鄧文字,吳健余,馮明松,羅慧娟,黃炎

(上汽通用五菱汽車股份有限公司，廣西柳州 545007)

0 引言

隨著社會(huì)經(jīng)濟(jì)的高速發(fā)展，汽車的需求量逐年增加，交通事故頻發(fā)使汽車安全受到廣泛關(guān)注，考慮汽車的安全性能在人們選購汽車時(shí)越發(fā)重視。汽車發(fā)生碰撞時(shí)，白車身作為主要吸能部分，對(duì)其研究具有重要意義。在傳統(tǒng)汽車的早期概念車身開發(fā)設(shè)計(jì)流程中，提升車身綜合性能和縮短整體開發(fā)周期一直是很難兼顧的矛盾。

在早期車身結(jié)果優(yōu)化設(shè)計(jì)時(shí)，參數(shù)化模型可實(shí)現(xiàn)尺寸、材料、料厚、等多變量的一體式優(yōu)化，在車型早期概念開發(fā)階段得到廣泛應(yīng)用[1-2]。

本文作者針對(duì)早期碰撞性能開發(fā)提出先使用SFE車身數(shù)據(jù)庫搭建車身碰撞仿真模型，再利用SFE模型的隱式參數(shù)特性結(jié)合Isight DOE實(shí)驗(yàn)方法驗(yàn)證大量方案。這種方法旨在車身早期概念開發(fā)階段就積極參與白車身的相關(guān)性能驗(yàn)證，改變傳統(tǒng)CAE分析落后于早期開發(fā)設(shè)計(jì)的流程，在縮短早期研發(fā)周期的同時(shí)提升車身碰撞性能。

在某新車型預(yù)研項(xiàng)目中首先利用SFE車身數(shù)據(jù)庫和初始輸入概念參考數(shù)據(jù)搭建了車身碰撞模型，根據(jù)項(xiàng)目需求和研究重點(diǎn)分別選取材料牌號(hào)變量9個(gè)、厚度參數(shù)變量29個(gè)、截面參數(shù)變量26個(gè)作為碰撞性能的設(shè)計(jì)變量，以侵入量、回彈時(shí)刻、吸能比、加速度作為優(yōu)化目標(biāo)。選取230個(gè)樣本點(diǎn)搭建Isight DOE，實(shí)現(xiàn)車身系統(tǒng)結(jié)構(gòu)優(yōu)化設(shè)計(jì)的自動(dòng)循環(huán)運(yùn)算。

這套白車身碰撞安全性能正向開發(fā)流程在白車身概念開發(fā)階段就進(jìn)行大量CAE碰撞性能仿真分析，可以使工程師在車身概念設(shè)計(jì)階段有較大的設(shè)計(jì)空間尋求多種設(shè)計(jì)方案，從中篩選出性價(jià)比最好的綜合方案，在較短開發(fā)周期內(nèi)提升碰撞性能以達(dá)到目標(biāo)要求，為后續(xù)車身設(shè)計(jì)提供優(yōu)化指導(dǎo)性建議和方案。從而極大程度地提高研發(fā)質(zhì)量和效率，保證后期研發(fā)順利，有效降低研發(fā)成本。

1 基于參數(shù)化數(shù)據(jù)庫搭建碰撞仿真模型

1.1 隱式參數(shù)化技術(shù)

