本發(fā)明涉及一種基于Pareto的液阻懸置結(jié)構(gòu)參數(shù)多目標(biāo)優(yōu)化方法，屬于汽車發(fā)動機(jī)減振技術(shù)領(lǐng)域。

背景技術(shù)：

汽車發(fā)動機(jī)液阻懸置是汽車上重要的減振、隔振元件，它起到固定并支撐機(jī)車動力總成、隔離發(fā)動機(jī)本身及路面沖擊帶來的振動等作用。為了有效隔離發(fā)動機(jī)高頻段往復(fù)不平衡慣性力主諧量激勵所引起的振動向車體的傳遞，提高乘坐舒適性和降低噪聲，特別是空腔共鳴音，希望懸置元件具有低剛度小阻尼特性；另一方面，為了抑制怠速波動扭矩主諧量的激勵引起動力總成在共振頻率附近較大振幅的振動，同時為了限制那些準(zhǔn)靜態(tài)載荷，如起動、換檔、加速、制動、轉(zhuǎn)彎以及不平路面沖擊等載荷作用下引起的動力總成的位移，并且將其誘發(fā)的較大幅度自由振動盡快衰減，又希望懸置元件具有高剛度大阻尼特性。這就是動力總成隔振對懸置元件提出的兩個基本而又相互矛盾的要求，即對動力總成懸置提出了“低頻域具有高剛度大阻尼、高頻域具有低剛度小阻尼”這兩個基本的而又相互矛盾的要求。

液阻懸置的結(jié)構(gòu)參數(shù)是影響液阻懸置減振性能的主要參數(shù)，如何確定這些參數(shù)以獲得良好的減振性能一直是懸置設(shè)計的難點(diǎn)和重點(diǎn)。本發(fā)明公開了一種基于Pareto的液阻懸置結(jié)構(gòu)參數(shù)多目標(biāo)優(yōu)化方法，解決了現(xiàn)有液阻懸置設(shè)計過程中結(jié)構(gòu)參數(shù)難確定的問題，滿足液阻懸置“低頻域具有高剛度大阻尼、高頻域具有低剛度小阻尼”的動力學(xué)要求。本發(fā)明可有效地提升液阻懸置的動態(tài)特性，滿足汽車發(fā)動機(jī)懸置系統(tǒng)對懸置元件的動態(tài)特性要求，提高液阻懸置的開發(fā)效率，縮短開發(fā)成本以及開發(fā)周期。

技術(shù)實(shí)現(xiàn)要素：

為解決現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種基于Pareto的液阻懸置結(jié)構(gòu)參數(shù)多目標(biāo)優(yōu)化方法，實(shí)現(xiàn)液阻懸置結(jié)構(gòu)參數(shù)的自動確定，滿足液阻懸置“低頻域具有高剛度大阻尼、高頻域具有低剛度小阻尼”的動力學(xué)要求，彌補(bǔ)傳統(tǒng)設(shè)計過程中采用試錯法調(diào)整設(shè)計參數(shù)的不足之處，提高開發(fā)效率，縮短開發(fā)成本以及開發(fā)周期。

為了實(shí)現(xiàn)上述目標(biāo)，本發(fā)明采用如下的技術(shù)方案：

一種基于Pareto的液阻懸置結(jié)構(gòu)參數(shù)多目標(biāo)優(yōu)化方法，其特征是，包括以下步驟：

1)建立液阻懸置結(jié)構(gòu)參數(shù)多目標(biāo)優(yōu)化模型，根據(jù)實(shí)際情況選擇模型中涉及的變量和優(yōu)化目標(biāo)，并建立約束條件；

2)根據(jù)模糊罰函數(shù)法將步驟1)中帶約束條件的多目標(biāo)優(yōu)化問題轉(zhuǎn)化為無約束的多目標(biāo)優(yōu)化問題，得到各個優(yōu)化目標(biāo)的適應(yīng)度值函數(shù)，形成新的目標(biāo)優(yōu)化函數(shù)；

