谷先廣,高夢(mèng)琳,王笑樂(lè),黃岳竹
(1.合肥工業(yè)大學(xué)汽車與交通工程學(xué)院,合肥 230009;2.合肥工業(yè)大學(xué)智能制造技術(shù)研究院,合肥 230009;3.太航常青汽車安全系統(tǒng)(蘇州)股份有限公司,蘇州 215100)
據(jù)世界衛(wèi)生組織《2018年全球道路安全現(xiàn)狀報(bào)告》統(tǒng)計(jì)[1],全球的道路交通死亡人數(shù)仍居高不下,每年約有135萬(wàn)人死于道路交通事故。目前,道路交通傷害是全球所有年齡段人群的第八大死因,是5-29歲兒童和年輕人的主要死因。當(dāng)碰撞發(fā)生時(shí),乘員約束系統(tǒng)作為汽車安全系統(tǒng)的重要組成部分,可以有效限制乘員位移,減輕乘員損傷[2]。因此,在汽車安全性設(shè)計(jì)中,有必要對(duì)乘員約束系統(tǒng)進(jìn)行優(yōu)化設(shè)計(jì),通過(guò)提升約束系統(tǒng)的防護(hù)性能來(lái)進(jìn)一步降低乘員損傷風(fēng)險(xiǎn)。
在約束系統(tǒng)優(yōu)化過(guò)程中,傳統(tǒng)的確定性優(yōu)化設(shè)計(jì)方法未考慮設(shè)計(jì)變量或參數(shù)的不確定性,由于乘員約束系統(tǒng)的復(fù)雜性和高度非線性,在實(shí)際工程應(yīng)用中,確定性優(yōu)化設(shè)計(jì)得到的最優(yōu)解可能會(huì)不滿足約束條件,而可靠性優(yōu)化設(shè)計(jì)方法可以彌補(bǔ)確定性優(yōu)化設(shè)計(jì)的不足,使優(yōu)化解遠(yuǎn)離失效邊界,提高設(shè)計(jì)方案可靠度[3-4]。因此,在確定性優(yōu)化設(shè)計(jì)基礎(chǔ)上開(kāi)展可靠性優(yōu)化設(shè)計(jì)具有重要的工程意義。
目前,乘員約束系統(tǒng)的優(yōu)化方法主要是仿真模型與優(yōu)化算法相結(jié)合,然而優(yōu)化過(guò)程中直接調(diào)用仿真模型進(jìn)行計(jì)算,效率低下。通過(guò)構(gòu)建近似模型來(lái)代替仿真模型,可以提高優(yōu)化效率,相比傳統(tǒng)的響應(yīng)面(response surface model,RSM)和徑向基函數(shù)(radical basis function,RBF)近似模型,克里金(Kriging,KRG)近似模型不僅可以描述高度非線性過(guò)程,同時(shí)也能去除數(shù)值噪聲和光滑目標(biāo)響應(yīng),現(xiàn)已普遍應(yīng)用于乘員約束系統(tǒng)優(yōu)化設(shè)計(jì)中[5-6]。然而,單純采用KRG模型需要大量樣本點(diǎn)來(lái)構(gòu)建,往往預(yù)測(cè)精度不能滿足要求,文獻(xiàn)[7]和文 獻(xiàn)[8]中 將 粒 子 群 優(yōu) 化(particle swarm optimization,PSO)算法應(yīng)用到KRG建模過(guò)程,使用PSO算法得到KRG模型相關(guān)性參數(shù)的最優(yōu)解,用最優(yōu)解構(gòu)建預(yù)測(cè)模型。然而,PSO算法收斂精度低,易陷入局部最優(yōu)解[9]。
灰狼優(yōu)化(grey wolf optimizer,GWO)算法[10]已被證明在收斂速度和求解精度上均優(yōu)于PSO算法[11],且全局尋優(yōu)能力強(qiáng)。因此本文中提出采用GWO算法獲取使KRG模型達(dá)到最佳預(yù)測(cè)精度的相關(guān)參數(shù),用最優(yōu)解構(gòu)建高精度的近似模型并應(yīng)用于后續(xù)的約束系統(tǒng)優(yōu)化設(shè)計(jì)中。在GWO?KRG近似模型基礎(chǔ)上,選取靈敏度高的約束系統(tǒng)參數(shù)作為設(shè)計(jì)變量,以加權(quán)損傷準(zhǔn)則WIC作為優(yōu)化目標(biāo),采用多島遺傳算法(multi?island genetic algorithm,MIGA)對(duì)約束系統(tǒng)進(jìn)行確定性優(yōu)化和可靠性優(yōu)化設(shè)計(jì),并利用蒙特卡羅描述抽樣方法進(jìn)行可靠性概率評(píng)估,最終得到既滿足安全性能要求又滿足可靠性需求的優(yōu)化設(shè)計(jì)結(jié)果。