參數(shù)化數(shù)據(jù)庫搭建的模型是基于隱式參數(shù)化建模技術(shù)建立的數(shù)據(jù)集合。

在隱式參數(shù)化技術(shù)描述中，單個(gè)模型的幾何形狀由3種類型參數(shù)控制：基點(diǎn)坐標(biāo)位置、基線曲率、基礎(chǔ)截面形狀。系統(tǒng)級(jí)模型可以通過控制上敘述參數(shù)和描述單個(gè)模型之間拓?fù)潢P(guān)系來自動(dòng)生成。因?yàn)樗邢到y(tǒng)級(jí)模型是拓?fù)潢P(guān)系相連接，一旦上述任一參數(shù)修改，與其相關(guān)聯(lián)的所有幾何體都會(huì)產(chǎn)生相應(yīng)變化[3-4]。這種模型具有兩個(gè)功能：(1)模型結(jié)構(gòu)具有全參數(shù)化功能，幾何結(jié)構(gòu)的位置、尺寸和形狀等可以任意改變，能記錄改變的過程并保存為設(shè)計(jì)變量；(2)幾何結(jié)構(gòu)發(fā)生改變的參數(shù)化模型可以自動(dòng)生成幾何結(jié)構(gòu)相同并滿足網(wǎng)格質(zhì)量要求的有限元模型。基于上述功能，隱式參數(shù)化技術(shù)成為車身結(jié)構(gòu)設(shè)計(jì)優(yōu)化的有利工具[5]。

1.2 SFE參數(shù)化數(shù)據(jù)庫

不同于傳統(tǒng)SFE建模，建立SFE參數(shù)化模型數(shù)據(jù)庫時(shí)，前期需要花費(fèi)一定時(shí)間，對(duì)SFE參數(shù)化模型數(shù)據(jù)庫建模，進(jìn)行相應(yīng)的規(guī)劃。通過對(duì)國內(nèi)外多款車型的主要截面和接頭的拓?fù)浣Y(jié)構(gòu)進(jìn)行分析，可以發(fā)現(xiàn)其拓?fù)浣Y(jié)構(gòu)都是“大同小異”，主要差異就是尺寸大小的不同。就是說，主要截面和接頭在各個(gè)車型之間通過尺寸調(diào)整可以做到有效互換以斷面和接頭的通用性為基準(zhǔn)，靈活地處理各種拓?fù)溥B接的數(shù)據(jù)庫。利用SFE模塊化技術(shù)，將整車分解到截面與接頭層面，這是實(shí)現(xiàn)數(shù)據(jù)庫的技術(shù)基礎(chǔ)。以截面和接頭拓?fù)浣Y(jié)構(gòu)為主導(dǎo)的數(shù)據(jù)庫適用于每一個(gè)企業(yè)。不在整車宏觀層面上考慮模塊的通用性問題(如前艙、側(cè)圍、前/后地板總成是否通用等等)，而將著眼點(diǎn)放在截面和接頭拓?fù)浣Y(jié)構(gòu)的通用性上面，在這個(gè)微觀層面上，各種迥異的車型都能體現(xiàn)出通用性。

數(shù)據(jù)庫的最大特點(diǎn)是充分發(fā)揮模塊化的優(yōu)勢(shì)，可以高效地衍生不同拓?fù)浣Y(jié)構(gòu)的各種車型。數(shù)據(jù)庫對(duì)一個(gè)企業(yè)的平臺(tái)規(guī)劃要求不高，不局限于特定的車身架構(gòu)，可以在“局部模塊”的層面上快速完成各種整車結(jié)構(gòu)的拼接和組合。

為保證通用性和靈活性，該數(shù)據(jù)庫搭建的整體思路可概括為：化繁為簡(jiǎn)，有效拆分，干凈靈活。

綜上所述，數(shù)據(jù)庫的兩大特點(diǎn)是：

(1)不局限于工程平臺(tái)且兼容工程平臺(tái)，不受零件結(jié)構(gòu)朿縛，可通過核心車型及局部拓?fù)淠K完成大批量車型衍生，即以最少的數(shù)據(jù)量覆蓋企業(yè)的全部車型。

(2)無重復(fù)建模工作，即所有新建模型均以數(shù)據(jù)庫原則建立并存儲(chǔ)到數(shù)據(jù)庫中，后續(xù)開發(fā)中遇到類似的拓?fù)浣Y(jié)構(gòu)可以直接調(diào)用數(shù)據(jù)庫模型。

1.3 利用SFE數(shù)據(jù)庫搭建碰撞模型

1.3.1 白車身拼裝

根據(jù)項(xiàng)目開發(fā)需求和車型定義，在已建立的SFE數(shù)據(jù)庫中挑選各個(gè)模塊拓?fù)湫问揭恢禄蚰芸焖傩薷姆闲枨蟮慕Y(jié)構(gòu)進(jìn)行拼裝。如果數(shù)據(jù)庫中沒有相似或能快速修改的模塊選擇，則需要少部分重建(重建的部分可以歸納進(jìn)數(shù)據(jù)庫中以擴(kuò)展數(shù)據(jù)庫模塊類型)。

