本發明涉及一種基于Pareto的液阻懸置結構參數多目標優化方法，屬于汽車發動機減振技術領域。

背景技術：

汽車發動機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車動力總成、隔離發動機本身及路面沖擊帶來的振動等作用。為了有效隔離發動機高頻段往復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靜態載荷，如起動、換檔、加速、制動、轉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。

液阻懸置的結構參數是影響液阻懸置減振性能的主要參數，如何確定這些參數以獲得良好的減振性能一直是懸置設計的難點和重點。本發明公開了一種基于Pareto的液阻懸置結構參數多目標優化方法，解決了現有液阻懸置設計過程中結構參數難確定的問題，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”的動力學要求。本發明可有效地提升液阻懸置的動態特性，滿足汽車發動機懸置系統對懸置元件的動態特性要求，提高液阻懸置的開發效率，縮短開發成本以及開發周期。

技術實現要素：

為解決現有技術的不足，本發明的目的在于提供一種基于Pareto的液阻懸置結構參數多目標優化方法，實現液阻懸置結構參數的自動確定，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”的動力學要求，彌補傳統設計過程中采用試錯法調整設計參數的不足之處，提高開發效率，縮短開發成本以及開發周期。

為了實現上述目標，本發明采用如下的技術方案：

一種基于Pareto的液阻懸置結構參數多目標優化方法，其特征是，包括以下步驟：

1)建立液阻懸置結構參數多目標優化模型，根據實際情況選擇模型中涉及的變量和優化目標，并建立約束條件；

2)根據模糊罰函數法將步驟1)中帶約束條件的多目標優化問題轉化為無約束的多目標優化問題，得到各個優化目標的適應度值函數，形成新的目標優化函數；

3)采用Pareto GA遺傳算法對步驟2)得到的多目標優化問題進行優化，獲得Pareto最優解集；

4)采用熵值權重法確定各優化目標的客觀權重；

5)基于TOPSIS策略對Pareto最優解集進行優先度排序獲得最佳的結構方案。

進一步地，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、解耦器內液體流動的慣性系數I_d和阻尼系數B_d為設計變量；

優化目標為：

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峰值。

進一步地，所述步驟2)中新的優化目標函數由離散隸屬函數所確定的模糊罰函數和經過正規化后的目標函數之和構成。

進一步地，所述步驟3)具體步驟如下：

301)初始化種群M，隨機生成一個大小為N的父代種群P_t；

302)對當前種群個體進行目標函數值計算；

303)對種群個體進行非劣分層排序；

304)采用二元錦標賽選擇、交叉和變異操作產生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中個體進行目標函數值計算；

307)對種群個體進行非支配排序；

308)選前N個個體產生父代種群P_t+1；

309)若達到收斂條件(生成種群適應度小于設定值)則終止；否則，迭代次數增加1，轉第步驟302)；

310)輸出Pareto最優解集。

進一步地，所述步驟4)的具體步驟如下：

401)對Pareto最優解集數據做標準化處理，得到規范化決策：

其中f_ij表示第i個待選方案第j個優化目標的數值，max{f_j}和min{f_j}分別表示所有待選方案中第j項評價指標的最大值和最小值，m為待選方案數，n為優化目標數；

402)處理決策矩陣，得到矩陣P＝(p_ij)_m×n，

403)計算指標輸出的信息熵

404)計算屬性客觀權重向量

進一步地，所述步驟5)的具體過程如下：

501)對決策矩陣作規范化處理，得規范化決策矩陣Y＝(y_ij)_m×n；

502)計算加權規范化決策矩陣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⁺和負理想解Z^-：其中

504)計算各方案到正理想解Z⁺和負理想解Z^-的Euclid距離和

505)計算各方案的相對貼近度

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

本發明所達到的有益效果：本方法可以實現液阻懸置結構參數的自動確定，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”的動力學要求，彌補傳統設計過程中采用試錯法調整設計參數的不足之處，提高開發效率，縮短開發成本以及開發周期。