確定性優(yōu)化設(shè)計(jì)問(wèn)題數(shù)學(xué)表達(dá)式如下:
式中:f(x)為目標(biāo)函數(shù);gj(x)為約束函數(shù);M、N分別為約束函數(shù)和設(shè)計(jì)變量個(gè)數(shù);xiL和xiU分別為設(shè)計(jì)變量xi的下限和上限。
參數(shù)波動(dòng)或其他外界因素的影響都可能導(dǎo)致設(shè)計(jì)結(jié)果與實(shí)際結(jié)果之間差距較大,引起潛在的性能損失和波動(dòng),甚至導(dǎo)致設(shè)計(jì)結(jié)果不可行。
因此,需對(duì)確定性優(yōu)化設(shè)計(jì)的結(jié)果進(jìn)行可靠性評(píng)估,判斷確定性優(yōu)化設(shè)計(jì)結(jié)果是否滿足可靠度要求,若不滿足工程要求,則需要在確定性優(yōu)化設(shè)計(jì)基礎(chǔ)上進(jìn)行下一步的可靠性優(yōu)化設(shè)計(jì)??煽啃詢?yōu)化設(shè)計(jì)既能控制失效概率在一個(gè)合適的水平,又能獲得問(wèn)題的優(yōu)化解,表達(dá)式為
式中:μ為目標(biāo)函數(shù)的均值;P[gj(x)≤0]為滿足第j個(gè)約束函數(shù)的概率;Rj為約束函數(shù)gj(x)的期望可靠度。
失效概率的表達(dá)式為
式中:Pf為失效概率;gj(x)>0代表失效狀態(tài);f x(x)為基本隨機(jī)變量的聯(lián)合概率密度函數(shù)。
可靠性概率的計(jì)算方法主要有1階可靠性方法、2階可靠性方法和蒙特卡羅描述抽樣方法。本文中采用蒙特卡羅描述抽樣方法,先對(duì)基本隨機(jī)變量進(jìn)行大量采樣,再對(duì)采樣結(jié)果進(jìn)行統(tǒng)計(jì)獲得系統(tǒng)的可靠度。
GWO算法是一種群體智能優(yōu)化算法,模擬了灰狼在自然界的捕食行為。GWO算法將狼群按適應(yīng)度排序分為4組:α、β、δ和ω。優(yōu)化過(guò)程如下所述。
(1)包圍,灰狼與獵物間距離更新公式為
式中:D為灰狼與獵物之間的距離;Xp為獵物位置;X為灰狼位置;t為當(dāng)前迭代次數(shù);A與C分別為收斂系數(shù)和搖擺系數(shù)。
(2)追捕,ω狼在α、β、δ狼帶領(lǐng)下不斷更新位置:
式中:Xα、Xβ、Xδ分別為α、β和δ狼的當(dāng)前位置;Dα、Dβ、Dδ分別表示α、β、δ狼與ω狼之間的距離;X(t+1)為更新后灰狼的位置。
(3)攻擊,狼群捕獲獵物即為獲得最優(yōu)解,當(dāng)|A|<1灰狼進(jìn)行局部搜索,當(dāng)|A|>1進(jìn)行全局搜索。
KRG近似模型在擬合高度非線性問(wèn)題時(shí),容易獲得理想效果,其由回歸函數(shù)和隨機(jī)過(guò)程組成,其預(yù)測(cè)形式為
式中:qT(x)為回歸基函數(shù);η為回歸系數(shù);z(x)表示均值為0、方差為σ2的隨機(jī)過(guò)程。z(x)的協(xié)方差可以描述設(shè)計(jì)空間中任意兩點(diǎn)間的相關(guān)性,表達(dá)如下:
式中R(xi,xj)為任意兩個(gè)輸入變量間的相關(guān)函數(shù),其選擇是構(gòu)建KRG近似模型的關(guān)鍵,采用工程上應(yīng)用最廣泛的高斯相關(guān)函數(shù),表達(dá)形式為
式中θ為相關(guān)性參數(shù),描述函數(shù)輸出對(duì)輸入變化的敏感程度,因?yàn)棣?和β均為相關(guān)性參數(shù)的函數(shù),那么KRG近似模型中唯一未知數(shù)即為相關(guān)參數(shù),只要確定相關(guān)參數(shù)后,即可構(gòu)建KRG近似模型。