初步拼裝完成的白車身模型需要利用SFE模型隱式參數(shù)化的特性，根據(jù)CAS數(shù)據(jù)、門洞線以及截面數(shù)據(jù)、車身尺寸信息以及總布置數(shù)據(jù)等概念參考數(shù)據(jù)以及相關(guān)約束條件進(jìn)行調(diào)整。

1.3.2 SFE碰撞網(wǎng)格的輸出

SEF碰撞仿真模型不同于剛度模態(tài)仿真模型，輸出的車身網(wǎng)格需要與車身之外的其他總成組合成整車進(jìn)行碰撞仿真實(shí)驗(yàn)。SFE輸出的白車身碰撞模型通過PATCH與整車其他總成連接。在對(duì)應(yīng)連接位置建立相關(guān)PATCH，并且PATCH ID與整車其他總成保持一致。以防SFE輸出白車身碰撞網(wǎng)格節(jié)點(diǎn)號(hào)與其他總成網(wǎng)格節(jié)點(diǎn)號(hào)相同。相關(guān)設(shè)置完成以后SFE可以快速自動(dòng)劃分碰撞模型。

SFE白車身模型搭建完成，劃分出網(wǎng)格數(shù)據(jù)后，替換原白車身數(shù)據(jù)，與其他總成數(shù)據(jù)拼接，即可完成碰撞數(shù)據(jù)的搭建，如圖1所示。

圖1 白車身模型搭建

1.4 基于SFE數(shù)據(jù)庫搭建碰撞仿真模型的優(yōu)勢(shì)

1.4.1 時(shí)間效益

不同于傳統(tǒng)參數(shù)化建模方式，數(shù)據(jù)庫模塊有直接替換和快速修改的特點(diǎn)，這直接改變了在早期開發(fā)中傳統(tǒng)參數(shù)化模型修改方案的方式。利用SFE數(shù)據(jù)庫搭建車身模型平均為20個(gè)工作日，相比SFE逆向建模平均40個(gè)工作日(圖2)，提高了一倍工作效率，同時(shí)提前了CAE分析時(shí)間節(jié)點(diǎn)。

圖2 建模時(shí)間統(tǒng)計(jì)

1.4.2 性能效益

與常規(guī)CAE分析對(duì)比，利用SFE數(shù)據(jù)庫搭建車身碰撞仿真模型能在早期CAD數(shù)據(jù)不足的情況下將有限元分析提前介入到概念開發(fā)階段，及時(shí)了解整車性能表現(xiàn)，早發(fā)現(xiàn)問題早解決，有效把控進(jìn)度，采用SFE數(shù)據(jù)庫介入早期車身碰撞性能開發(fā)會(huì)使得早期模型具有較高的性能，可以為后續(xù)的詳細(xì)開發(fā)提供指向性的優(yōu)化建議及方案。

SFE車身數(shù)據(jù)庫可以永久性更新，重復(fù)性使用。少量新建的模型可以擴(kuò)充進(jìn)數(shù)據(jù)庫，豐富數(shù)據(jù)庫模塊類型，數(shù)據(jù)庫越豐富建模效率越高，開發(fā)車型選擇更廣。

2 多學(xué)科多目標(biāo)參數(shù)優(yōu)化

通過SFE參數(shù)化模型進(jìn)行Isight DOE實(shí)驗(yàn)方法找到白車身幾何尺寸、材料牌號(hào)、零件厚度等各參數(shù)之間的最佳組合，以滿足碰撞安全性能驗(yàn)證。確定完參數(shù)變量后，生成網(wǎng)格數(shù)據(jù)開始運(yùn)算并提取結(jié)果。運(yùn)用結(jié)果搭建近似模型，并進(jìn)行誤差分析，滿足要求后，基于近似模型，進(jìn)行仿真和優(yōu)化。具體流程圖如圖3所示。

圖3 參數(shù)優(yōu)化流程圖

2.1 優(yōu)化參數(shù)

