尹永芳

摘 要：在AMESim提供的簡單可視化的建模仿真環(huán)境下，建立1/4汽車主動(dòng)懸掛模型。AMESim的兩種優(yōu)化方法對該系統(tǒng)進(jìn)行仿真，實(shí)現(xiàn)對主懸掛的主要阻尼和sky hook阻尼的匹配設(shè)計(jì)。仿真結(jié)果表明，NLPQL具有較快的仿真速度，精確度較高；基因算法則需要更長的仿真時(shí)間，但是在代數(shù)為100時(shí)仿真結(jié)果優(yōu)于NLPQL。

關(guān)鍵詞：車輛；主動(dòng)懸掛系統(tǒng)；NLPQL；基因算法；優(yōu)化

中圖分類號(hào)：U463.33 文獻(xiàn)標(biāo)識(shí)碼：A

doi：10.14031/j.cnki.njwx.2017.08.008

懸掛系統(tǒng)是汽車關(guān)鍵部件之一，對汽車的操縱穩(wěn)定性和乘坐舒適性有重大影響。主動(dòng)懸掛與被動(dòng)懸掛、半主動(dòng)懸掛相比具有獨(dú)特的優(yōu)勢，并且隨著液壓和電子技術(shù)的發(fā)展，主動(dòng)懸掛技術(shù)越來越完善，成為懸掛技術(shù)研究的重要方向。從研究方法來看，由傳統(tǒng)的數(shù)學(xué)建模發(fā)展到計(jì)算機(jī)建模與仿真，如采用Matlab、Pro/E等建模，這些工具通常建模過程復(fù)雜，仿真過程非可視化[1]，而AMESim克服這些缺點(diǎn)，提供簡單可視化的建模和仿真環(huán)境。

1 AMESim軟件和設(shè)計(jì)探索模塊簡介

AMESim是機(jī)械/液壓系統(tǒng)建模仿真及動(dòng)力學(xué)分析軟件，具有以下特點(diǎn)：（1）多學(xué)科的建模仿真平臺(tái)，機(jī)械、液壓、氣動(dòng)、熱、電和磁等不同領(lǐng)域的模塊可實(shí)現(xiàn)物理連接。（2）圖形化建模方式，采用標(biāo)準(zhǔn)ISO圖標(biāo)和多端口框圖作為基本模塊，簡單、易于識(shí)別。（3）仿真模式多樣化，AMESim設(shè)有動(dòng)態(tài)仿真模式、穩(wěn)態(tài)仿真模式、動(dòng)態(tài)和穩(wěn)態(tài)以及批處理仿真模式。（4）智能求解器，根據(jù)模型的數(shù)學(xué)特性自動(dòng)選擇最佳的積分器，提高了建模仿真的效率[2]。

AMESim 提供了NLPQL和遺傳算法兩種優(yōu)化方法[3]。NLPQL利用序列二次規(guī)劃算法（SQP），其基本思想是： 在每個(gè)迭代點(diǎn)x（k）構(gòu)造一個(gè)二次規(guī)劃子問題，以這個(gè)子問題的解作為搜索方向Sk，沿該方向按迭代格式x（k+1）=x（k）+akSk進(jìn)行一維搜索，使x（k+1）（k=0，1，∧）最終逼近約束優(yōu)化問題的解x*。遺傳算法的基本思想是： 把優(yōu)化設(shè)計(jì)搜索空間映射為生物遺傳空間，把設(shè)計(jì)變量映射為遺傳染色體即個(gè)體，所有個(gè)體組成遺傳群體，通過對群體進(jìn)行選擇、交叉、變異等操作，將適應(yīng)度大的個(gè)體保存下來，淘汰適應(yīng)度小的。經(jīng)過反復(fù)操作，直到求出最優(yōu)個(gè)體。

