基于近似模型的全局优化策略在白车身轻量化优化中的应用研究.docxVIP

基于近似模型的全局优化策略

在白车身轻量化优化中的应用研究

王磊1刘莹1乔鑫1赖宇阳2张伟

3

（1.华晨汽车研究院2.北京树优信息技术有限公司3.Dassault/Simulia）

摘要

本文以某轿车白车身为优化对象，采用Isight优化平台集成白车身刚度、模态两个学科的仿真流程，并通过

基于近似模型的全局优化策略，获得合理的白车身各钣金件料厚组合方案，实现白车身轻量化设计目标。通过优化

拉丁方试验设计构造样本点，近似模型采用RBF神经网络构造，全局优化算法为Pointer。结果表明，该优化策略

能够显著提高白车身轻量化设计优化的效率，获得全局优化结果，减重达8%。

关键词优化，白车身，轻量化，Isight，近似模型，试验设计，全局优化

1.引言

随着国内汽车研发水平的提升，优化设计已经逐步应用到整车开发过程当中。但众多优化设计

方法如何在工程中合理的应用并没有一个明确的结论。本文重点研究Isight中基于近似模型的全局

优化策略在白车身轻量化设计中的应用和效果，总结了Isight集成刚度和模态仿真流程和模态追踪

处理中的工程实践经验，对汽车开发中的优化应用具有有一定指导意义。

2.基于近似模型的全局优化策略

基于近似模型的全局优化策略具体步骤如下（图1）：

1．通过优化拉丁方试验设计在初始设计点周围的设计空间进行抽样

2．基于试验设计样本点建立局部近似模型；

3．在局部近似模型上通过Pointer全局优化算法进行第一次优化子循环，获得近似模型局部最

优解；

4．将近似模型上的局部最优解代入集成的求解器模块进行验证；

5．在验证后的最优解周围设计空间再次建立新的局部近似模型；

6．在局部近似模型上通过参数优化模块进行第二次优化子循环，进一步获得近似模型最优

解；

7．将新的近似模型最优解带入集成求解器模块进行验证；

8．返回第4步进行新的循环，直到获得满足设计目标的最优解

基于近似模型的全局优化策略具有如下优点：

1.提高优化效率：

9通过减少计算机高强度CAE仿真计算的次数节省优化总时间

2.提高优化算法性能：

9通过平滑响应函数，为“噪声”计算工具改善收敛状况

9减少优化算法困在局部解的机会，使优化算法有更大的机会找到全局解

图2基于近似模型的全局优化策略

2.应用实例

2.1白车身优化问题描述

使用Isight软件作为优化平台，以料厚作为优化参数，对中华系列的某款轿车（如图2）进行

车身轻量化设计。在车身弯曲、扭转刚度以及模态等性能指标均达到目标值的情况下，尽量降低车

身质量。

图2白车身模型

车身的质量可描述为各部件料厚的函数：

车身的弯曲、扭转刚度及模态等也可表示为料厚的函数：

以为约束条件，以为目标进行优化。

其中为各部件料厚，为车身质量，分别为车身的弯曲、扭转刚度值和模态

值，为其对应的各目标值。

2.2试验设计和近似模型生成

由于初步估算优化需要1000次以上的搜索迭代，所以首先需要对弯曲刚度、扭转刚度、模态

频率分别进行试验设计和敏感度分析（如图2）。样本的生成方法使用离散变量和OptimalLatin

Hypercube优化超拉丁方法；近似模型的生成方法使用径向基神经网络法或响应面法，二者得到的

近似模型精度相似，但响应面法的速度稍高于径向基神经网络法。

图2试验设计流程

使用多个近似模型同时进行单目标优化。如图3：

图3基于近似模型优化流程

对于每一种性能的计算，均只选取料厚作为设计变量，且所选件号与变量的许用取值范围相同，

使用一致的样本空间用于生成相应的近似模型，如图4：

图4设计变量离散取值范围

2.3模态自动识别

由于料厚参数改变后，车身弯扭模态出现的阶次可能会改变，为准确的使其与性能指标相吻合，

避免局部模态的干扰，需加入模态追踪脚本，识别出真实的弯扭模态，效果如图5所示：

图5模态自动识别脚本

2.4全局优化

基于RBF径向基神经网络近似模型之后进行基于Pointer进行全局优化，以节约计算时间。

Pointer（PointerAutomaticOptimizer）是Isight提供的全局优化算法，它根据优化问题的特点自动组

合四种标准优化算法形成一个最优的策略，具有很好的全局搜索能力和较强的鲁棒性，其简洁的输

入界面降低了工程师使用优化算法的门槛。Pointer包含的四种优化算法是：遗传算法、NLPQL序

列二次规划法、Nelder-MeadDownhillSimplex下山单纯型法和线性搜索法。

经过优化后，车身的刚度及模态值均可满足性能指标，且没有过多的冗余，质量由323kg减少

到296kg，降低了8.36%。

3.总结

本