基于子模型技术的车门多学科优化

刘莹 于成龙 印明勋 夏天 王晋 乔鑫

（1.华晨汽车工程研究院；2.爱驰汽车有限公司；3.北汽新能源股份有限公司）

车门系统作为整车结构的重要组成部分，应满足模态、刚度、安全性和轻量化等方面的要求，结构设计涵盖多个学科领域，各个响应之间相互关联、相互影响，而传统的优化设计在各学科独立进行，因此采用多学科优化设计方法可以更加准确高效地找到最优解。文章针对车门侵入量工况，应用子模型技术减少计算时间，提高计算速度；应用Python 语言二次开发技术建立车门防撞梁参数化模型；综合考虑防撞梁位置、关键零件厚度，以及材料对模态、刚度和车门侵入量的影响，对车门进行多学科优化设计。

1 车门基础性能分析

1.1 模态分析

汽车在行驶过程中受到来自路面和发动机等的激励，这些外界激励会引起车门共振，带来噪声，极大地降低了汽车的舒适性等。因此为了在产品设计开发中避免该类问题发生，需对车门进行模态分析。采用Lanczos 方法提取车门的1 阶模态为45.3 Hz，振型为内板抖动，如图1所示。

图1 车门1 阶模态振型云图

1.2 扭转刚度分析

车门扭转刚度过低会使车门在汽车行驶过程中严重变形，直至发生破坏。进行扭转刚度分析时约束车门铰链安装孔所有自由度，锁钩中心约束整车Y 向自由度，在车门内板突起根部位置做切线相交得交点，垂直于门内板并朝车外方向施加400 N的载荷，结果如图2所示，扭转刚度为227.5 N/mm。

图2 车门扭转变形云图

1.3 下垂刚度分析

下垂刚度能够保证车门在垂向载荷作用下不发生较大变形，避免车门出现关闭不严等问题。进行下垂刚度分析时约束车门铰链安装孔位置全部自由度，锁钩中心位置约束全局Y 向自由度。锁钩中心位置处沿全局-Z 方向施加500 N的载荷。下垂刚度分析结果，如图3所示，下垂刚度为542.9 N/mm。

图3 车门下垂变形云图

1.4 侵入量分析

为了保证车门具有一定的抗入侵能力，需对车门进行侵入量分析。分析时对车身左右两侧前轮和后轮中心对应到纵梁上的位置施加全约束，障碍柱的移动速度为5 750 mm/s，如图4所示。读取车门与障碍柱的时间-接触力曲线，分别考察初始耐挤压力、中间耐挤压力和最大耐挤压力，结果如表1所示。

图4 车门侵入量分析示意图

表1 车门耐挤压力结果

2 子模型技术

在进行车门侵入量分析时，由于模型规模较大，计算时间较长（高性能工作站约14 h），在进行后期试验设计样本计算时，计算资源耗费较大。文章通过子模型技术，在保证计算精度的前提下，缩短计算时间，从而快速完成样本计算。

子模型方法又称为切割边界位移或者特定边界位移法，切割边界是指子模型从整个较粗糙的模型分割开的边界。粗糙模型切割边界计算的位移值即为子模型的边界。

子模型技术实现过程如下：

1）提取白车身切割边界节点set，如图5所示。

图5 白车身切割边界节点set 示意图

2）创建set.key，将上一步的边界节点set 复制到该文件中。

3）在set.key 文件中添加2个关键字，将切割边界节点的运动信息输出并存储在boundary.sub 中。

*INTERFACE_COMPONENT_FILE

boundary.sub

*INTERFACE_COMPONENT_NODE

4）将建立好的set.key 放入求解文件中，将整车侧面碰撞模型提交运算，生成boundary.sub 文件。

5）重新编辑 set.key。

6）将整车模型生成的boundary.sub 文件复制到求解目录文件夹中，提交运算。

3 基于Python的参数化实现

优化分析通过Python 语言驱动ANSA，实现车门防撞梁位置变化，如图6所示，防撞梁绕B点旋转，A点沿整车Z 向（箭头方向）移动。设置变量dz，取值范围为 0～180 mm，间隔 20 mm。Python的实现流程为：1）将输入的dz值转化成B点的旋转角度；2）旋转防撞梁；3）创建防撞梁与内板的焊点连接；4）创建防撞梁与外板的膨胀胶连接；5）重置防撞梁的属性信息。

图6 车门参数化模型

4 优化设计

4.1 试验设计

试验设计的目的是为了获取样本点，以便通过样本点建立近似模型，在保证计算精度的前提下提高计算速度。变量的设定以及范围，如表2所示。采用优化的超拉丁方方法生成120个样本[1-3]，计算流程，如图7所示。首先根据试验设计获取的样本的设计变量信息，通过Python 二次开发脚本分别生成计算模态刚度的bdf 文件和侵入量分析需要的key 文件，然后自动提交相应分析并进行结果后处理，计算完成后获取所有样本的计算结果。整个过程完全自动化，不需要手动干预。

表2 车门优化的设计变量及取值范围

图7 车门生成样本的试验设计计算流程示意图

4.2 近似模型

近似模型是利用数学表达式代替有限元模型用于后续优化分析的模型，使用近似模型可以达到节省计算资源的目的。建立近似模型常用的方法有响应面法和径向基神经网络法，多项式响应面近似模型采用不同阶次的多项式来近似表达响应目标与设计变量之间的函数关系[4-6]，具有数学表达式简单、收敛速度快、计算量小等特点。通常用R2来表征近似模型的精度，其定义为：

式中：QC——残余偏差平方和；

QT——偏差平方和。

建立起的质量、模态、刚度和侵入量的近似模型精度，如表3所示。

表3 车门优化近似模型精度

4.3 优化结果

以前门质量为目标函数，前门模态、刚度和侵入量性能为约束条件，对车门进行优化，采用多目标粒子群算法搜索最优解。优化前后变量变化，如表4所示，性能变化，如表5所示。从表4 和表5 可以看出，车门防撞梁位置对各项性能起主导作用，不仅提高了车门1 阶模态，而且使车门扭转刚度、下垂刚度和中间耐挤压力满足目标要求，最终使质量减少1.2 kg。绘制变量防撞梁位置、最大接触力和质量的三维响应面模型图，如图8所示。由图8 可以看出，在设计变量取值范围内，提高防撞梁位置可以减小最大接触力，并且降低车门质量。

表4 车门优化前后变量取值结果

表5 车门优化前后性能变化结果

图8 车门防撞梁位置、最大接触力和质量关系图

5 结论

文章通过Python 语言二次开发建立车门参数化模型，应用子模型技术提升计算速度，最终完成了车门的多学科优化设计，不仅使各项性能达到目标要求，而且使车门质量减轻1.2 kg。文章将车门侵入量集成到车门耐撞性能分析中，在后续的耐撞性能研究中，还可以将其他影响因素考虑进来。防撞梁的形式也可以作为日后研究的重点。以车门作为研究对象的优化设计取得了一定的成果，对其他系统级的优化也具有一定的参考意义。