车辆防翻滚系统优化设计方法

技术领域

本发明涉及汽车技术及特种作业车辆领域，特别是涉及一种车辆防翻滚系统结构性能快速评估及结构优化设计的一种方法。

背景技术

汽车翻滚是交通事故中一种非常危险的事故形式。汽车事故统计显示,汽车翻滚事故虽然仅占所有车辆事故的约3％，但是翻车事故中的死亡人数却占了全部交通事故死亡人数的20％-30％。在我国，汽车正面碰撞和侧面碰撞的法律法规日趋完善，而翻滚方面的法律法规仍然空缺。因此翻滚事故导致的人员死亡所占比例随着正面碰撞、侧面碰撞事故导致的人员所占比例的逐渐降低而呈现逐渐增多的趋势。因此，研究翻滚事故安全性、降低翻滚事故中的损伤具有重要的经济和社会意义。特种作业车辆例如工程机械及军事用途车辆由于作业环境复杂，容易产生翻滚。翻滚过程中对司乘人员的保护是一个至关重要的问题。车辆的翻滚过程非常复杂，因此对车辆防翻滚性能的评估也具有相当难度。如何设计在翻滚事故中对司乘人员具有足够保护能力而又轻量化的防翻滚系统更是一个极具挑战的问题。

汽车翻滚事故具有多样性，根据美国事故样本数据系统中结合事故外因而进行的定义，翻滚可分为绊翻、抛翻、坠翻等九种形式。绊翻、坠翻和抛翻这三者占到了翻滚事故的80％，并且都是汽车绕其纵轴旋转的翻滚。并且，对汽车翻滚相关的交通数据统计研究表明，大部分翻车事故只包含一辆汽车，翻滚事故中车辆翻滚圈数一般不超过两圈，这些特性都与工程机械的翻滚有类似之处。工程机械领域，整车翻滚测试为将一工程车辆从30°的斜坡上绕其纵轴翻滚下来的方法，这一方法与汽车的绕纵轴翻滚非常类似。然而，由于可重复性及成本过高等原因，现在工程机械领域普遍采用实验室测试来评价和认证工程车辆的防翻滚性能。

工程机械领域建立了一整套实验室准静态测试方法来评估车辆在防翻滚保护中司乘人员的能力。防翻滚性能指标包括侧向力，侧向能量吸收，竖向力，纵向力，纵向能量吸收及各个方向加载时的变形量。其中，力和能量参数需要大于等于给定的阈值，而变形量则需要小于等于规定的阈值。

鉴于工程机械防翻滚实验室测试方法的成功，并且其翻滚环境与工程车辆有较高的相似度，其基本方法可以有效移植到乘用车的防翻滚测试。由于乘用车的运行速度与工程机械有显著区别，因此，其各项力及能量吸收指标也需要额外标定，而不能直接借用工程机械。

在设计阶段对防翻滚结构的性能预测目前工业界普遍采用非线性有限元方法，经过标定的非线性有限元方法具有较高的精度，但是模型的处理和计算求解都非常费时而昂贵。由于防翻滚结构有限元分析是一个集几何大变形，材料弹塑性及接触非线性一体的高度非线性问题，因此，一个典型的工程机械车辆防翻滚非线性有限元分析包括前处理建模和求解及后处理需要数星期时间，分析求解需要在高性能计算集群上数百到上千计算机CPU核时。

复杂的模型处理及昂贵的计算费用限制了防翻滚系统的优化设计，工程实践中，设计非常依赖工程师的设计经验，通常只是在满足防翻滚性能指标前提下进行有限的局部改进。

快速的防翻滚系统性能评估是进行系统结构优化设计的基础和前提。对防翻滚结构快速进行防翻滚性能评估，通过结构优化算法获得结构的最优设计，对于提高车辆防翻滚性能，降低车辆的重量具有积极的意义。

