朱茂桃 朱彩帆 郭佳歡 錢 洋

1.江蘇大學(xué)汽車與交通工程學(xué)院，鎮(zhèn)江，2120132.博世汽車零部件公司，蘇州，215100

基于6σ穩(wěn)健性的軋制差厚板車門優(yōu)化設(shè)計(jì)

朱茂桃1朱彩帆1郭佳歡1錢 洋2

1.江蘇大學(xué)汽車與交通工程學(xué)院，鎮(zhèn)江，2120132.博世汽車零部件公司，蘇州，215100

目前，對車門結(jié)構(gòu)優(yōu)化的研究多數(shù)沒有考慮車門不確定性因素的影響。為了提高結(jié)構(gòu)優(yōu)化后車門性能的穩(wěn)健性，將軋制差厚板應(yīng)用于車門，同時考慮板料厚度和材料參數(shù)的波動對各約束響應(yīng)穩(wěn)健性的影響。結(jié)合拉丁超立方試驗(yàn)設(shè)計(jì)和徑向基函數(shù)模型，采用蒙特卡羅模擬和改進(jìn)型非支配遺傳算法相結(jié)合的雙循環(huán)優(yōu)化策略，提出一種基于6σ穩(wěn)健性的軋制差厚板車門多目標(biāo)優(yōu)化設(shè)計(jì)方法。研究結(jié)果表明，該方法在獲得最優(yōu)妥協(xié)解的同時，能提高設(shè)計(jì)變量的可靠性和目標(biāo)函數(shù)的穩(wěn)健性。

車門；穩(wěn)健性；軋制差厚板；蒙特卡羅模擬；輕量化

0 引言

車門是整車的重要零部件之一，應(yīng)滿足強(qiáng)度、剛度和模態(tài)性能的要求。減小車門質(zhì)量是節(jié)約能源、提高燃油經(jīng)濟(jì)性、減少環(huán)境污染的基本途徑之一[1]，因此對車門輕量化研究是非常必要的。在車門設(shè)計(jì)和改進(jìn)時如何兼顧輕量化和穩(wěn)健性這兩個要求，已成為汽車行業(yè)研究的熱點(diǎn)問題。

實(shí)際生產(chǎn)過程中，制造工藝、工人操作及環(huán)境中的不確定性因素會引起板料厚度在名義設(shè)計(jì)值附近波動，這將導(dǎo)致車門結(jié)構(gòu)性能的波動，使得確定性優(yōu)化結(jié)果超出約束邊界條件而缺乏可靠性。此外，材料性能參數(shù)受隨機(jī)噪聲因素的干擾，也會使得最優(yōu)設(shè)計(jì)點(diǎn)不可靠，所以在輕量化應(yīng)用工程中應(yīng)盡量減小最優(yōu)設(shè)計(jì)點(diǎn)對干擾的敏感性[2]。

許多學(xué)者對穩(wěn)健性優(yōu)化理論方法進(jìn)行了研究。GUNAWAN等[3-4]針對單目標(biāo)穩(wěn)健優(yōu)化，采用非梯度參數(shù)靈敏度分析方法，有效地提高了最優(yōu)設(shè)計(jì)點(diǎn)的穩(wěn)健性，并在此基礎(chǔ)上提出“靈敏度域”的概念，并將其應(yīng)用于多目標(biāo)、多約束穩(wěn)健優(yōu)化問題，但該方法未能有效地解決此類問題。YOUN等[5]提出了以提高最優(yōu)設(shè)計(jì)點(diǎn)的可靠性為優(yōu)化目標(biāo)的設(shè)計(jì)方法，使設(shè)計(jì)響應(yīng)均值遠(yuǎn)離邊界條件，但此方法在滿足可靠性條件的同時未能兼顧目標(biāo)的穩(wěn)健性。李玉強(qiáng)等[6]采用6σ穩(wěn)健性優(yōu)化設(shè)計(jì)方法，將6σ質(zhì)量管理、可靠性優(yōu)化設(shè)計(jì)與基于容差模型的穩(wěn)健性優(yōu)化設(shè)計(jì)相結(jié)合，使響應(yīng)均值遠(yuǎn)離邊界條件，能同時提高設(shè)計(jì)的可靠性和穩(wěn)健性。