只要確定相關(guān)性參數(shù),便可構(gòu)建KRG近似模型,故本文中使用GWO算法對(duì)其進(jìn)行優(yōu)化,優(yōu)化過(guò)程即為尋找滿足KRG近似模型最佳精度評(píng)價(jià)指標(biāo)的相關(guān)參數(shù)值。本文中采用的近似模型精度評(píng)價(jià)指標(biāo)為最大相對(duì)誤差MRE和確定性系數(shù)R2,當(dāng)MRE越接近0且R2越接近1時(shí),所建立的近似模型精度越高。MRE和R2的表達(dá)式分別為
式中:m為驗(yàn)證點(diǎn)數(shù)目;yi、y?i和yˉ分別對(duì)應(yīng)驗(yàn)證點(diǎn)的真實(shí)響應(yīng)值、近似模型預(yù)測(cè)響應(yīng)值和所有真實(shí)響應(yīng)值的平均值。
GWO?KRG近似模型的具體建立過(guò)程如下。
(1)確定設(shè)計(jì)變量及取值范圍、優(yōu)化目標(biāo)和約束,設(shè)計(jì)變量為相關(guān)參數(shù),范圍為0.1-20,R2和MRE分別為優(yōu)化目標(biāo)和約束。優(yōu)化表達(dá)式為
(2)使用試驗(yàn)設(shè)計(jì)方法在樣本空間中獲得樣本點(diǎn)和驗(yàn)證點(diǎn),樣本點(diǎn)用來(lái)構(gòu)建近似模型,驗(yàn)證點(diǎn)用來(lái)檢驗(yàn)近似模型精度。
(3)設(shè)置狼群初始規(guī)模、最大迭代次數(shù)、優(yōu)化參數(shù)維度及初始化α、β和δ狼的位置。
(4)應(yīng)用GWO算法在整個(gè)可行域內(nèi)搜索,不斷更新α、β、δ狼和獵物的位置,直到滿足最大迭代次數(shù)停止迭代;或滿足終止條件,則認(rèn)為算法收斂。
(5)用優(yōu)化獲得的相關(guān)參數(shù)建立GWO?KRG近似模型,若R2和MRE滿足精度要求,則對(duì)相關(guān)參數(shù)進(jìn)行統(tǒng)計(jì),若不滿足,則返回步驟(2)增加樣本點(diǎn)。
(6)針對(duì)不同損傷指標(biāo),依次進(jìn)行上述步驟(1)~(5)。
約束系統(tǒng)可靠性優(yōu)化設(shè)計(jì)流程如圖1所示。
圖1 可靠性優(yōu)化設(shè)計(jì)流程圖
基于某乘用車駕駛員側(cè)尺寸布置,建立乘員約束系統(tǒng)數(shù)值模型。該模型主要由地板、座椅、轉(zhuǎn)向系統(tǒng)、儀表板、防火墻、安全帶、安全氣囊和假人模型組成,如圖2所示。
圖2 乘員約束系統(tǒng)模型
為保證所建立的仿真模型能用于后續(xù)乘員約束系統(tǒng)的優(yōu)化設(shè)計(jì),須將仿真結(jié)果和實(shí)車碰撞試驗(yàn)結(jié)果進(jìn)行對(duì)標(biāo)。基于C?NCAP評(píng)價(jià)體系,在駕駛室內(nèi)放置混Ⅲ型第50百分位假人,對(duì)該車進(jìn)行初速度為50 km/h的正面100%重疊剛性壁障實(shí)車碰撞試驗(yàn),并將B柱下端傳感器測(cè)得的減速度曲線輸入到仿真模型中。
試驗(yàn)獲得的假人各部位傷害響應(yīng)曲線、安全帶力曲線與仿真計(jì)算得到的曲線對(duì)比見(jiàn)圖3。典型損傷指標(biāo)對(duì)比如表1所示??梢钥闯?,仿真曲線與試驗(yàn)結(jié)果基本吻合,且各損傷指標(biāo)的相對(duì)誤差均在10%以內(nèi)。綜上所述,所建立的仿真模型滿足精度要求,可用于后續(xù)優(yōu)化設(shè)計(jì)。
圖3 仿真與試驗(yàn)的響應(yīng)曲線對(duì)比
表1 損傷指標(biāo)仿真與試驗(yàn)結(jié)果對(duì)比
約束系統(tǒng)的設(shè)計(jì)參數(shù)眾多,若同時(shí)進(jìn)行優(yōu)化設(shè)計(jì)效率極低,基于文獻(xiàn)[12]中全局靈敏度分析的結(jié)果,選擇包括限力器限力等級(jí)x1、預(yù)緊器預(yù)緊時(shí)間x2、排氣孔直徑x3、充氣質(zhì)量流率比例x4和氣囊體積x5在內(nèi)的5個(gè)參數(shù)作為后續(xù)優(yōu)化設(shè)計(jì)的設(shè)計(jì)變量,考慮到加工精度和裝配誤差的不確定性,假設(shè)設(shè)計(jì)變量服從協(xié)方差系數(shù)為0.05的正態(tài)分布。各參數(shù)初始值與取值范圍如表2所示。