发明内容

本发明主要解决的技术问题是提供一种车辆防翻滚系统优化设计方法，能够根据系统相应质量及保护标准，直接输出防翻滚结构设计的功能，不依赖设计工程师的经验，设计的系统满足防翻滚要求，并且是一个优化解。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种车辆防翻滚系统优化设计方法，包括以下步骤：

(1)确定设计变量及其取值范围，基于试验设计给出设计点取样，设计变量分3类，第一类为拓扑变量，第二类为系统及构件几何尺寸，第三类为适用于防翻滚结构受力协调渐进变形特性的材料性能参数；

(2)采用基于自动建模的方法生成对应的梁单元有限元分析模型并求解给出性能响应，梁单元有限元分析模型由参数化建模的自动脚本生成，梁单元有限元分析模型计算结果后处理由自动化脚本执行，自动获取和计算相应的防翻滚性能指标，并添加到相应的数据文件或者数据库；

(3)基于梁单元模型计算结果训练机器学习模型获得输入设计变量和防翻滚性能的回归模型，经训练验证的机器学习模型快速预测随机给定的规定范围内的设计的防翻滚系统性能指标；

(4)基于结构优化算法，经迭代求得最优的结构设计。

在本发明一个较佳实施例中，步骤(1)中的拓扑变量为构件的数量、分布及各构件之间的拓扑连接关系，采用基于杆件离散结构的基结构方法来实现，防翻滚结构的承载主要构件为薄壁管材，这类管材在轴向长度方向的尺寸大于横截面尺寸5倍以上，因此，在有限元分析模型中通过梁单元来表示，几何尺寸的描述，本方法采用基于截面库中的横截面编号及周长，壁厚的方式表征，材料性能参数采用材料屈服应力，极限应力及延伸率来表征，材料应力应变关系通过对应的材料模型来生成，材料性能参数应该满足特定的性能要求以适用于防翻滚结构协调渐进变形的要求。

在本发明一个较佳实施例中，对于连续型变量在其设计范围内进行取样，数据点取样基于试验设计，使得数据点在设计空间尽可能均匀分布，并减少数据点。

在本发明一个较佳实施例中，步骤(2)中数据点的性能评估采用基于梁单元模型的非线性有限元分析来完成，梁单元有限元分析模型前后处理及分析流程都可以标准化并采用相应计算机程序自动执行，可以快速生成机器学习所需要的大量数据点，梁单元有限元模型分析结果误差由详细有限元分析模型结果及试验测试进行标定。

在本发明一个较佳实施例中，步骤(3)中的防翻滚性能指标包括侧向力，侧向能量吸收，竖向力，纵向力，纵向能量吸收及各个方向加载时的变形量。

在本发明一个较佳实施例中，步骤(4)中为便于机器学习，还需要对各类变量进行特征工程，选择设计变量及其组合来提高机器学习效果，根据结构设计参数预测防翻滚性能指标可以采用机器学习中的监督学习中回归方法，将所获得的数据点随机或者按某种规则分层抽样分成两个部分，一个部分用于训练，另一个部分用于验证机器学习的效果，机器学习模型的数据点和方法选择及最优参数的设置是一个根据学习效果，不断迭代而精度提高的过程，补充样本后改进特征，重新评估学习模型及参数调优，结构优化算法可以采用遗传算法，模拟退火算法，粒子群算法在内的多种优化算法来实现，防翻滚系统的性能指标包括不同方向的力，能量及变形指标，因此是一个多目标优化问题，可以给出帕累托最优解集。

在本发明一个较佳实施例中，可以对比多种机器学习模型的效果，并从中选择最优的模型，对机器学习模型参数进行优化，选择最优的参数，经训练验证满足精度要求的模型参数可以保存相应参数，并且，可以调用预测新的设计的防翻滚结构的性能指标。

本发明的有益效果是：本发明用于汽车及特种作业车辆提高防翻滚安全性能，快速进行防翻滚系统优化设计方法，其特征在于：基于基结构方法生成结构的基础布局，采用结构优化算法来选择最优设计的拓扑构型和各构件的形状及尺寸及材料性能，采用基于监督学习回归方法预测防翻滚结构的设计参数和防翻滚性能的关系，采用简化的梁单元有限元分析模型计算快速生成机器学习所需的训练数据，采用试验设计及取样技术减少样本规模。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：