3)采用Pareto GA遺傳算法對步驟2)得到的多目標(biāo)優(yōu)化問題進(jìn)行優(yōu)化，獲得Pareto最優(yōu)解集；

4)采用熵值權(quán)重法確定各優(yōu)化目標(biāo)的客觀權(quán)重；

5)基于TOPSIS策略對Pareto最優(yōu)解集進(jìn)行優(yōu)先度排序獲得最佳的結(jié)構(gòu)方案。

進(jìn)一步地，所述步驟1)中涉及的參量為：

橡膠主簧動剛度K_r、橡膠主簧阻尼B_r、上液室體積剛度K₁、慣性通道長度l_i、慣性通道橫截面積A_i、解耦器內(nèi)液體流動的慣性系數(shù)I_d和阻尼系數(shù)B_d為設(shè)計變量；

優(yōu)化目標(biāo)為：

低頻、大振幅激勵下液阻懸置動剛度峰值頻率；

低頻、大振幅激勵下液阻懸置的動剛度峰值；

低頻、大振幅激勵下液阻懸置的阻尼系數(shù)峰值；

高頻、小振幅激勵下液阻懸置動剛度峰值頻率；

高頻、小振幅激勵下液阻懸置的動剛度峰值；

高頻、小振幅激勵下液阻懸置的阻尼系數(shù)峰值。

進(jìn)一步地，所述步驟2)中新的優(yōu)化目標(biāo)函數(shù)由離散隸屬函數(shù)所確定的模糊罰函數(shù)和經(jīng)過正規(guī)化后的目標(biāo)函數(shù)之和構(gòu)成。

進(jìn)一步地，所述步驟3)具體步驟如下：

301)初始化種群M，隨機(jī)生成一個大小為N的父代種群P_t；

302)對當(dāng)前種群個體進(jìn)行目標(biāo)函數(shù)值計算；

303)對種群個體進(jìn)行非劣分層排序；

304)采用二元錦標(biāo)賽選擇、交叉和變異操作產(chǎn)生N個子代種群Q_t；

305)種群P_t和種群Q_t并入到R_t中，R_t＝P_t∪Q_t；

306)對新種群Rt中個體進(jìn)行目標(biāo)函數(shù)值計算；

307)對種群個體進(jìn)行非支配排序；

308)選前N個個體產(chǎn)生父代種群P_t+1；

309)若達(dá)到收斂條件(生成種群適應(yīng)度小于設(shè)定值)則終止；否則，迭代次數(shù)增加1，轉(zhuǎn)第步驟302)；

310)輸出Pareto最優(yōu)解集。

進(jìn)一步地，所述步驟4)的具體步驟如下：

401)對Pareto最優(yōu)解集數(shù)據(jù)做標(biāo)準(zhǔn)化處理，得到規(guī)范化決策：

其中f_ij表示第i個待選方案第j個優(yōu)化目標(biāo)的數(shù)值，max{f_j}和min{f_j}分別表示所有待選方案中第j項(xiàng)評價指標(biāo)的最大值和最小值，m為待選方案數(shù)，n為優(yōu)化目標(biāo)數(shù)；

402)處理決策矩陣，得到矩陣P＝(p_ij)_m×n，

403)計算指標(biāo)輸出的信息熵

404)計算屬性客觀權(quán)重向量

進(jìn)一步地，所述步驟5)的具體過程如下：

501)對決策矩陣作規(guī)范化處理，得規(guī)范化決策矩陣Y＝(y_ij)_m×n；

502)計算加權(quán)規(guī)范化決策矩陣Z＝(z_ij)_m×n，其中z_ij＝w_jy_ij，1≤i≤m,1≤j≤n；

503)確定正理想解Z⁺和負(fù)理想解Z^-：其中

504)計算各方案到正理想解Z⁺和負(fù)理想解Z^-的Euclid距離和

505)計算各方案的相對貼近度

506)根據(jù)相對貼近度排列各方案的優(yōu)先序：相對貼近度越大則越優(yōu)，相對貼近度越小則越劣。

本發(fā)明所達(dá)到的有益效果：本方法可以實(shí)現(xiàn)液阻懸置結(jié)構(gòu)參數(shù)的自動確定，滿足液阻懸置“低頻域具有高剛度大阻尼、高頻域具有低剛度小阻尼”的動力學(xué)要求，彌補(bǔ)傳統(tǒng)設(shè)計過程中采用試錯法調(diào)整設(shè)計參數(shù)的不足之處，提高開發(fā)效率，縮短開發(fā)成本以及開發(fā)周期。

