汽车动力总成悬置系统的多目标优化方法

姜立标，罗 健

(华南理工大学机械与汽车工程学院，广东 广州 510641)

作者简介：(姜立标（1965—），男，副教授，博士，主要研究方向为汽车系统动力学及电子控制、智能网联与自动驾驶技术、新能源汽车关键技术，jlb@scut.edu.cn.

摘要：对汽车动力总成悬置系统的多目标优化问题进行了研究，明确了优化方向。基于算法融合理论，提出了结合多目标粒子群优化（MOPSO）算法和非支配排序遗传算法Ⅱ（NSGA-Ⅱ）的混合算法，并运用经典测试函数分别对MOPSO算法、NSGA-Ⅱ及混合算法进行测试，验证了混合算法的可行性和高效性。运用混合算法解决了动力总成悬置系统的解耦问题，得到了多组满足要求的解集。实例优化结果证明，该混合算法对解决复杂动力总成悬置系统多目标优化问题是有效的。

关键词：动力总成悬置系统；多目标粒子群优化；非支配排序遗传算法Ⅱ；混合算法；多目标优化

中图分类号：U464.13   文献标识码：A   文章编号：2095-509X(2021)04-0087-05

汽车作为一种交通工具，其各项性能越来越受到人们的关注，其中整车NVH(noise、vibration、harshness)性能是目前人们关注较多的一项。影响整车NVH性能的因素有很多，动力总成的振动是其中一个重要的因素。动力总成的振动问题是复杂的多自由度振动问题。为使复杂的振动问题简单化，在设计悬置系统时，应对系统的解耦进行优化设计，并对动力总成的模态频率进行间隔设计。陈剑等^［1］提出了基于Chebyshev区间的动力总成悬置系统优化方法，获得了较好的解耦率；毕凤荣等^［2］提出了基于Kriging模型的动力总成悬置系统多目标优化方法，通过该模型得到了较好的解耦率。目前，对于动力总成悬置系统多目标优化多采用单一的方法或算法，优化效率较低。

为提高动力总成悬置系统的多目标优化效率，本文首先建立动力总成悬置系统模型，确定优化方向，基于算法融合理论，提出了结合多目标粒子群优化（multi-objective particle swarm optimization，MOPSO）算法和非支配排序遗传算法Ⅱ（non-dominated sorting genetic algorithm Ⅱ，NSGA-Ⅱ）的混合算法；然后进行了测试，证明了混合算法的效率更高且结果精度高；最后运用混合算法对具体的悬置系统进行优化，得到了准确的解集，为悬置系统提供了多组合理的设计参数。

1 动力总成悬置系统模型

1.1 运动学方程

以横置发动机三点悬置系统为研究对象，根据振动力学理论，建立系统的运动微分方程。图1所示为各坐标系下典型的动力总成三点悬置系统模型，图中G-XYZ是整车坐标系，O-xyz是动力总成坐标系，Ki-uvw是悬置局部坐标系。