图1是本发明车辆防翻滚系统优化设计方法一较佳实施例的结构示意图；

图2是机器学习模型的构建流程一较佳实施例的结构示意图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1和图2，本发明实施例包括：

一种采用的技术方案是：首先，确定设计变量及其可能的取值范围，基于试验设计给出相应的设计点取样，采用基于自动建模的方法生成相应的梁单元有限元分析模型并求解给出性能响应。基于梁单元模型计算结果训练机器学习模型获得输入设计变量和防翻滚性能的回归模型，经训练验证的机器学习模型可以快速预测任意给定的规定范围内的设计的防翻滚系统性能指标，再基于结构优化算法，经迭代求得最优的结构设计。

防翻滚结构性能的一般表示如下：(y

首先需要确定系统的设计变量，设计变量分3类。第一类为拓扑变量，第二类为系统及构件几何尺寸，第三类为适用于防翻滚结构受力协调渐进变形特性的材料性能参数。

拓扑变量为构件的数量、分布及各构件之间的拓扑连接关系，本方法采用基于杆件离散结构的基结构方法来实现。

防翻滚结构的承载主要构件为各类薄壁管材，这类管材在轴向长度方向的尺寸通常远远大于横截面尺寸，因此，在有限元分析模型中可以通过梁单元来表示。几何尺寸的描述，本方法采用基于截面库中的横截面编号及周长，壁厚的方式表征。

材料性能参数采用材料屈服应力，极限应力及延伸率来表征，具体的材料应力应变关系通过相应的材料模型来生成。材料性能参数应该满足特定的性能要求以适用于防翻滚结构协调渐进变形的要求。

对于连续型变量在其设计范围内进行取样，数据点取样基于试验设计，使得数据点在设计空间尽可能均匀分布，并减少数据点。

数据点的性能评估采用基于梁单元模型的非线性有限元分析来完成，梁单元模型有限元分析计算效率可以比详细的有限元分析模型提高3-4个数量级。

梁单元有限元分析模型由参数化建模的自动脚本生成，效率极高。

梁单元有限元分析模型计算结果后处理由自动化脚本执行，自动获取和计算相应的防翻滚性能指标，并添加到相应的数据文件或者数据库。防翻滚性能指标包括侧向力，侧向能量吸收，竖向力，纵向力，纵向能量吸收及各个方向加载时的变形量。

梁单元有限元分析模型前后处理及分析流程都可以标准化并采用相应计算机程序自动执行，效率极高，可以快速生成机器学习所需要的大量数据点。

梁单元有限元模型分析结果误差由详细有限元分析模型结果及试验测试进行标定，以较少误差。

为便于机器学习，还需要对各类变量进行特征工程，选择最有效的设计变量及其某些组合来提高机器学习效果。

根据结构设计参数预测防翻滚性能指标可以采用机器学习中的监督学习中回归方法。

将所获得的数据点随机或者按某种规则分层抽样分成两个部分，一个部分用于训练，另一个部分用于验证机器学习的效果。

可以对比多种机器学习模型的效果，并从中选择最优的模型。

对机器学习模型参数进行优化，选择最优的参数。

经训练验证满足精度要求的模型参数可以保存相应参数，并且，可以调用预测新的设计的防翻滚结构的性能指标。

机器学习模型的数据点和方法选择及最优参数的设置是一个根据学习效果，不断迭代而精度提高的过程。如果精度不满足要求则需要补充样本，改进特征，重新评估学习模型及参数调优，机器学习模型的构建流程如图2所示。

结构优化算法可以采用遗传算法，模拟退火算法，粒子群算法在内的多种优化算法来实现，结构优化的总体流程如图1所示。

防翻滚系统的性能指标包括不同方向的力，能量及变形指标，因此是一个多目标优化问题，可以给出帕累托最优解集。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。