附圖說明

圖1是液阻懸置結(jié)構(gòu)參數(shù)多目標(biāo)優(yōu)化方法流程圖；

圖2是液阻懸置結(jié)構(gòu)的結(jié)構(gòu)示意圖。

圖中附圖標(biāo)記的含義：

1-橡膠主簧，2-金屬骨架，3-解耦盤，4-導(dǎo)流座，5-橡膠底膜，6-下液室，7-慣性通道，8-上液室，9-連接螺栓。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。以下實(shí)施例僅用于更加清楚地說明本發(fā)明的技術(shù)方案，而不能以此來限制本發(fā)明的保護(hù)范圍。

步驟1)建立液阻懸置液阻懸置結(jié)構(gòu)參數(shù)多目標(biāo)優(yōu)化模型，確定設(shè)計變量和優(yōu)化目標(biāo)。

參照圖2：以橡膠主簧動剛度K_r、橡膠主簧阻尼B_r、上液室體積剛度K₁、慣性通道長度l_i、慣性通道橫截面積A_i、解耦器內(nèi)液體流動的慣性系數(shù)I_d和阻尼系數(shù)B_d為設(shè)計變量。

以低頻、大振幅激勵下液阻懸置動剛度峰值頻率；

低頻、大振幅激勵下液阻懸置的動剛度峰值；

低頻、大振幅激勵下液阻懸置的阻尼系數(shù)峰值；

高頻、小振幅激勵下液阻懸置動剛度峰值頻率；

高頻、小振幅激勵下液阻懸置的動剛度峰值；

高頻、小振幅激勵下液阻懸置的阻尼系數(shù)峰值為優(yōu)化目標(biāo)。

設(shè)計變量為x＝(x₁,x₂,x₂,x₄,x₅,x₆,x₇)＝(K_r,B_r,K₁,l_i,A_i,I_d,B_d)，令η＝8πμ，其中μ為液阻懸置內(nèi)液體的粘性系數(shù)，本實(shí)施例中液阻懸置內(nèi)的液體為乙二醇溶液，其粘性系數(shù)為21mPa.s。上液室的活塞面積A_p為5.278×10^-3m²。

根據(jù)主機(jī)廠的設(shè)計要求，結(jié)合動力總成發(fā)動機(jī)懸置系統(tǒng)對懸置元件的理想動力學(xué)特性要求、懸置系統(tǒng)多體動力學(xué)分析的結(jié)果以及液阻懸置動態(tài)特性的特點(diǎn)，對液阻懸置動態(tài)特性提出以下要求：

(1)低頻、大振幅激勵下液阻懸置動剛度峰值頻率為8Hz；

(2)低頻、大振幅激勵下液阻懸置的動剛度峰值為350N/mm；

(3)低頻、大振幅激勵下液阻懸置的阻尼系數(shù)峰值為8N.s/mm；

(4)高頻、小振幅激勵下液阻懸置動剛度峰值頻率為90Hz；

(5)高頻、小振幅激勵下液阻懸置的動剛度峰值為320N/mm；

(6)高頻、小振幅激勵下液阻懸置的阻尼系數(shù)峰值為3.5N.s/mm；

通過對液阻懸置的結(jié)構(gòu)進(jìn)行分析，要求液阻懸置結(jié)構(gòu)參數(shù)滿足以下條件：

(1)慣性通道長度l_i小于導(dǎo)流座蓋的外沿周長；

(2)慣性通道直徑d_i的2倍小于慣性通道的長度l_i。

則液阻懸置多目標(biāo)參數(shù)優(yōu)化模型的優(yōu)化目標(biāo)可寫為：

其中ρ為液阻懸置內(nèi)液體的密度，本實(shí)施例中其值為1.113×10³kg/m³。

液阻懸置參數(shù)優(yōu)化模型的約束條件為：

液阻懸置動態(tài)特性多目標(biāo)參數(shù)優(yōu)化的數(shù)學(xué)模型為：

步驟2)根據(jù)模糊罰函數(shù)法將原帶約束條件的多目標(biāo)優(yōu)化問題轉(zhuǎn)化為無約束多目標(biāo)優(yōu)化問題,得到的各個體的適應(yīng)度值函數(shù)，其具體過程如下：