本文根據(jù)某車門靜剛度和模態(tài)分析的結(jié)果，對其剛度和模態(tài)性能進(jìn)行優(yōu)化。將6σ穩(wěn)健性優(yōu)化和多目標(biāo)優(yōu)化設(shè)計(jì)相結(jié)合，充分考慮門板厚度和材料性質(zhì)等不確定因素，結(jié)合蒙特卡羅模擬(Monte Carlo simulation，MCS)技術(shù)和改進(jìn)型非支配遺傳算法(NSGAⅡ)，構(gòu)造基于6σ穩(wěn)健性的軋制差厚板(tailor rolled blank，TRB)車門輕量化設(shè)計(jì)方法。

1 車門有限元模型的建立與驗(yàn)證

車門由厚度小于2 mm的金屬薄板沖壓焊接而成，因此車門的有限元模型主要用面網(wǎng)格進(jìn)行離散化[7]，即對曲面率較小的平坦區(qū)域選用四邊形單元劃分，對曲率較大的過渡區(qū)域選用三角形單元劃分，并控制三角形單元的網(wǎng)格數(shù)量小于整個車門有限元模型網(wǎng)格數(shù)量的10%[8]。焊點(diǎn)采用rigid剛性單元模擬。車門的材料為08AL，此材料的彈性模量為207 GPa，泊松比為0.3，密度為7800 kg/m3。利用Hypermesh建立的車門有限元模型如圖1所示。

圖1 車門有限元模型Fig.1 Finite element model of car door

利用Optistruct對車門剛度和模態(tài)進(jìn)行有限元分析，發(fā)現(xiàn)車門局部區(qū)域的剛度不足，需進(jìn)行結(jié)構(gòu)優(yōu)化。后文將軋制差厚板用于車門結(jié)構(gòu)優(yōu)化時，將剛度不足區(qū)單獨(dú)進(jìn)行分塊處理。車門一階模態(tài)頻率為34.83 Hz，與一般情況下轎車車身一階固有頻率相近，存在共振的可能性，故需進(jìn)行剛度和模態(tài)性能的優(yōu)化，即在滿足車門剛度和模態(tài)性能的前提下，以車門質(zhì)量最小為目標(biāo)進(jìn)行優(yōu)化設(shè)計(jì)。

車門的有限元模型與車門實(shí)體之間存在差異，故在對車門進(jìn)行結(jié)構(gòu)優(yōu)化前，需對車門的有限元模型進(jìn)行驗(yàn)證，即用模態(tài)試驗(yàn)驗(yàn)證車門有限元模型的正確性，為后續(xù)研究奠定基礎(chǔ)。試驗(yàn)時，車門采用充氣內(nèi)胎支撐，采用等間距的密集布點(diǎn)法布置107個測試點(diǎn)。采用力錘錘擊法模擬激勵信號，逐步測取107個測試點(diǎn)的響應(yīng)信號。激勵信號與響應(yīng)信號經(jīng)過放大器輸入動態(tài)信號分析儀，采用FFT處理激勵信號和各測點(diǎn)響應(yīng)信號，得到120 Hz以內(nèi)的模態(tài)響應(yīng)值，最后在STAR分析軟件中進(jìn)行曲線擬合，通過模態(tài)參數(shù)識別，得到車門模態(tài)參數(shù)，車門模態(tài)試驗(yàn)測試系統(tǒng)如圖2所示。將試驗(yàn)和理論模態(tài)結(jié)果進(jìn)行比較，對比結(jié)果如表1所示。

由表1可知，前6階模態(tài)振型中，車門試驗(yàn)?zāi)B(tài)沒有第1階模態(tài)，這是因?yàn)檐囬T模態(tài)分析中所建立的有限元模型有26 300個節(jié)點(diǎn)，而車門試驗(yàn)?zāi)B(tài)中僅有107個測試點(diǎn)，有限元模型節(jié)點(diǎn)數(shù)遠(yuǎn)遠(yuǎn)大于試驗(yàn)?zāi)B(tài)測點(diǎn)數(shù)。計(jì)算值與試驗(yàn)值之間的相對誤差最大為8.36%，滿足小于10%的要求。綜上可知，車門理論模態(tài)與試驗(yàn)?zāi)B(tài)頻率相近，因此有限元模型有效反映了車門實(shí)體屬性，能夠用于后續(xù)優(yōu)化設(shè)計(jì)的研究。

