基于多目标粒子群算法的麦弗逊悬架硬点坐标优化方法技术

本发明专利技术公开了一种基于内外层嵌套多目标粒子群算法的麦弗逊悬架硬点坐标优化方法，包括：1、建立麦弗逊悬架硬点坐标的多目标优化模型；2、利用内外层嵌套多目标粒子群算法求解多目标优化模型，得到多目标优化的Pareto解集前沿；3、通过对前轮各定位参数的变化范围进行加权处理，建立关于前轮定位参数变化范围的评价函数，从而依据评价函数从Pareto解集前沿中选出最优硬点坐标。本发明专利技术不仅可在悬架力学参数未变化时，有效减小前轮定位参数的变化范围，进而大幅提升汽车的操纵稳定性，而且在悬架力学参数发生变化时，仍可使汽车获得良好的操纵稳定性，从而有效保证悬架硬点坐标优化设计的鲁棒性。

Optimization method of Mcpherson suspension hard point coordinate based on nested multi objective particle swarm optimization algorithm

The invention discloses a Mcpherson suspension outer nested multi objective particle swarm optimization method based on hard point coordinates, including: 1, the establishment of multi-objective optimization model of Mcpherson suspension hard point coordinates; 2, the inner and outer layer nested multi-objective particle swarm algorithm for solving multi-objective optimization model by multi-objective optimization Pareto 3, the solution set of frontier; the change of the front wheel parameters are weighted, the establishment of evaluation on changes in the scope of the front wheel alignment function, according to the evaluation function from the Pareto set in the frontier of selected optimal hard point coordinates. The invention can not only in the suspension mechanical parameters change, effectively reduce the range of the front wheel alignment parameters, thus improving the handling stability of the vehicle and the change in the mechanical parameters of suspension, the automobile can still be obtained good handling and stability, so as to effectively guarantee the suspension hard point coordinates of the robustness of the design optimization.

【技术实现步骤摘要】
基于内外层嵌套多目标粒子群算法的麦弗逊悬架硬点坐标优化方法
本专利技术涉及一种基于内外层嵌套多目标粒子群算法的麦弗逊悬架硬点坐标优化方法，属于汽车被动悬架系统的几何参数优化

