欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025111487813
申请人: 南昌大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种考虑模态约束的汽车前副车架轻量化设计方法,其特征在于,所述方法包括以下步骤:(1)以构成汽车前副车架的各个纵梁厚度、横梁厚度和加强板厚度为结构优化参数,以汽车前副车架的重量和模态分别为优化目标与约束条件,在CATIA和Altair OptiStruct中分别构建参数化模型与重量-模态仿真模型,并推导对应的数学优化问题的表达式;

(2)根据汽车前副车架的结构强度与刚度要求构建由各个纵梁厚度、横梁厚度和加强板厚度构成的设计空间,在设计空间内采用空间填充拉丁超立方采样方法获得种群,在CATIA和Altair OptiStruct中分别获得种群中每个个体的参数化模型与重量-模态仿真模型,并将所有种群个体及对应的重量和模态值用于构建数据库;

(3)在粒子群算法的框架下,构建基于分类协同的速度更新公式来为每个种群个体产生多个子代粒子个体;

(4)利用当前数据库中的所有个体构建高斯过程机器学习模型,并构建基于最小化统计下限公式的适应度评估函数评估子代粒子个体的目标适应度值,基于可行性规则筛选最优的子代粒子个体;

(5)在CATIA和Altair OptiStruct中分别获得最优的子代粒子个体的参数化模型和重量与模态值,根据统计排行法构建综合评分计算公式以确定种群个体的更新情况,更新数据库,判断优化结构的重量与模态值是否满足设计性能要求,若满足则输出所得优化结构,否则转至步骤(3),直至优化结构达到设计性能要求;

步骤(1)中数学优化问题的表达式,具体如下:

,

上式中,P为汽车前副车架优化问题中的结构优化参数,和分别表示第1个纵梁和第2个纵梁的厚度,、和分别表示第1个横梁、第2个横梁和第3个横梁的厚度,表示加强板的厚度,T是矩阵的转置,为汽车前副车架重量计算公式,表示材料密度,和分别表示第个纵梁和第个横梁的厚度,表示加强板的厚度,和分别表示第个纵梁和第个横梁的长度,表示加强板的长度,和分别表示第个纵梁和第个横梁的宽度,表示加强板的宽度,为Altair OptiStruct中的模态仿真值,表示弹性模量,表示汽车前副车架的总长度,、分别表示第个纵梁和第个横梁的惯性矩,表示加强板的惯性矩,为结构优化参数的取值范围,是汽车前副车架模态上界值,Find是求汽车前副车架优化问题的最优解,Min是对汽车前副车架的重量进行最小化,S.t.是需满足的约束。

2.如权利要求1所述的方法,其特征在于,步骤(2)的具体步骤如下:第一步,根据汽车前副车架的结构强度与刚度要求确定由汽车前副车架的各个纵梁厚度、横梁厚度和加强板厚度构成的结构优化参数的取值范围,并根据取值范围构建设计空间;

第二步,在设计空间内采用空间填充拉丁超立方采样方法获得种群,具体步骤如下:采用拉丁超立方采样方法产生多个候选种群;

计算每个候选种群中任意两个个体之间的欧氏距离和具有相同欧式距离的样本点对数;

采用冒泡排序的方法对欧氏距离进行排序;

计算每个候选种群的纯量值判别函数值,具体计算公式如下:

,

上式中,代表第j个候选种群的纯量值判别函数值,是调和均值的指数参数,是第j个候选种群中个体的数量,是第i对个体的欧氏距离,是欧式距离为的样本点对数;

将具有最小的纯量值判别函数值的候选种群作为种群;

第三步,在CATIA获得种群中每个个体的参数化模型;

第四步,将参数化模型导入Altair OptiStruct,为种群中每个个体构造重量-模态仿真模型,并获得种群中每个个体的重量与模态值;

第五步,将所有种群个体及对应的重量和模态值用于构建数据库。

3.如权利要求1所述方法,其特征在于,步骤(3)的具体步骤如下:

