【技术实现步骤摘要】
本专利技术属于车辆设计领域，具体涉及一种基于单网络混合优化算法的电池包框架轻量化设计方法、系统及其装置。
技术介绍
1、电动汽车作为新能源汽车中的典型代表，具有零排放、效率高等突出优点，已逐渐成为各大汽车制造商未来车型的主要发展方向。电动汽车的续航里程一直是市场关注的重点之一，采用高比能量的电池系统和轻量化车身和组件结构无疑是提高车辆续航里程最有效且直接的方式。在新能源汽车中，电池箱是最主要的动力来源，同时也为众多的电动辅助系统提供能量，因此，电池箱的可靠性、耐久性、安全性和工作效率指标直接关系到车辆的动力性能。设计电池箱结构的时候往往以挤压、振动、冲击性能指标为主要的开发依据，其中以电池箱的振动疲劳性能为最严苛的性能指标，其模态的性能直接影响到振动疲劳性能，因此，在电池包优化的过程中，模态优化极为重要。为了减少环境污染，节约不可再生能源，促进全球可持续发展。
2、另外，在车身结构已经极大优化的基础上，提升电动汽车的续航能力主要有两种途径：一是提高单体电芯质量的能量密度，二是对电池包壳体进行轻量化设计。在目前电池能量密度提高较困难、电池成本居高不下的情况下，电池系统的轻量化正成为车辆轻量化设计和电池能量密度提升的一个新的研究方向。实现电池系统轻量化一般有三种方式；1、提高单体电芯能量密度，2、减轻电池系统配件质量，3、优化电池系统设计。现有的电池箱体大多采用铝合金制备的电池包骨架，其存在体积大、材料厚、重量高的缺陷，严重制约着动力电池组能量密度的提升。对电池包壳体进行轻量化设计来减轻整车重量并提升整车性能显得十分必要
技术实现思路
1、为了解决厚重的电池包框架制约了电动汽车的电池能量密度以及续航性能提升的问题，本专利技术提供一种基于单网络混合优化算法的电池包框架轻量化设计方法、系统及其装置。
2、本专利技术采用以下技术方案实现：
3、一种基于单网络混合优化算法的电池包框架轻量化设计方法，其包括如下步骤：
4、s1：采用任意一种三维建模软件建立待优化的电池包框架的三维模型。
5、s2：设置属性参数，并采用任意一种有限元分析软件根据三维模型创建对应的有限元模型。有限元模型用于对电池包框架进行载荷分析。
6、s3：将电池包中的多个结构参数作为设计变量x：x＝{x1，x2，…，xp}，选定的关键属性参数作为不确定变量u：u＝{u1，u2，…，uq}。确定设计变量x的设计空间ωn和不确定变量u的取值范围ui。
7、s4：通过最优拉丁超立方试验设计方法在设计空间ωn中生成均匀分布的设计变量x的样本点，再结合不确定变量u通过有限元模型仿真生成对应的电池包框架的质量f、模态频率g1和结构强度g2；最后将每组相互关联的x、u、f、g1和g2作为样本数据，构成样本数据集。
8、s5：利用样本数据集训练一个bp_ann模型，得到一个可以根据输入的设计变量x和不确定变量u输出对应的目标函数值f以及约束函数值g1和g2的神经网络。
9、s6：基于设计变量x的设计空间ωn和不确定变量u的取值范围，将电池包框架的质量f作为优化目标，模态频率g1和结构强度g2的范围作为约束，构建一个表征当前电池包框架轻量化问题的多目标优化模型。
10、s7：采用罚函数法处理约束，将多目标优化模型转换如下的以罚函数fp(x)表示的无约束单目标优化模型：
