基于AMESim设计探索功能的两种优化方法的对比

尹永芳

摘 要：在AMESim提供的简单可视化的建模仿真环境下，建立1/4汽车主动悬挂模型。AMESim的两种优化方法对该系统进行仿真，实现对主悬挂的主要阻尼和sky hook阻尼的匹配设计。仿真结果表明，NLPQL具有较快的仿真速度，精确度较高；基因算法则需要更长的仿真时间，但是在代数为100时仿真结果优于NLPQL。

关键词：车辆；主动悬挂系统；NLPQL；基因算法；优化

中图分类号：U463.33 文献标识码：A

doi：10.14031/j.cnki.njwx.2017.08.008

悬挂系统是汽车关键部件之一，对汽车的操纵稳定性和乘坐舒适性有重大影响。主动悬挂与被动悬挂、半主动悬挂相比具有独特的优势，并且随着液压和电子技术的发展，主动悬挂技术越来越完善，成为悬挂技术研究的重要方向。从研究方法来看，由传统的数学建模发展到计算机建模与仿真，如采用Matlab、Pro/E等建模，这些工具通常建模过程复杂，仿真过程非可视化[1]，而AMESim克服这些缺点，提供简单可视化的建模和仿真环境。

1 AMESim软件和设计探索模块简介

AMESim是机械/液压系统建模仿真及动力学分析软件，具有以下特点：（1）多学科的建模仿真平台，机械、液压、气动、热、电和磁等不同领域的模块可实现物理连接。（2）图形化建模方式，采用标准ISO图标和多端口框图作为基本模块，简单、易于识别。（3）仿真模式多样化，AMESim设有动态仿真模式、稳态仿真模式、动态和稳态以及批处理仿真模式。（4）智能求解器，根据模型的数学特性自动选择最佳的积分器，提高了建模仿真的效率[2]。

AMESim 提供了NLPQL和遗传算法两种优化方法[3]。NLPQL利用序列二次规划算法（SQP），其基本思想是： 在每个迭代点x（k）构造一个二次规划子问题，以这个子问题的解作为搜索方向Sk，沿该方向按迭代格式x（k+1）=x（k）+akSk进行一维搜索，使x（k+1）（k=0，1，∧）最终逼近约束优化问题的解x*。遗传算法的基本思想是： 把优化设计搜索空间映射为生物遗传空间，把设计变量映射为遗传染色体即个体，所有个体组成遗传群体，通过对群体进行选择、交叉、变异等操作，将适应度大的个体保存下来，淘汰适应度小的。经过反复操作，直到求出最优个体。

2 汽车悬挂的建模和仿真

2.1 主动悬挂系统建模

首先，在草图模式下加载图标库的主动悬挂系统，包括两个模型，被动悬挂和主动悬挂，主动悬挂初始值和被动悬挂相同。系统参数的设置如下：MAS002（Car_Body）设为400，MAS002（Tire）设为50，SPR000A设为100000，STEP0设为0.1。此系统正通过一个10 cm的高台，考察主动悬挂的工作性能，车身垂直加速度大降低乘坐舒适性，理想的车身垂直加速度小于g （9.81 m/s2）；若模拟车胎的弹簧压缩量为负，意味着车胎离开路面。

2.2 优化目标的确立

为了定义合理的优化目标，通常首先要对系统的输入量和输出量之间的关系进行研究，对输出（Export）模块进行设置，考察输入量、输出量、复合输出之间的相关性，利用DOE得到输入量对应复合输出的矩阵如表。

该表表明线性回归系数，正值表示正相关，负值表示负相关。因此期望设计较大的sky hook悬挂阻尼控制车身加速度；期望设计较大的主悬挂主要阻尼控制轮胎压缩量。

3 基于设计探索模块的优化

基于以上分析，引入车身位移和轮胎最大跳动值，设置在1.5 s

（1） NLPQL优化。优化结果显示，在主要懸挂阻尼为821 N·s/m，sky hook阻尼为1347 N·s/m时，最大车身加速度为8.60 m/s2，小于9.81 m/s2，车身最大位移量小于2 mm，但轮胎最大跳跃值超过了0.0 mm，未达到期望值。NLPQL优化前后的车身加速度和轮胎压缩量均有明显改善。

（2）基因算法优化。首先设置Max.number of generations为10，优化结果显示车身加速度12.89 m/s2，大于9.81 m/s2，显然是不合理的，因此10代的基因算法优化失败。另设置Max.number of generations为100（大概运行8000次）进行优化，并与NLPQL的结果进行对比。

由仿真结果可知，基因算法的优势在于在1.0 s时车身加速度趋于恒定值，而NLPQL拖后了0.5 s。主悬挂主要阻尼为941 N·s/m，sky hook悬挂阻尼为2475 N·s/m，此时最小车身加速度为8.70 m/s2，车身最大位移量0.0004 m，轮胎最大跳跃值0.0。由回归系数矩阵可知，sky hook悬挂阻尼主要影响车身加速度，可以看出两条曲线在1.5 s之前吻合稍差，即NLPQL优化结果1347 N·s/m与100代基因算法优化结果2475 N·s/m相差较大。

4 结论

（1）NLPQL具有较快的仿真速度，精确度较高，而基因算法在代数较大时通常更有效，但是要以更长的时间为代价。基因算法没有停止运算的准则，如果中止运行，通常只能得到当前最佳值。（2）两种仿真方法均能实现汽车操纵稳定性和舒适性要求。基因算法优化在NLPQL优化基础上实现了更高精度。

参考文献：

[1]朱学文，詹建军，何小新.基于Pro/E与ADAMS的汽车悬挂仿真分析[J]，机械与电子，2005（8）：70.

[2]周爱国，王闻莉，陆亮，等.基于AMESim中Modelica 模块的汽车电动助力转向系统仿真[J].机床与液压，2011（11）.