附圖說明

圖1是液阻懸置結構參數多目標優化方法流程圖；

圖2是液阻懸置結構的結構示意圖。

圖中附圖標記的含義：

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

具體實施方式

下面結合附圖對本發明作進一步描述。以下實施例僅用于更加清楚地說明本發明的技術方案，而不能以此來限制本發明的保護范圍。

步驟1)建立液阻懸置液阻懸置結構參數多目標優化模型，確定設計變量和優化目標。

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、解耦器內液體流動的慣性系數I_d和阻尼系數B_d為設計變量。

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峰值為優化目標。

設計變量為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為液阻懸置內液體的粘性系數，本實施例中液阻懸置內的液體為乙二醇溶液，其粘性系數為21mPa.s。上液室的活塞面積A_p為5.278×10^-3m²。

根據主機廠的設計要求，結合動力總成發動機懸置系統對懸置元件的理想動力學特性要求、懸置系統多體動力學分析的結果以及液阻懸置動態特性的特點，對液阻懸置動態特性提出以下要求：

(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峰值為3.5N.s/mm；

通過對液阻懸置的結構進行分析，要求液阻懸置結構參數滿足以下條件：

(1)慣性通道長度l_i小于導流座蓋的外沿周長；

(2)慣性通道直徑d_i的2倍小于慣性通道的長度l_i。

則液阻懸置多目標參數優化模型的優化目標可寫為：

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

液阻懸置參數優化模型的約束條件為：

液阻懸置動態特性多目標參數優化的數學模型為：

步驟2)根據模糊罰函數法將原帶約束條件的多目標優化問題轉化為無約束多目標優化問題,得到的各個體的適應度值函數，其具體過程如下：

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

與確定性模型中點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，不可行點可以接受為不完全可行解。

根據模糊集合理論，當點在可行域中時，其隸屬函數μ_G(x)等于1。其它情況下，隸屬函數值在0≤μ_G≤1的區間范圍內。一個點對L個約束條件的最大違反程度定義為μ_C(x)，并表示為：

對目標函數進行正則化處理：

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

本發明中懲罰權系數KD＝10。

步驟3)采用Pareto GA遺傳算法對液阻懸置多目標優化問題進行優化，獲得Pareto最優解集，其具體過程為：

步驟S301，初始化種群M，隨機生成一個大小為N＝60的父代種群P_t；

步驟S302，對當前種群個體進行目標函數值計算；

步驟S303，對種群個體進行非劣分層排序；

步驟S304，采用二元錦標賽選擇，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中個體進行目標函數值計算；

步驟S307，對種群個體進行非支配排序；

步驟S308，選前N個個體產生父代種群P_t+1；

步驟S309，若達到收斂條件則終止；否則，代數增加1，轉第步驟S302步；

步驟S310，輸出Pareto最優解集。

步驟4)，采用熵值權重法確定各優化目標的客觀權重，過程如下：

401)對Pareto最優解集數據做標準化處理，得到規范化決策：

其中f_ij表示第i個待選方案第j個優化目標的數值，max{f_j}和min{f_j}分別表示所有待選方案中第j項評價指標的最大值和最小值，m為待選方案數，n為優化目標數；

402)處理決策矩陣，得到矩陣P＝(p_ij)_m×n，

403)計算指標輸出的信息熵

404)計算屬性客觀權重向量

所述步驟5)中，基于TOPSIS策略對Pareto最優解集進行優先度排序獲得最佳的液阻懸置結構參數，具體過程如下：

501)對決策矩陣作規范化處理，得規范化決策矩陣Y＝(y_ij)_m×n；

502)計算加權規范化決策矩陣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⁺和負理想解Z^-的Euclid距離和

505)計算各方案的相對貼近度

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

以上所述僅是本發明的優選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發明技術原理的前提下，還可以做出若干改進和變形，這些改進和變形也應視為本發明的保護范圍。