11、
12、x∈ωn
13、上式中，fc和fw为目标函数f的中点和半径；ω为权重系数，σ为罚因子，ξ表示为保证fc(x)+ξ和fw(x)+ξ项非负的参数；φ和ψ为多目标函数的正则化因子；表示约束函数的区间满足约束阈值bi的概率；λi表示预先给定的可能度水平，0≤λi≤1；表示罚函数。
14、s8：利用基于ip_ga的双嵌套优化算法对无约束单目标优化模型进行求解，根据寻优结果确定最优设计变量。
15、其中，双嵌套优化算法的寻优策略如下：
16、(1)选择ip_ga算法作为迭代所需的群体优化算法，并以ip_ga算法为基础构建包含内层和外层的双嵌套优化算法。
17、(2)将设计变量和不确定变量的取值编码为种群中的设计向量个体和不确定向量个体。
18、(3)利用双嵌套优化算法的内层实现在不确定域内对不确定向量个体进行内循环迭代，并调用神经网络生成个体对应的质量f、模态频率g1或结构强度g2，进而在迭代结束后生成每个不确定向量个体对应的不确定目标函数的区间和不确定约束函数的区间。
19、(4)利用双嵌套优化算法的外层实现在设计空间中对设计向量个体进行内循环迭代，并以罚函数fp(x)为适应度函数计算每个设计向量个体的适应度值，并在迭代结束后输出最优设计变量。
20、作为本专利技术进一步的改进，步骤s1中步骤s1中采用autocad、catia、solidworks、pro/engineer、cimatron、3ds max、formz、unigraphicsnx中的任意一种完成电池包框架的三维建模。步骤s2中，采用hypermesh、ansa、turbogrid或patran创建用于进行载荷分析的有限元模型。
21、作为本专利技术进一步的改进，步骤s3中，设计变量x中的结构参数包括选定的任意一处或多处关键构件或组合体的长度、宽度、高度、厚度、弧形/圆形结构的半曲率/半径中的一项或多项；不确定变量u中属性参数包括材料的泊松比、密度、弹性模量和/或硬度等。
22、作为本专利技术进一步的改进，步骤s5中，bp_ann模型采用包含输入层、隐含层和输出层的邻层连接多层前向网络。ann模型中输入层的节点数为设计变量x的参数量与不确定变量的参数量之和，输出层节点数为3，隐含层的层数和每层节点数在训练前进行人工预设。训练策略基于bp学习算法，进而根据输入的设计变量x和不确定性变量u，输出目标函数f和约束函数g1、g2的值。
23、作为本专利技术进一步的改进，步骤s5中，训练阶段将样本数据分为训练集和测试集，当测试集上输出的预测结果的精度不满足训练指标时，先采用步骤s4的方法扩增样本数据的数量且/或对网络模型中隐含层的层数和节点数进行调整，然后再利用新的数据集对新的网络模型进行重新训练。
24、作为本专利技术进一步的改进，步骤s6中，多目标优化模型的数学表达式如下：
25、
26、s.t.g1(x,u)≥b1
27、g2(x,u)≥b2
28、x∈ωn
29、u∈ui
30、上式中，b1表示模态频率g1的阈值；b2表示结构强度g2的阈值。
31、作为本专利技术进一步的改进，步骤s7中，目标函数f的中点fc和半径fw的计算方公式如下：
32、
33、上式中，fl和fu分别为不确定变量下电池包框本文档来自技高网...