圖2 車門模態(tài)試驗(yàn)測試系統(tǒng)示意圖Fig.2 Test system diagram of car door modal test

階數(shù)123456計(jì)算值(Hz)34．8345．6152．2364．2571．1177．88試驗(yàn)值(Hz)47．6452．9659．4565．2085．00誤差(%)4．261．378．077．538．36

2 車門確定性優(yōu)化流程

2.1 車門內(nèi)外板分塊處理

對車門進(jìn)行靜剛度和模態(tài)分析，通過分析車門結(jié)構(gòu)在各個工況下的應(yīng)力云圖和變形云圖可知，車門內(nèi)板主要承載區(qū)為車門鉸鏈連接處、窗框邊緣和內(nèi)板腰帶處。車門外板主要承載區(qū)為窗框下邊緣和外板下端。據(jù)此將車門內(nèi)板分成4個區(qū)域，將車門外板分成3個區(qū)域，如圖3所示。用軋制差厚板代替原有的等厚度板和加強(qiáng)板，為后續(xù)優(yōu)化做準(zhǔn)備。圖3中，區(qū)域4、區(qū)域6為厚度連續(xù)線性變化的過渡區(qū)域，在Hyperstudy中通過等式T4=0.5(T1+T2)和T6=0.5(T5+T7)將設(shè)計(jì)變量關(guān)聯(lián)起來(Ti為區(qū)域i的板材厚度)，并通過Hypermorph中的兩個形狀變量S1、S2來實(shí)現(xiàn)區(qū)域4和區(qū)域6的位置變化，S1表示內(nèi)板區(qū)域3右邊緣的位置沿Z軸方向移動的范圍，S2代表車門內(nèi)板過渡區(qū)域4沿Y軸方向移動的范圍。

圖3 車門分塊示意圖Fig.3 TRB blocks diagram of car door

2.2 基于試驗(yàn)設(shè)計(jì)的徑向基函數(shù)模型的構(gòu)建

合理的試驗(yàn)設(shè)計(jì)能提高代理模型的精確度，從而提高優(yōu)化設(shè)計(jì)結(jié)果的準(zhǔn)確度。試驗(yàn)設(shè)計(jì)方法主要有兩種：基于邊界填充與基于空間填充?；诳臻g填充的試驗(yàn)設(shè)計(jì)方法不僅可以盡可能多地表達(dá)空間特性，而且可以避免邊界的隨機(jī)誤差。常見的基于空間填充的試驗(yàn)設(shè)計(jì)方法有均勻設(shè)計(jì)和拉丁超立方設(shè)計(jì)。拉丁超立方設(shè)計(jì)方法不僅可以保證設(shè)計(jì)變量在投影上的均勻性，而且可以保證設(shè)計(jì)變量在空間上的均勻性，故本文采用拉丁超立方試驗(yàn)設(shè)計(jì)方法，按表2中設(shè)計(jì)變量的范圍，設(shè)置成11個因素和150個水平的試驗(yàn)設(shè)計(jì)，通過150次不斷調(diào)用Hypermesh對每一個試驗(yàn)點(diǎn)進(jìn)行有限元分析。車門靜剛度是指車門在使用過程中承受各種載荷情況、抵抗變形的能力，是車門開發(fā)設(shè)計(jì)中的重要參數(shù)，一般包括下沉剛度、車窗側(cè)向剛度和腰帶擠壓剛度。本文選取下沉工況下車門門鎖處10 217節(jié)點(diǎn)的Y向位移d1、窗框側(cè)向工況下車門123 562節(jié)點(diǎn)的X向位移d2、車門腰帶擠壓工況下車門124 920節(jié)點(diǎn)的X向位移d3以及車門一階彎曲頻率f、車門總質(zhì)量m為響應(yīng)變量，對車門下沉剛度、窗框側(cè)向剛度、腰帶擠壓剛度和1階彎曲頻率f提出評價標(biāo)準(zhǔn)，如表3所示。

表2 設(shè)計(jì)變量初始值及取值范圍

表3 評價標(biāo)準(zhǔn)

不同的代理模型適用于不同的問題，總結(jié)前人研究成果發(fā)現(xiàn)：徑向基函數(shù)(RBF) 模型適用性較強(qiáng)；多項(xiàng)式響應(yīng)面模型(response surface method, RSM)在解決變量較少、低階非線性問題方面具有上佳表現(xiàn)[7]。本文研究的車門多學(xué)科穩(wěn)健性優(yōu)化設(shè)計(jì)屬于多變量、非線性問題，因此選用RBF模型。