在模糊環(huán)境下，約束條件由定義域中的模糊集合G定義，用μ_G表示點(diǎn)滿足約束條件的程度。

與確定性模型中點(diǎn)在可行域之外就判定為不可行解不同的是，采用模糊理論后，不可行點(diǎn)可以接受為不完全可行解。

根據(jù)模糊集合理論，當(dāng)點(diǎn)在可行域中時，其隸屬函數(shù)μ_G(x)等于1。其它情況下，隸屬函數(shù)值在0≤μ_G≤1的區(qū)間范圍內(nèi)。一個點(diǎn)對L個約束條件的最大違反程度定義為μ_C(x)，并表示為：

對目標(biāo)函數(shù)進(jìn)行正則化處理：

對于極小化問題在模糊集合中點(diǎn)的第j個考慮模糊罰函數(shù)的目標(biāo)函數(shù)為：其中R_k是由離散隸屬函數(shù)所確定的模糊罰函數(shù)，f_j′(x)是經(jīng)過正規(guī)化后的目標(biāo)函數(shù)，目標(biāo)函數(shù)正規(guī)化的目的是當(dāng)隸屬函數(shù)值小于或等于1時可以確定點(diǎn)的在可行域中的狀態(tài)。R_k表示為

本發(fā)明中懲罰權(quán)系數(shù)KD＝10。

步驟3)采用Pareto GA遺傳算法對液阻懸置多目標(biāo)優(yōu)化問題進(jìn)行優(yōu)化，獲得Pareto最優(yōu)解集，其具體過程為：

步驟S301，初始化種群M，隨機(jī)生成一個大小為N＝60的父代種群P_t；

步驟S302，對當(dāng)前種群個體進(jìn)行目標(biāo)函數(shù)值計算；

步驟S303，對種群個體進(jìn)行非劣分層排序；

步驟S304，采用二元錦標(biāo)賽選擇，選取交叉概率0.5，變異概率0.008，交叉和變異操作產(chǎn)生N個子代種群Q_t；

步驟S305，種群P_t和種群Q_t并入到R_t中，R_t＝P_t∪Q_t；

步驟S306，對新種群R_t中個體進(jìn)行目標(biāo)函數(shù)值計算；

步驟S307，對種群個體進(jìn)行非支配排序；

步驟S308，選前N個個體產(chǎn)生父代種群P_t+1；

步驟S309，若達(dá)到收斂條件則終止；否則，代數(shù)增加1，轉(zhuǎn)第步驟S302步；

步驟S310，輸出Pareto最優(yōu)解集。

步驟4)，采用熵值權(quán)重法確定各優(yōu)化目標(biāo)的客觀權(quán)重，過程如下：

401)對Pareto最優(yōu)解集數(shù)據(jù)做標(biāo)準(zhǔn)化處理，得到規(guī)范化決策：

其中f_ij表示第i個待選方案第j個優(yōu)化目標(biāo)的數(shù)值，max{f_j}和min{f_j}分別表示所有待選方案中第j項(xiàng)評價指標(biāo)的最大值和最小值，m為待選方案數(shù)，n為優(yōu)化目標(biāo)數(shù)；

402)處理決策矩陣，得到矩陣P＝(p_ij)_m×n，

403)計算指標(biāo)輸出的信息熵

404)計算屬性客觀權(quán)重向量

所述步驟5)中，基于TOPSIS策略對Pareto最優(yōu)解集進(jìn)行優(yōu)先度排序獲得最佳的液阻懸置結(jié)構(gòu)參數(shù)，具體過程如下：

501)對決策矩陣作規(guī)范化處理，得規(guī)范化決策矩陣Y＝(y_ij)_m×n；

502)計算加權(quán)規(guī)范化決策矩陣Z＝(z_ij)_m×n，其中z_ij＝w_jy_ij，1≤i≤m,1≤j≤n；

503)確定正理想解Z⁺和負(fù)理想解Z^-：其中，w為n維的行向量，其中

504)計算各方案到正理想解Z⁺和負(fù)理想解Z^-的Euclid距離和

505)計算各方案的相對貼近度

506)根據(jù)相對貼近度排列各方案的優(yōu)先序：相對貼近度越大則越優(yōu)，相對貼近度越小則越劣。

以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進(jìn)和變形，這些改進(jìn)和變形也應(yīng)視為本發(fā)明的保護(hù)范圍。