技术介绍
麦弗逊悬架是一种广泛应用于中小型轿车的被动悬架系统，其运动学特性对车辆操纵稳定性具有重要影响。麦弗逊悬架系统的前期开发过程中，往往先确定各零件的质量参数及弹簧、衬套、减震器、轮胎的力学参数，再布置悬架硬点的空间位置，从而使车轮在路面激励过程中定位参数的变化处于理想的范围内，减小轮胎磨损和滚动阻力，提高车辆直线行驶性能和转向操纵轻便性。Nasiri等以减小前束角、外倾角变化范围为目的，通过随机搜索法寻找约束的最优空间位置，提高了麦弗逊悬架系统的运动学特性；Yang等设计出一种基于元模型的自适应优化方法，通过优化麦弗逊悬架的硬点坐标，有效减小了前束角、外倾角、主销内倾角、主销后倾角的变化范围；Feng等基于多体动力学软件Adams，通过试验设计(DOE)方法优化麦弗逊悬架的几何参数，实现了减小前轮定位参数变化范围的效果；Mahmoodi-Kaleibar等运用遗传算法(GA)优化双叉臂悬架的几何参数，综合改善了车辆的操纵稳定性和平顺性。在汽车投入使用初期，弹簧刚度、轮胎径向刚度变化很小，采用上述方法确定的悬架几何参数可保证汽车的操纵稳定性。然而，随着汽车使用时间的增加，环境温度、汽车载荷的交替变化会使弹簧刚度、轮胎径向刚度发生改变，导致轮跳时车轮前束角、车轮外倾角、主销内倾角、主销后倾角的变化范围大幅增加，从而恶化汽车性能。
技术实现思路
本专利技术为克服现有技术的不足之处，提供一种基于内外层嵌套多目标粒子群算法的麦弗逊悬架硬点坐标优化方法，以期不仅能在悬架力学参数未变化时有效减小前轮定位参数的变化范围，而且在悬架力学参数发生变化时仍可使汽车获得良好的操纵稳定性，从而有效保证悬架硬点坐标优化设计的鲁棒性。为达到上述目的，本专利技术采用如下技术方案：本专利技术基于内外层嵌套多目标粒子群算法的麦弗逊悬架硬点坐标优化方法的特点是按如下步骤进行：步骤1、建立麦弗逊悬架硬点坐标的多目标优化模型；步骤1.1、根据麦弗逊悬架系统的数据，建立麦弗逊悬架系统的动力学模型；步骤1.2、对所述动力学模型进行灵敏度分析，进而确定所述多目标优化的设计变量及不确定变量；步骤1.3、对所述动力学模型中的前轮各定位参数分别进行DOE试验，获得在车轮跳动时前轮各定位参数绝对值最大值的仿真数据；所述前轮各定位参数为前束角、外倾角、主销内倾角、主销后倾角；步骤1.4、基于所述仿真数据，运用支持向量回归方法建立前轮各定位参数绝对值最大值的SVR数学模型；步骤1.5、采用区间分析方法分析所述不确定变量对悬架运动学特性的影响，从而建立如式(1)所示的面向车辆操纵稳定性的麦弗逊悬架硬点坐标的多目标优化模型；式(1)中，xi为设计变量，为xi变化范围的最小值，为xi变化范围的最大值，D为设计变量的维度，X＝[x1,x2,...,xD]T为设计向量，F1(X)为区间的评价函数，并有：式(2)中，为区间的中点；为区间的半径；α1、β1为加权系数；φ1、分别为与大致相同的值；式(1)中，F2(X)为区间的评价函数，并有：式(3)中，为区间的中点；为区间的半径；α2、β2为加权系数；φ2、分别为与大致相同的值；步骤2、利用所述内外层嵌套多目标粒子群算法求解所述多目标优化模型，得到多目标优化的Pareto解集前沿；步骤3、通过对所述前轮各定位参数的变化范围进行加权，建立关于前轮定位参数变化范围的评价函数，从而根据所述评价函数从所述Pareto解集前沿中选出最优的悬架硬点坐标。本专利技术所述的麦弗逊悬架硬点坐标优化方法的特点也在于，所述步骤2是按如下步骤进行：步骤2.1、设置外层多目标粒子群算法的初始参数：外层迭代次数为m，外层种群粒子个数为M，硬点坐标维度为D、硬点坐标的搜索范围为SD、惯性权重系数为W、学习因子为C1和C2；步骤2.2、定义M个硬点坐标粒子为X＝[X1,X2,...,Xi,...,XM]，Xi表示第i个硬点坐标粒子，1≤i≤M；初始化第i个硬点坐标粒子Xi的速度Vi和位置Pi；并初始化m＝1；步骤2.3、在所述硬点坐标的搜索范围SD内随机生成第m代外层种群为表示第m代外层种群的第i个硬点坐标粒子；步骤2.4、设置内层多目标粒子群算法的初始参数：内层迭代次数为n，内层种群粒子个数为N，内层最大迭代次数为Tmax，不确定变量维度为d、不确定变量的搜索范围为sd、惯性权重系数为ω，学习因子为c1和c2；步骤2.5、定义N个不确定变量粒子为U＝[U1,U2,...,Ut,...,UN]，Ut表示第t个不确定变量粒子，1≤t≤N；初始化第t个不确定变量粒子Ut的速度vt和位置pt、并初始化n＝1；步骤2.6、在所述不确定变量的搜索范围sd内随机生成第n代内层种群为表示第n代内层种群的第t个不确定变量粒子；步骤2.7、初始化i＝1；步骤2.8、将第m代外层种群的第i个硬点坐标粒子输入所述内层多目标粒子群算法，用于计算步骤2.10中的内层适应度函数；步骤2.9、初始化t＝1；步骤2.10、利用所述第i个硬点坐标粒子与所述第t个不确定变量粒子计算内层多目标粒子群算法的内层适应度函数；所述内层适应度函数包括：所述前束角、外倾角的SVR数学模型的关系函数所述主销内倾角、主销后倾角的SVR数学模型的关系函数步骤2.11、将t+1赋值给t，并判断t＞N是否成立，若成立，则执行步骤2.12；否则，返回步骤2.10执行；步骤2.12、将n+1赋值给n，判断n＞Tmax是否成立，若成立，则表示获得共Tmax代内层多目标粒子群算法的N个不确定变量粒子的内层适应度函数值，并执行步骤2.14；否则，执行步骤2.13；步骤2.13、根据所述惯性权重系数ω、学习因子c1和c2，更新第n代内层种群的第t个不确定变量粒子的速度和位置从而得到第n代内层种群U(n)；并返回步骤2.9执行；步骤2.14、从所述N个不确定变量粒子的内层适应度函数值中选取所述前束角、外倾角的最大值和最小值，从所述N个不确定变量粒子的内层适应度函数值中选取所述主销内倾角、主销后倾角的最大值和最小值，并分别构成取值区间和输出至外层多目标粒子群算法；步骤2.15、利用式(4)和式(5)计算第i个硬点坐标粒子的外层多目标粒子群算法的外层适应度函数和步骤2.16、将i+1赋值给i，并判断i＞M是否成立，若成立，则执行步骤2.17；否则，返回步骤2.8执行；步骤2.17、将m+1赋值给m，并判断外层多目标粒子群算法是否满足收敛条件，若满足，则输出Pareto解集前沿；否则，执行步骤2.18；步骤2.18、根据所述惯性权重系数W、学习因子C1和C2；更新第m代外层种群第i个硬点坐标粒子的速度和位置从而得到第m代外层种群X(m)，并返回步骤2.7执行。与现有技术相比，本专利技术的有益效果在于：1、本专利技术采用支持向量回归(SVR)构建前轮定位参数绝对值最大值与设计变量、不确定变量之间的关系模型，相对于克里格法(Kriging)和响应面法(RSM)等传统拟合方法，SVR不仅具有良好的泛化能力，而且有效解决了维数灾难问题。2、本专利技术通过建立关于前轮定位参数变本文档来自技高网...