RBF模型以徑向函數(shù)為基函數(shù)，通過線性疊加構(gòu)造出來的模型，將多維問題轉(zhuǎn)化為以徑向函數(shù)為自變量的一維問題，能很好地兼顧計(jì)算效率和精度[9-10]。用RBF模型代替車門有限元模型進(jìn)行優(yōu)化時需對代理模型精度進(jìn)行評價，評價指標(biāo)包括決定系數(shù)R2和均方差EMS，分別為

(1)

R2體現(xiàn)了代理模型對樣本點(diǎn)的擬合情況，其值越接近1，精度越高；EMS越小表示代理模型精度越高。本文選取10個樣本點(diǎn)，進(jìn)行交叉驗(yàn)證，5個響應(yīng)量的RBF模型的決定系數(shù)均大于0.9，均方差均小于0.1 (表4)，說明建立的RBF模型精度達(dá)到了較高水平，可用于下一步的優(yōu)化設(shè)計(jì)。

表4 RBF模型交叉驗(yàn)證評價參數(shù)

2.3 車門確定性優(yōu)化流程

在isight軟件中搭建車門確定性優(yōu)化模型，其優(yōu)化流程如圖4(不包括虛框)所示。利用拉丁超立方試驗(yàn)設(shè)計(jì)，不斷調(diào)用Hypermesh進(jìn)行有限元分析，再在Approximation組件中建立RBF模型，并驗(yàn)證其精度。在Optimization組件中設(shè)置設(shè)計(jì)變量、約束函數(shù)及目標(biāo)函數(shù)，選擇序列二次規(guī)劃算法不斷尋求最優(yōu)解[11]。該優(yōu)化設(shè)計(jì)為單目標(biāo)多約束問題，得到設(shè)計(jì)變量和評價標(biāo)準(zhǔn)的確定性最優(yōu)解，如表5所示。

表5 確定性優(yōu)化結(jié)果

確定性優(yōu)化數(shù)學(xué)模型如下：

3 車門6σ穩(wěn)健性優(yōu)化流程

確定性優(yōu)化設(shè)計(jì)結(jié)果雖能滿足靜剛度和模態(tài)性能的約束條件，但在設(shè)計(jì)變量波動或噪聲因素干擾時，最優(yōu)設(shè)計(jì)點(diǎn)極易超出約束邊界。為充分考慮車門各部件板厚不確定性和材料性能波動的噪聲干擾，本文構(gòu)建了基于6σ穩(wěn)健性的單目標(biāo)多約束車門優(yōu)化設(shè)計(jì)方法，優(yōu)化流程如圖4(包括虛框)所示。

3.1 車門6σ穩(wěn)健性優(yōu)化數(shù)學(xué)模型

選取T1、T2、…、T7、S1、S2為隨機(jī)設(shè)計(jì)變量，考慮彈性模量E和泊松比μ兩個隨機(jī)噪聲干擾的影響。設(shè)定E、μ屬于正態(tài)分布，T1、T2、…、T7的變異系數(shù)為0.03，S1、S2、E、μ的變異系數(shù)為0.01。車門6σ穩(wěn)健性優(yōu)化數(shù)學(xué)模型如下：

設(shè)計(jì)變量T1，T2，…，T7，S1，S2

噪聲因素E，μ

minm

maxf

s.t.μ(d1)+6σ(d1)≤2 mm

μ(d2)+6σ(d2)≤2 mm

μ(d3)+6σ(d3)≤2 mm

i=1,2, …,10

j=1,2

式中，上標(biāo)U、L分別表示設(shè)計(jì)變量的上限和下限。

3.2 基于MCS和NSGAⅡ的6σ穩(wěn)健性優(yōu)化

6σ穩(wěn)健性優(yōu)化采用雙循環(huán)優(yōu)化策略，即將穩(wěn)健性分析過程內(nèi)嵌于確定性優(yōu)化設(shè)計(jì)中，并對每一次確定性優(yōu)化結(jié)果采用MCS進(jìn)行統(tǒng)計(jì)評估。與傳統(tǒng)的將多目標(biāo)轉(zhuǎn)化成單目標(biāo)進(jìn)行優(yōu)化的算法相比，NSGAⅡ以種群進(jìn)化為基礎(chǔ)，單次運(yùn)行找到Pareo解集。本文將NSGAⅡ和MCS相結(jié)合，構(gòu)造出6σ穩(wěn)健性優(yōu)化設(shè)計(jì)流程。