2 汽車懸掛的建模和仿真

2.1 主動(dòng)懸掛系統(tǒng)建模

首先，在草圖模式下加載圖標(biāo)庫的主動(dòng)懸掛系統(tǒng)，包括兩個(gè)模型，被動(dòng)懸掛和主動(dòng)懸掛，主動(dòng)懸掛初始值和被動(dòng)懸掛相同。系統(tǒng)參數(shù)的設(shè)置如下：MAS002（Car_Body）設(shè)為400，MAS002（Tire）設(shè)為50，SPR000A設(shè)為100000，STEP0設(shè)為0.1。此系統(tǒng)正通過一個(gè)10 cm的高臺(tái)，考察主動(dòng)懸掛的工作性能，車身垂直加速度大降低乘坐舒適性，理想的車身垂直加速度小于g （9.81 m/s2）；若模擬車胎的彈簧壓縮量為負(fù)，意味著車胎離開路面。

2.2 優(yōu)化目標(biāo)的確立

為了定義合理的優(yōu)化目標(biāo)，通常首先要對系統(tǒng)的輸入量和輸出量之間的關(guān)系進(jìn)行研究，對輸出（Export）模塊進(jìn)行設(shè)置，考察輸入量、輸出量、復(fù)合輸出之間的相關(guān)性，利用DOE得到輸入量對應(yīng)復(fù)合輸出的矩陣如表。

該表表明線性回歸系數(shù)，正值表示正相關(guān)，負(fù)值表示負(fù)相關(guān)。因此期望設(shè)計(jì)較大的sky hook懸掛阻尼控制車身加速度；期望設(shè)計(jì)較大的主懸掛主要阻尼控制輪胎壓縮量。

3 基于設(shè)計(jì)探索模塊的優(yōu)化

基于以上分析，引入車身位移和輪胎最大跳動(dòng)值，設(shè)置在1.5 s

（1） NLPQL優(yōu)化。優(yōu)化結(jié)果顯示，在主要懸掛阻尼為821 N·s/m，sky hook阻尼為1347 N·s/m時(shí)，最大車身加速度為8.60 m/s2，小于9.81 m/s2，車身最大位移量小于2 mm，但輪胎最大跳躍值超過了0.0 mm，未達(dá)到期望值。NLPQL優(yōu)化前后的車身加速度和輪胎壓縮量均有明顯改善。

（2）基因算法優(yōu)化。首先設(shè)置Max.number of generations為10，優(yōu)化結(jié)果顯示車身加速度12.89 m/s2，大于9.81 m/s2，顯然是不合理的，因此10代的基因算法優(yōu)化失敗。另設(shè)置Max.number of generations為100（大概運(yùn)行8000次）進(jìn)行優(yōu)化，并與NLPQL的結(jié)果進(jìn)行對比。

由仿真結(jié)果可知，基因算法的優(yōu)勢在于在1.0 s時(shí)車身加速度趨于恒定值，而NLPQL拖后了0.5 s。主懸掛主要阻尼為941 N·s/m，sky hook懸掛阻尼為2475 N·s/m，此時(shí)最小車身加速度為8.70 m/s2，車身最大位移量0.0004 m，輪胎最大跳躍值0.0。由回歸系數(shù)矩陣可知，sky hook懸掛阻尼主要影響車身加速度，可以看出兩條曲線在1.5 s之前吻合稍差，即NLPQL優(yōu)化結(jié)果1347 N·s/m與100代基因算法優(yōu)化結(jié)果2475 N·s/m相差較大。

4 結(jié)論

（1）NLPQL具有較快的仿真速度，精確度較高，而基因算法在代數(shù)較大時(shí)通常更有效，但是要以更長的時(shí)間為代價(jià)?；蛩惴]有停止運(yùn)算的準(zhǔn)則，如果中止運(yùn)行，通常只能得到當(dāng)前最佳值。（2）兩種仿真方法均能實(shí)現(xiàn)汽車操縱穩(wěn)定性和舒適性要求。基因算法優(yōu)化在NLPQL優(yōu)化基礎(chǔ)上實(shí)現(xiàn)了更高精度。

參考文獻(xiàn)：

[1]朱學(xué)文，詹建軍，何小新.基于Pro/E與ADAMS的汽車懸掛仿真分析[J]，機(jī)械與電子，2005（8）：70.

[2]周愛國，王聞莉，陸亮，等.基于AMESim中Modelica 模塊的汽車電動(dòng)助力轉(zhuǎn)向系統(tǒng)仿真[J].機(jī)床與液壓，2011（11）.