在優(yōu)化前與設(shè)計(jì)部門確認(rèn)相關(guān)參數(shù)優(yōu)化空間，避免優(yōu)化計(jì)算后發(fā)現(xiàn)參數(shù)不可調(diào)整，優(yōu)化無效、反復(fù)。定義碰撞仿真需要驗(yàn)證的相關(guān)參數(shù)變量空間：幾何尺寸、材料牌號(hào)、零件厚度等。

將白車身前端結(jié)構(gòu)尺寸以及一些零部件的材料和料厚作為設(shè)計(jì)變量。涉及防撞梁、吸能盒、前大梁、SHOTGUN、前大梁加強(qiáng)板、前地板縱梁、前圍板加強(qiáng)板、前圍板橫梁、中通道、前地板、上邊梁和門檻梁。共材料牌號(hào)變量9個(gè)、厚度參數(shù)變量29個(gè)、截面參數(shù)變量26個(gè)。圖4為錄制厚度參數(shù)的部分板件；圖5為部分錄制的截面參數(shù)。

圖4 錄制厚度參數(shù)的部分板件

圖5 部分錄制的截面參數(shù)

2.2 試驗(yàn)設(shè)計(jì)方法

以概率論和數(shù)理統(tǒng)計(jì)原理為基礎(chǔ)，在設(shè)計(jì)空間上選取合理有效的有限個(gè)樣本點(diǎn)，使之能最好地反映設(shè)計(jì)空間的特性，這種方法就叫做試驗(yàn)設(shè)計(jì)(Design of Experiment，DOE)[6]。運(yùn)行DOE共分3個(gè)步驟：試驗(yàn)計(jì)劃、執(zhí)行試驗(yàn)、結(jié)構(gòu)分析。

試驗(yàn)計(jì)劃需確定變量的水平和類型，研究因素的主效應(yīng)、交互效應(yīng)，挑選合理的試驗(yàn)設(shè)計(jì)方法，生成樣本點(diǎn)，確定所需響應(yīng)。

試驗(yàn)設(shè)計(jì)方法決定了樣本點(diǎn)的數(shù)量與空間分布，若選取的樣本點(diǎn)的分布并不合理或者數(shù)量不足，會(huì)導(dǎo)致再多的樣本點(diǎn)也得不到精度更高的近似模型。因此在眾多設(shè)計(jì)試驗(yàn)方法中，挑選出最合理最高效的設(shè)計(jì)試驗(yàn)方法尤為重要。常見的設(shè)計(jì)試驗(yàn)方法包括：Box-Behnken試驗(yàn)設(shè)計(jì)、中心組合試驗(yàn)設(shè)計(jì)(Central Composite Design，CCD)、拉丁超立方試驗(yàn)設(shè)計(jì)(Latin Hypercube)、正交矩陣試驗(yàn)方法(Orthogonal Arrays)、Parameter Study試驗(yàn)方法等。

DOE樣本點(diǎn)選取主旨為相關(guān)參數(shù)進(jìn)行相關(guān)性能優(yōu)化，以節(jié)約計(jì)算量，提高優(yōu)化效率。優(yōu)化拉丁超立方試驗(yàn)設(shè)計(jì)(Optimal Latin Hypercube，OLHD)具有均衡分散性和整齊可比性的特點(diǎn)，能夠快速生成樣本點(diǎn)并能均勻地填充設(shè)計(jì)空間[7-8]。與中心組合相比，大大減少了試驗(yàn)次數(shù)，與正交矩陣相比，樣本點(diǎn)分布更加均衡。此方法生成的樣本點(diǎn)能更好反映出試驗(yàn)指標(biāo)與試驗(yàn)范圍內(nèi)各因素的關(guān)系。適用于車身結(jié)構(gòu)優(yōu)化樣本點(diǎn)的選取。

故選取拉丁超立方生成樣本點(diǎn)，通過ISIGHT軟件調(diào)用SFE Concept軟件，根據(jù)預(yù)先設(shè)定的參數(shù)變量，自動(dòng)生成240個(gè)ODB有限元模型后，提交到服務(wù)器上計(jì)算。