3.3 車門6σ穩(wěn)健性優(yōu)化結(jié)果

采用多目標(biāo)遺傳算法對構(gòu)造的各個代理模型進(jìn)行近似優(yōu)化，可得到Patero最優(yōu)解集。車門的一階固有頻率只要大于38 Hz即可降低與車身發(fā)生共振的可能性，要追求車門質(zhì)量最小化，一階固有頻率最大化，只能從Patero最優(yōu)解集中挑選最優(yōu)妥協(xié)解，最終的優(yōu)化結(jié)果如表6所示。

表6 確定性優(yōu)化結(jié)果

對比表5和表6可知，與初始值相比，雖然6σ穩(wěn)健性最優(yōu)妥協(xié)解的車門質(zhì)量有所增大，但一階模態(tài)頻率增大到38.49 Hz，有效避開了車身一階模態(tài)頻率，降低了共振的可能性。其次，6σ穩(wěn)健性最優(yōu)解的d1增大了33.6%，d2減小了39.6%，d3減小了34.3%，并且3種約束函數(shù)的評價指標(biāo)均達(dá)到了8σ水平，所有設(shè)計(jì)變量符合正態(tài)分布，且在材料噪聲因素的干擾下，約束函數(shù)均能在8σ水平的波動內(nèi)滿足約束條件，設(shè)計(jì)變量也遠(yuǎn)離約束邊界。

與確定性優(yōu)化TRB車門相比，6σ穩(wěn)健性最優(yōu)妥協(xié)解大幅度提高了各個約束函數(shù)的可靠度。由此可知，6σ穩(wěn)健性優(yōu)化在獲得滿足約束條件的同時，可大幅度提高優(yōu)化設(shè)計(jì)點(diǎn)的可靠度和穩(wěn)健性。

4 6σ穩(wěn)健性優(yōu)化后TRB車門性能分析

由于非支配解在目標(biāo)空間的象點(diǎn)是由RBF模型計(jì)算得來的，故需進(jìn)行有限元驗(yàn)證，根據(jù)表5中車門6σ穩(wěn)健性優(yōu)化結(jié)果設(shè)置車門TRB內(nèi)外板的厚度，并將其代入有限元模型中進(jìn)行分析計(jì)算。

4.1 TRB車門的一階模態(tài)

車門自由模態(tài)一階振型如圖5所示，與確定性優(yōu)化結(jié)果相比，應(yīng)用TRB進(jìn)行6σ穩(wěn)健性優(yōu)化后的車門一階模態(tài)頻率增大至39.01 Hz，有效避免了共振的可能性。車門窗框下邊緣的最大變形也由原來的41.5 mm減小到38.87 mm，即使發(fā)生共振，6σ穩(wěn)健性優(yōu)化后的TRB車門也比確定性原始車門的振動幅度小。

4.2 TRB車門下沉剛度

6σ穩(wěn)健性優(yōu)化后，TRB車門下沉工況 (CASE1) 下的變形和應(yīng)力如圖6所示。與確定性優(yōu)化相比，評價參數(shù)節(jié)點(diǎn)10 217處的Y向變形d1由0.56 mm增大至0.89 mm，但仍然滿足評價標(biāo)準(zhǔn)，且最大應(yīng)力發(fā)生在載荷加載點(diǎn)——門把手處，其余部分未出現(xiàn)應(yīng)力集中現(xiàn)象。

圖6 CASE1:變形云圖和應(yīng)力云圖Fig.6 CASE1: deformation nephogram and stress nephogram

4.3 TRB車門窗框側(cè)向剛度

6σ穩(wěn)健性優(yōu)化后，TRB車門窗框側(cè)向工況(CASE2)下的變形和應(yīng)力如圖7所示，與確定性優(yōu)化后TRB車門窗框側(cè)向工況下的變形和應(yīng)力相比，評價參數(shù)節(jié)點(diǎn)123 562處的X向變形d2由2.56 mm減小至1.85 mm, 最大應(yīng)力由159 MPa增大至172.3 MPa，除了車門門鎖施加約束載荷處，無應(yīng)力集中點(diǎn)。