【技术保护点】
基于内外层嵌套多目标粒子群算法的麦弗逊悬架硬点坐标优化方法，其特征是按如下步骤进行：步骤1、建立麦弗逊悬架硬点坐标的多目标优化模型；步骤1.1、根据麦弗逊悬架系统的数据，建立麦弗逊悬架系统的动力学模型；步骤1.2、对所述动力学模型进行灵敏度分析，进而确定所述多目标优化的设计变量及不确定变量；步骤1.3、对所述动力学模型中的前轮各定位参数分别进行DOE试验，获得在车轮跳动时前轮各定位参数绝对值最大值的仿真数据；所述前轮各定位参数为前束角、外倾角、主销内倾角、主销后倾角；步骤1.4、基于所述仿真数据，运用支持向量回归方法建立前轮各定位参数绝对值最大值的SVR数学模型；步骤1.5、采用区间分析方法分析所述不确定变量对悬架运动学特性的影响，从而建立如式(1)所示的面向车辆操纵稳定性的麦弗逊悬架硬点坐标的多目标优化模型；

【技术特征摘要】
1.基于内外层嵌套多目标粒子群算法的麦弗逊悬架硬点坐标优化方法，其特征是按如下步骤进行：步骤1、建立麦弗逊悬架硬点坐标的多目标优化模型；步骤1.1、根据麦弗逊悬架系统的数据，建立麦弗逊悬架系统的动力学模型；步骤1.2、对所述动力学模型进行灵敏度分析，进而确定所述多目标优化的设计变量及不确定变量；步骤1.3、对所述动力学模型中的前轮各定位参数分别进行DOE试验，获得在车轮跳动时前轮各定位参数绝对值最大值的仿真数据；所述前轮各定位参数为前束角、外倾角、主销内倾角、主销后倾角；步骤1.4、基于所述仿真数据，运用支持向量回归方法建立前轮各定位参数绝对值最大值的SVR数学模型；步骤1.5、采用区间分析方法分析所述不确定变量对悬架运动学特性的影响，从而建立如式(1)所示的面向车辆操纵稳定性的麦弗逊悬架硬点坐标的多目标优化模型；式(1)中，xi为设计变量，为xi变化范围的最小值，为xi变化范围的最大值，D为设计变量的维度，X＝[x1,x2,...,xD]T为设计向量，F1(X)为区间f1I(X)的评价函数，并有：式(2)中，f1C(X)为区间f1I(X)的中点；f1W(X)为区间f1I(X)的半径；α1、β1为加权系数；φ1、分别为与f1C(X)、f1W(X)大致相同的值；式(1)中，F2(X)为区间的评价函数，并有：式(3)中，为区间的中点；为区间的半径；α2、β2为加权系数；φ2、分别为与大致相同的值；步骤2、利用所述内外层嵌套多目标粒子群算法求解所述多目标优化模型，得到多目标优化的Pareto解集前沿；步骤3、通过对所述前轮各定位参数的变化范围进行加权，建立关于前轮定位参数变化范围的评价函数，从而根据所述评价函数从所述Pareto解集前沿中选出最优的悬架硬点坐标。2.根据权利要求1所述的麦弗逊悬架硬点坐标优化方法，其特征是，所述步骤2是按如下步骤进行：步骤2.1、设置外层多目标粒子群算法的初始参数：外层迭代次数为m，外层种群粒子个数为M，硬点坐标维度为D、硬点坐标的搜索范围为SD、惯性权重系数为W、学习因子为C1和C2；步骤2.2、定义M个硬点坐标粒子为X＝[X1,X2,...,Xi,...,XM]，Xi表示第i个硬点坐标粒子，1≤i≤M；初始化第i个硬点坐标粒子Xi的速度Vi和位置Pi；并初始化m＝1；步骤2.3、在所述硬点坐标的搜索范围SD内随机生成第m代外层种群为表...

【专利技术属性】
技术研发人员：石琴，彭成旺，陈一锴，张军，程锦宝，丁建勋，董满生，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34