運(yùn)用基于Hyperworks二次開發(fā)的腳本，自動(dòng)讀取240版碰撞模型的各種性能指標(biāo)。

2.3 近似模型方法

近似模型方法通過數(shù)學(xué)模型的方法，模擬眾多輸入?yún)?shù)與輸出參數(shù)之間的響應(yīng)關(guān)系。用近似模型替代實(shí)際工程問題，能夠避免高強(qiáng)度仿真計(jì)算，減少迭代時(shí)間，并預(yù)測(cè)最優(yōu)解[9]。

與傳統(tǒng)對(duì)比如圖6所示。預(yù)估輸入輸出參數(shù)間的響應(yīng)關(guān)系，有效地避免局部?jī)?yōu)化解，找到全局最優(yōu)解，可與DOE組成更好的優(yōu)化策略。

圖6 優(yōu)化策略

近似模型原理：基于試驗(yàn)設(shè)計(jì)方法，抽樣獲得大量樣本數(shù)據(jù)，用回歸、擬合、插值等方法創(chuàng)建安全仿真的近似模型。

擬合近似模型的常用方法有：多項(xiàng)式響應(yīng)面方法(Response Surface Methodology，RSM)、克里格方法(Kriging)和徑向基神經(jīng)網(wǎng)絡(luò)方法(Radial Basis Functions，RBF)等。

多項(xiàng)式響應(yīng)面方法(Response Surface Methodology，RSM)是響應(yīng)面方法中最為常用的方法，在結(jié)構(gòu)分析與優(yōu)化中用于近似分析，其基本原理是根據(jù)已知設(shè)計(jì)點(diǎn)信息，構(gòu)建多項(xiàng)式擬合模型，一般常用的為二階多項(xiàng)式[10]。二階多項(xiàng)式響應(yīng)面近似模型具有相當(dāng)高的近似精度，在多學(xué)科優(yōu)化中，可替代耗時(shí)的有限元計(jì)算。

文中為了在較短時(shí)間內(nèi)得到較為準(zhǔn)確的結(jié)構(gòu)，選用二階多項(xiàng)式響應(yīng)面方法擬合近似模型，并基于近似模型得到了各參數(shù)變量對(duì)于各性能指標(biāo)的相關(guān)性以及貢獻(xiàn)量。同時(shí)對(duì)近似模型的精度進(jìn)行誤差分析，前圍板侵入量的誤差結(jié)果如圖7所示，大部分介于-3～3之間。

圖7 誤差結(jié)果

2.4 多目標(biāo)優(yōu)化算法

實(shí)際項(xiàng)目中，約束函數(shù)和目標(biāo)設(shè)計(jì)變量可能是線性的連續(xù)單峰的函數(shù)或是非線性的離散多峰的函數(shù)；設(shè)計(jì)變量可能是連續(xù)的或是離散的，問題較復(fù)雜。需根據(jù)不同的情況，選擇不同的優(yōu)化算法。

根據(jù)優(yōu)化算法的適用范圍，優(yōu)化算法可分為局部?jī)?yōu)化算法和全局優(yōu)化算法。局部算法包括直接搜索算法和梯度優(yōu)化算法，這種算法運(yùn)算求解效率很高，但存在尋找不到全局解的可能性。

全局優(yōu)化算法中有一種由進(jìn)化理論和遺傳變異理論為基礎(chǔ)理論的遺傳算法(Genetic Algorithm，GA)，此種算法與局部?jī)?yōu)化算法相比，能夠在全局空間內(nèi)搜索優(yōu)化解，但是這種算法運(yùn)算求解效率相對(duì)較低。

實(shí)際項(xiàng)目中的優(yōu)化目標(biāo)較多，而且往往優(yōu)化目標(biāo)之間是互相矛盾、制約關(guān)系。針對(duì)此問題，在遺傳算法基礎(chǔ)上發(fā)展的多目標(biāo)遺傳算法給出了解決方案。多目標(biāo)遺傳算法共分為兩代。第一代多目標(biāo)遺傳算法主要包括：多目標(biāo)遺傳算法(MOGA)、非支持排序遺傳算法(NSGA)、Niched-Pareto遺傳算法(NPGA)。