圖7 CASE2:變形云圖和應(yīng)力云圖Fig.7 CASE2: deformation nephogram and stress nephogram

圖8 CASE3:變形云圖和應(yīng)力云圖Fig.8 CASE3: deformationnephogram and stress nephogram

4.4 TRB車門腰帶擠壓剛度

6σ穩(wěn)健性優(yōu)化后，TRB車門腰帶擠壓工況(CASE3)下的變形和應(yīng)力如圖8所示。與確定性優(yōu)化后TRB車門腰帶擠壓工況下的變形和應(yīng)力相比，評價參數(shù)節(jié)點(diǎn)124 920處的X向變形d3由1.98 mm減小至1.24 mm，最大應(yīng)力由51.05 MPa減小至46.8 MPa，且應(yīng)力分布更為均勻，TRB過渡區(qū)域無應(yīng)力集中現(xiàn)象。

將最優(yōu)妥協(xié)解代入RBF模型和有限元模型，得到的參數(shù)值如表7所示，RBF模型與有限元模型之間的相對誤差最大為3.13%，最大誤差出現(xiàn)在腰帶擠壓工況，這是因?yàn)榇斯r下的響應(yīng)非線性程度比較高，因此，基于RBF模型的多目標(biāo)優(yōu)化結(jié)果的可信度較高。

表7 6σ穩(wěn)健性優(yōu)化結(jié)果驗(yàn)證

5 結(jié)語

將軋制差厚板應(yīng)用于車門結(jié)構(gòu)優(yōu)化，將試驗(yàn)設(shè)計(jì)、徑向基函數(shù)模型、蒙特卡羅模擬法和非支配遺傳算法相結(jié)合，構(gòu)建了基于6σ穩(wěn)健性的車門軋制差厚板優(yōu)化設(shè)計(jì)方法，用徑向基函數(shù)模型替代了車門有限元模型，大大提高了整個優(yōu)化過程的計(jì)算效率。優(yōu)化結(jié)果表明，該方法在相對減輕車門質(zhì)量的同時，能提高車門品質(zhì)的穩(wěn)健性，對于板殼類結(jié)構(gòu)的優(yōu)化設(shè)計(jì)具有較高的精度、效率和較強(qiáng)的實(shí)用性。

[1] 張宇.基于穩(wěn)健與可靠性優(yōu)化設(shè)計(jì)的轎車車身輕量化研究[D].上海：上海交通大學(xué)，2009. ZHANG Yu. Research on Lightweight Design of Autobody Structure Using Robust and Reliability-based Design Optimization[D]. Shanghai：Shanghai Jiao Tong University, 2009.

[2] MAGLARAS G, PONSLET E, HALFTKA R T, et al. Analytical and Experimental Comparison of Probabilistic and Deterministic Optimization[J]. AIAA Journal, 1996, 34(7):1512-1518.

[3] GUNAWAN S, AZARM S. Non-gradient Based Parameter Sensitivity Estimation for Single Objective Robust Design Optimization[J]. Journal of Mechanical Design，2004, 126(1):395-402.

[4] GUNAWAN S, AZARM S. Multi-objective Robust Optimization Using a Sensitivity Region Concept[J]. Struct. Multidisc. Optim.，2005, 29(1):50-60.

[5] YOUN B D, CHOI K K, YANG R J, et al. Reliability Based Design Optimization for Crashworthiness of Vehicle Side Impact[J]. Structural and Multidisciplinary Optimization, 2004, 26(3):272-283.

[6] 李玉強(qiáng)，崔振山，陳軍，等. 基于響應(yīng)面模型的6σ穩(wěn)健設(shè)計(jì)方法[J] .上海交通大學(xué)學(xué)報(bào)，2006, 40(2):201-205. LI Yuqiang, CUI Zhenshan，CHEN Jun, et al. Six Sigma Robust Design Methodology Based on Response Surface Model[J]. Journal of Shanghai Jiaotong University, 2006, 40(2):201-205.

[7] 王國春，成艾國，胡成輝，等. 基于 Kriging 模型的汽車前部結(jié)構(gòu)的耐撞性優(yōu)化[J]. 汽車工程，2011,33(3):208-212. WANG Guochun, CHENG Aiguo, HU Chenghui, et al. Crashworthiness Optimization of Vehicle Frontal Crash Based on Kriging Model[J]. Automotive Engineering, 2011, 33(3):208-212.

