP

基于RSM与RBF的车身多目标轻量化应用研究

周挺,刘莹,乔鑫

华晨汽车工程研究院

摘要:本文以某自主品牌SUV白车身为研究对象，通过Isight为优化平台，搭建了白车身模态、弯曲刚度与扭转刚度的多目标轻量化优化的仿真分析模型。通过优化超拉丁方法设计试验，响应面法（RSM）和径向基神经网络（RBF）分别进行近似模型的计算，最后以Pointer

方法全局优化。在保证精度的条件下，降低计算成本。在保证性能的前提下，减重6.11kg。

关键词:Isight；优化拉丁超立方；响应面模型；径向基神经网络

1.引言

随着世界各国节能减排方面的法规与标准日益严格，各大汽车企业对于汽车的轻量化发

展越发重视，而白车身轻量化就是其中重要的一环。轻量化的车身既能减少材料的消耗又降

低了油耗成本与排放污染，因此在满足要求的条件下，车身减重有着十分重要的意义。

目前基于Isight进行白车身多目标轻量化的优化方法已经应用于整车开发当中，但是在应用中如何设计实验样本数量，如何选取近似模型计算方法等还没有明确的结论，本文重点研究了在轻量化计算过程中，如何选取实验样本数量与近似模型的选取等方面，对白车身轻

量化方法应用具有一定的指导意义。

2.应用实例

2.1优化仿真过程描述

针对某自主SUV白车身（如图1）进行轻量化设计，以Isight软件作为优化平台，通过料厚的改变，达到在白车身的弯曲、扭转刚度及模态都满足要求的同时，降低车的重量。

图1.某SUV白车身.

2018SIMULIA中国区用户大会1

车身的质量表示为各料厚变量的函数：

F(x)=f(x1,x2…x?)（1）

车身弯曲、扭转刚度与模态表示为料厚变量的函数：

g?(x)=g?(x1,x2…x?)（2）

以g?(x)≥n?为约束条件，以minf（x）为目标进行优化。

其中x1,x2…x?为各部件料厚，f（x）为车身质量，g?(x)分别为车身弯曲、扭转刚度值

和模态值，n?为其对应的各目标值。

2.2实验设计

首先对白车身的模态、弯曲刚度与扭转刚度分别设计试验，如图2为弯曲刚度的实验设计。

图2.弯曲刚度的实验设计.

在模态的计算过程中，为避免由于料厚改变而造成局部模态的干扰，加入模态追踪脚本，

进而保证模态选取的准确性与一致性。

试验样本的选取使用OptimalLatinHypercubeDesign（优化拉丁超立方）进行选取，该方法使试验点尽量均匀的分布在设计空间，使因子和响应的拟合更加精确真实。样本数量选取分别为2n+1、n*（n-1）/2、n*（n+1）/2等三种经验设计个数（n为料厚变量个数）。本

实例选取了11个料厚变量，因此样本数量分别为23、55、66。

弯曲刚度与扭转刚度使用模态实验设计中的料厚样本，保持同样本数量的数据一致性。

2.3近似模型与全局优化

将三种性能计算得到的结果放入同一表格中进行近似模型的生成并计算。如图3为基于近似模型的优化计算。

图3.基于近似模型的优化计算.

2018SIMULIA中国区用户大会2

近似模型的生成方法分别使用响应面模型（RSM）与径向基神经网络（RBF）进行计算，响应面模型利用多项式函数拟合设计空间，可以拟合复杂的响应关系，径向基神经网络具有逼近复杂非线性函数的能力，本实例将分别计算验证其对于本优化的精确性。

全局优化选用Pointer算法，它是由Isight提供的集成了四种优化算法（线性单纯法、序列二次规划法、最速下降法和遗传算法）的最优的优化策略，其将根据优化问题的不同自动组合算法，为工程师带来极大方便。

3.结果分析及结论

3.1计算结果

经过计算，在满足性能要求的同时，通过11个变量的料厚增减，重量降低6.11Kg。优

化前后的质量与性能如表1所示。

表1.优化前后质量与性能.

优化前优化后

质量(kg)409.08402.97

模态(Hz)36.336.3

弯曲刚度(N/mm)2347923263

扭转刚度(N/mm)2456024132

中通道刚度（N/mm）51955092

3.2误差对比分析

三种样本数量与两种近似模型方法分别组合进行优化计算，得到了同一优化方案，将所

得优化方案带入CAE模型中，得到各性能值，通过计算得出三种样本数量基于RBF与RSM

的计算结果误差，如表2、3、4所示。

表2.23个样本基于RBF与RSM下的误差.

RSMRBF

质量误差（%）-4.5E-058.3E-06

模态误差（%）0.000370.0022

弯曲刚度误差（%）0.4