第二代多目標(biāo)遺傳算法包括：Strength Pareto遺傳算法(SPEA)、Pareto Archived遺傳算法(PAES)、非支配排序遺傳算法II(NSGAII)和序列二次方遺傳算法(NLPQL)等。

序列二次方遺傳算法(NLPQL)特點(diǎn)是算法效率高、對(duì)求解非線性性能目標(biāo)具有高穩(wěn)定性、能快速收斂到高質(zhì)量的優(yōu)化解。

通過尋求車身質(zhì)量最小的同時(shí)滿足其他相關(guān)性能要求，或者在滿足質(zhì)量要求尋求更優(yōu)其他性能指標(biāo)。以此分析質(zhì)量以及性能指標(biāo)的帶寬。

根據(jù)多種約束與目標(biāo)的設(shè)置，進(jìn)行多輪優(yōu)化，最終得到最優(yōu)結(jié)果。部分具體設(shè)計(jì)變量?jī)?yōu)化后的前后對(duì)比見表1。

表1 設(shè)計(jì)變量?jī)?yōu)化結(jié)果

2.5 詳細(xì)設(shè)計(jì)與結(jié)果驗(yàn)證

將優(yōu)化算法得出的最優(yōu)優(yōu)化結(jié)果的參數(shù)(幾何尺寸、材料牌號(hào)、零件厚度等)代入SFE模型自動(dòng)劃分有限元網(wǎng)格，并分別進(jìn)行碰撞性能驗(yàn)證。對(duì)比實(shí)際仿真結(jié)果與IsightDOE實(shí)驗(yàn)輸出結(jié)果誤差。包括加速度曲線、最大侵入量、質(zhì)量等。

經(jīng)實(shí)際碰撞模型仿真分析得到結(jié)果，部分?jǐn)?shù)值見表2。

表2 碰撞性能優(yōu)化結(jié)果

圖8為優(yōu)化前后左側(cè)B柱加速度曲線對(duì)比，加速度峰值優(yōu)化前為49.4g，優(yōu)化后為44.7g，降低了9.6%。

圖8 優(yōu)化前后左側(cè)加速度曲線對(duì)比

圖9為優(yōu)化前后前圍板侵入量曲線對(duì)比，侵入量峰值優(yōu)化前為147.1mm，優(yōu)化后為132.4mm，降低了10%。

圖9 優(yōu)化前后前圍板侵入量曲線對(duì)比

在ODB工況下，白車身優(yōu)化后降低了前圍板、三踏板侵入量和左側(cè)B柱加速度，全面提升性能的情況下，又減少2.54kg。輕量化的同時(shí)，又達(dá)到了提升性能的要求。

最后，結(jié)合制造工藝和車身結(jié)果工程經(jīng)驗(yàn)，對(duì)優(yōu)化得到的結(jié)果，進(jìn)行進(jìn)一步判斷與詳細(xì)設(shè)計(jì)，實(shí)現(xiàn)參數(shù)化模型數(shù)據(jù)庫在早期碰撞性能的預(yù)研。

3 結(jié)論

(1)基于參數(shù)化模型數(shù)據(jù)庫可以快速地搭建早期車身碰撞性能仿真模型，利用SFE模型的參數(shù)化特性能快速有效地驗(yàn)證截面參數(shù)、材料牌號(hào)、零件厚度變更等方案。

(2)運(yùn)用DOE實(shí)現(xiàn)了車身系統(tǒng)結(jié)構(gòu)優(yōu)化設(shè)計(jì)的自動(dòng)循環(huán)運(yùn)算?？朔颂嵘嚿砭C合性能和縮短整體開發(fā)周期難以兼顧的矛盾。在車身早期概念開發(fā)階段實(shí)現(xiàn)CAE分析驅(qū)動(dòng)CAD設(shè)計(jì)，為設(shè)計(jì)部門提供重要的整車性能信息和車身設(shè)計(jì)方向，達(dá)到參數(shù)化模型數(shù)據(jù)庫在早期碰撞性能的預(yù)研的目的。