在粒子群算法的框架下,基于分类协同速度更新公式来为种群中的每个个体生成多个子代粒子个体,分类协同速度更新公式如下所示:,

上式中,为第个个体的速度,为权重线性衰减函数,、、和代表均匀分布在区间[2,2.05]内各自独立的随机数,、、和代表均匀分布在区间[0,1]内各自独立的随机数,为种群中的当前最优个体,为种群中的第个个体,为种群中的历史最优个体,为从精英种群中根据均匀分布随机数随机选择的一个个体,其中,精英种群由根据可行性规则从种群中筛选的前10%的所有个体组成,和分别为根据各自对应的均匀分布随机数从第一子种群和第二子种群中选择的一个随机个体,其中,第一子种群由根据可行性规则从种群中筛选的前50%的所有个体组成,第二子种群由根据可行性规则从种群中筛选的后50%的所有个体组成。

4.如权利要求1所述的方法,其特征在于,步骤(4)的具体步骤如下:第一步,计算当前种群中任意两个个体之间的高斯过程相关系数,具体计算公式如下:,

上式中,代表两个体之间的相关系数,表示指数函数,表示第k个结构优化参数的影响程度,和分别表示个体和个体在第个结构优化参数上的值,表示结构优化参数的数量;

第二步,构建高斯过程机器学习模型,其预测值计算公式如下:

,

上式中,是高斯过程机器学习模型在个体处的预测值,表示总体均值的最大似然估计,为由种群中个体之间的高斯过程相关系数组成的相关系数矩阵,表示1的n维列向量,表示个体目标适应度值的列向量;

第三步,使用高斯过程机器学习模型预测所有子代粒子个体的重量和模态值,构建基于最小化统计下限公式的适应度评估函数评估子代粒子个体的目标适应度值,计算公式如下:,

上式中,表示使用高斯过程机器学习模型对个体的汽车前副车架重量预测值,表示使用高斯过程机器学习模型对个体的汽车前副车架重量预测值的标准差;

第四步,基于可行性规则筛选最优的子代粒子个体,具体步骤如下:

采用基于最小化统计下限公式的适应度评估函数评估子代粒子个体的重量和模态值;

若子代粒子个体的模态值大于汽车前副车架模态上界值则该子代粒子个体为不可行的子代粒子个体,反之则为可行的子代粒子个体;

所有可行的子代粒子个体的排序均在不可行的子代粒子个体之前,在可行的子代粒子个体中基于目标适应度值排序,目标适应度值更小的可行的子代粒子个体排序靠前,在不可行的子代粒子个体中,模态值更小的不可行的子代粒子个体排序靠前,将所有子代粒子个体排序后排序靠前的子代粒子个体确定为最优的子代粒子个体。

5.如权利要求1所述的方法,其特征在于,步骤(5)中所述的在CATIA和AltairOptiStruct中分别获得最优的子代粒子个体的参数化模型和重量与模态值,根据统计排行法构建综合评分计算公式以确定种群个体的更新情况,具体步骤如下:第一步,在CATIA获得最优的子代粒子个体参数化模型;

第二步,将最优的子代粒子个体参数化模型导入Altair OptiStruct,为最优的子代粒子个体构造重量-模态仿真模型,并获得最优的子代粒子个体的重量与模态值;

第三步,以最优的子代粒子个体的重量和模态值分别为优化目标值和约束值,根据统计排行法计算最优的子代粒子个体与种群中最差个体的综合评分,其中,种群中的最差个体为通过可行性规则所得的排序最后的个体,统计排行法的综合评分计算公式如下所示:,

上式中,代表个体的综合评分,代表模态排序值,即对比最优子代粒子个体与种群中最差个体的模态值,其中,较大者所对应的模态排序值为1,较小者所对应的模态排序值为2,代表权重,代表重量排序值,即对比最优子代粒子个体与种群中最差个体的重量值,其中,较小者所对应的重量排序值为1,较大者所对应的重量排序值为2;

如果最优的子代粒子个体的值小于种群中最差个体的值,则在下一代种群中用最优的子代粒子个体替换种群中最差个体;否则,下一代种群将沿用种群中最差个体。

6.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-5中任一项所述的方法的步骤。

7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-5中任一项所述的方法的步骤。