【技术保护点】
1.一种基于单网络混合优化算法的电池包框架轻量化设计方法，其特征在于，其包括如下步骤：
2.如权利要求1所述的基于单网络混合优化算法的电池包框架轻量化设计方法，其特征在于：步骤S1中采用AutoCAD、CATIA、Solidworks、Pro/Engineer、Cimatron、3DS Max、FormZ、UnigraphicsNX中的任意一种完成电池包框架的三维建模；步骤S2中，采用HyperMesh、ANSA、TurboGrid或Patran创建用于进行载荷分析的有限元模型。
3.如权利要求1所述的基于单网络混合优化算法的电池包框架轻量化设计方法，其特征在于：步骤S3中，所述设计变量X中的结构参数包括选定的任意一处或多处关键构件或组合体的长度、宽度、高度、厚度、弧形/圆形结构的半曲率/半径中的一项或多项；所述不确定变量U中属性参数包括材料的泊松比、密度、弹性模量和/或硬度。
4.如权利要求1所述的基于单网络混合优化算法的电池包框架轻量化设计方法，其特征在于：步骤S5中，所述BP_ANN模型采用包含输入层、隐含层和输出层的邻层连接多层前向网络
5.如权利要求4所述的基于单网络混合优化算法的电池包框架轻量化设计方法，其特征在于，步骤S5中，训练阶段将样本数据分为训练集和测试集，当测试集上输出的预测结果的精度不满足训练指标时，先采用步骤S4的方法扩增样本数据的数量且/或对网络模型中隐含层的层数和节点数进行调整，然后再利用新的数据集对新的网络模型进行重新训练。
6.如权利要求1所述的基于单网络混合优化算法的电池包框架轻量化设计方法，其特征在于：步骤S6中，所述多目标优化模型的数学表达式如下：
7.如权利要求1所述的基于单网络混合优化算法的电池包框架轻量化设计方法，其特征在于：步骤S7中，目标函数f的中点fc和半径fw的计算方公式如下：
8.如权利要求1所述的基于单网络混合优化算法的电池包框架轻量化设计方法，其特征在于：步骤S8中，所述双嵌套优化算法寻优过程的步骤如下：
9.一种基于单网络混合优化算法的电池包框架轻量化设计系统，其特征在于，其用于采用如权利要求1-8中任意一项所述的基于单网络混合优化算法的电池包框架轻量化设计方法，根据预设的电池包框架的设计变量X的设计空间Ωn和不确定变量U的取值范围UI，以及预设的模态频率g1和结构强度g2的阈值；得到满足设计要求的最轻量化的电池包框架中，设计变量包含的各个参数的最优值；所述电池包框架轻量化设计系统包括：
10.一种基于单网络混合优化算法的电池包框架轻量化设计装置，其包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序，其特征在于：处理器执行计算机程序时，创建出如权利要求书9所述的基于单网络混合优化算法的电池包框架轻量化设计系统；进而实现对设计变量包含的各个参数的最优值进行求解。
...【技术特征摘要】
1.一种基于单网络混合优化算法的电池包框架轻量化设计方法，其特征在于，其包括如下步骤：
2.如权利要求1所述的基于单网络混合优化算法的电池包框架轻量化设计方法，其特征在于：步骤s1中采用autocad、catia、solidworks、pro/engineer、cimatron、3ds max、formz、unigraphicsnx中的任意一种完成电池包框架的三维建模；步骤s2中，采用hypermesh、ansa、turbogrid或patran创建用于进行载荷分析的有限元模型。
3.如权利要求1所述的基于单网络混合优化算法的电池包框架轻量化设计方法，其特征在于：步骤s3中，所述设计变量x中的结构参数包括选定的任意一处或多处关键构件或组合体的长度、宽度、高度、厚度、弧形/圆形结构的半曲率/半径中的一项或多项；所述不确定变量u中属性参数包括材料的泊松比、密度、弹性模量和/或硬度。
4.如权利要求1所述的基于单网络混合优化算法的电池包框架轻量化设计方法，其特征在于：步骤s5中，所述bp_ann模型采用包含输入层、隐含层和输出层的邻层连接多层前向网络；所述输入层的节点数为设计变量x的参数量与不确定变量的参数量之和；输出层节点数为3，隐含层的层数和每层节点数在训练前进行人工预设；训练策略基于bp学习算法，进而根据输入的设计变量x和不确定性变量u，输出目标函数f和约束函数g1、g2的值。
5.如权利要求4所述的基于单网络混合优化算法的电池包框架轻量化设计方法，其特征在于，步骤s5中，训练阶段将样本数据分...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。