[8] 杜平安.有限元網(wǎng)格劃分的基本原則[J]. 機(jī)械設(shè)計(jì)與制造, 2000, 34(3):34-36. Du Ping’an. The Basic Principles of Finite Element Mesh Division[J]. Machinery Design & Manufacture, 2000, 34(3):34-36.

[9] 張勇, 李光耀, 鐘志華.基于移動最小二乘響應(yīng)面方法的整車輕量化設(shè)計(jì)優(yōu)化[J].機(jī)械工程學(xué)報(bào), 2008,44(11):192-196. ZHANG Yong, LI Guangyao, ZHONG Zhihua. Design Optimization on Lightweight of Full Vehicle Based on Moving Least Square Response Surface Method[J]. Journal of Mechanical Engineering, 2008, 44(11):192-196.

[10] 胥志剛，林忠欽，來新民，等. 面向車身結(jié)構(gòu)輕量化設(shè)計(jì)的水平集拓?fù)鋬?yōu)化[J]. 上海交通大學(xué)學(xué)報(bào), 2007, 17(3):26-32. XU Zhigang, LIN Zhongqin, LAI Xinming, et al. A Level Set Topology Optimization Method for Auto-body Structure Lightweight Design[J]. Journal of Shanghai Jiaotong University, 2007, 17(3):26-32.

[11] 黃石華，成艾國，胡朝輝，等. 基于6σ穩(wěn)健性的拼焊板車門輕量化研究[J]. 汽車工程，2011, 33(3):262-266 HUANG Shihua, CHENG Aiguo, HU Zhaohui, et al. A Research on the Lightweighting of TWB Door Based on Six Sigma Robustnesss[J]. Automotive Engineering, 2011,33(3):262-266.

(編輯 張 洋)

Optimization Design of TRB Car Doors Based on 6σ Robustness

ZHU Maotao1ZHU Caifan1GUO Jiahuan1QIAN Yang2

1.School of Automobile & Traffic Engineering,Jiangsu University,Zhenjiang,Jiangsu,212013 2.Bosch Automotive Products Co.Ltd.，Suzhou,Jiangsu，215100

For car door structure optimization studies, most of them did not consider the car door uncertainty factors. In order to improve robustness of structure optimized car door’s performance, a new type manufacturing process of TRB was applied in car doors, and influences of sheet thicknesses and material performance parameter’s volatility on the robustness of each constraint were considered. Combined with Latin hypercube design and RBF model, using dual cycle optimization strategy of combining Monte Carlo simulation with improved non-dominated sorting genetic algorithm, a TRB car door lightweight design was proposed based on 6σ robustness. This method may obtain an optimal solution, and may improve reliability of design variables and robustness of objective function.

car door; robustness; tailor rolled blank(TRB); Monte Carlo simulation; lightweight

白振華，男，1975年生。燕山大學(xué)國家冷軋板帶裝備及工藝工程技術(shù)研究中心及燕山大學(xué)亞穩(wěn)材料制備技術(shù)與科學(xué)國家重點(diǎn)實(shí)驗(yàn)室教授、博士研究生導(dǎo)師。主要研究方向?yàn)闄C(jī)械設(shè)計(jì)及自動化、軋鋼設(shè)備及工藝、板形控制及自動化。獲國家科技進(jìn)步一等獎1項(xiàng)，省部級科技進(jìn)步一等獎 3項(xiàng)，省部級科技進(jìn)步二等獎3項(xiàng)，省部級科技發(fā)明二等獎2項(xiàng)，省部級科技進(jìn)步三等獎4項(xiàng)。出版學(xué)術(shù)專著2部，發(fā)表論文80余篇。E-mail：bai_zhenhua@aliyun.com。李麒麟，男，1993年生。燕山大學(xué)國家冷軋板帶裝備及工藝工程技術(shù)研究中心碩士研究生。劉亞星，男，1990年生。燕山大學(xué)國家冷軋板帶裝備及工藝工程技術(shù)研究中心碩士研究生。崔亞亞，男，1988年生。燕山大學(xué)國家冷軋板帶裝備及工藝工程技術(shù)研究中心碩士研究生。郭振勝，男，1975年生。山東冠洲股份有限公司技術(shù)部部長。宋章峰，男，1970年生。山東冠洲股份有限公司技術(shù)部總經(jīng)理。

2016-06-28

江蘇省汽車工程重點(diǎn)實(shí)驗(yàn)室資助項(xiàng)目(1851120141)

U463.834

10.3969/j.issn.1004-132X.2017.08.020