表2 設(shè)計(jì)變量初始值與取值范圍
為綜合并準(zhǔn)確評(píng)價(jià)乘員損傷情況,以兼顧頭、胸、腿部的加權(quán)損傷準(zhǔn)則WIC[13]作為約束系統(tǒng)的優(yōu)化目標(biāo),其表達(dá)式為
以頭部傷害準(zhǔn)則HIC36、胸部3 ms合成加速度C3ms、胸部壓縮量Ccomp和左右大腿軸向力FFCL與FFCR作為約束,對(duì)乘員約束系統(tǒng)進(jìn)行優(yōu)化。參考GB 11551和C?NCAP中的評(píng)價(jià)標(biāo)準(zhǔn),各約束條件初始值和優(yōu)化目標(biāo)值如表3所示。
表3 損傷指標(biāo)初始值和目標(biāo)值
最優(yōu)拉丁超立方試驗(yàn)設(shè)計(jì)(optimal Latin hypercube design,OLHD)方法可以在設(shè)計(jì)空間中生成更為均勻的樣本點(diǎn),因此,使用OLHD方法在設(shè)計(jì)空間中分別采集50組樣本點(diǎn)和15組驗(yàn)證點(diǎn),提交MADYMO進(jìn)行仿真計(jì)算,得到每組數(shù)據(jù)對(duì)應(yīng)的損傷指標(biāo)值。
在建立GWO?KRG近似模型過(guò)程中,需對(duì)GWO算法的初始參數(shù)進(jìn)行設(shè)置,經(jīng)過(guò)多次調(diào)試,最終確定的GWO算法參數(shù)設(shè)置為:種群數(shù)量為100,最大迭代次數(shù)為1 000,優(yōu)化參數(shù)維度為5。
針對(duì)每個(gè)損傷指標(biāo),應(yīng)用GWO算法對(duì)KRG近似模型的相關(guān)參數(shù)進(jìn)行優(yōu)化,終止條件為GWO算法滿足連續(xù)200次迭代,且每次迭代誤差不超過(guò)1×10-12。表4為GWO算法最終確定的最優(yōu)相關(guān)參數(shù)。
表4 GWO?KRG近似模型最優(yōu)相關(guān)參數(shù)
為驗(yàn)證GWO?KRG近似模型的預(yù)測(cè)優(yōu)勢(shì),基于采集的樣本點(diǎn),首先構(gòu)建了RSM、RBF和KRG 3種傳統(tǒng)近似模型,隨后構(gòu)建了PSO?KRG模型,并將以上4種近似模型與GWO?KRG近似模型進(jìn)行對(duì)比。為保證公平,PSO初始參數(shù)的設(shè)置同GWO算法。PSO?KRG和GWO?KRG的精度用15組驗(yàn)證點(diǎn)來(lái)檢驗(yàn),所有近似模型的精度對(duì)比結(jié)果如表5所示。
表5 不同近似模型的精度對(duì)比
一般地,當(dāng)R2≥0.9和MRE≤5%時(shí),近似模型具有較高的精度,預(yù)測(cè)能力較好??梢钥闯?,RSM模型可用于擬合C3ms和WIC,RBF模型可用于擬合C3ms和HIC36,KRG模型可用于擬合Ccomp。3種近似模型中的任何一種均不能同時(shí)滿足所有損傷指標(biāo)的精度要求。
已知MRE用于評(píng)價(jià)近似模型的局部最大誤差,而R2用來(lái)評(píng)價(jià)近似模型的整體擬合精度,由表5可知,GWO?KRG近似模型和PSO?KRG近似模型的全局精度相差不大,但GWO?KRG近似模型的局部精度要優(yōu)于PSO?KRG近似模型。針對(duì)GWO?KRG近似模型,從局部精度來(lái)看,除FFCR的MRE小于5%外,其余損傷指標(biāo)的MRE均小于3%;從全局精度來(lái)看,除FFCL和FFCR的R2大于0.9外,其余損傷指標(biāo)的R2均大于0.95。而對(duì)于PSO?KRG近似模型,其FFCR的MRE已大于5%,F(xiàn)FCL的R2小于0.9,不滿足上文提到的精度要求。因此,GWO?KRG近似模型精度最佳,可將其應(yīng)用于后續(xù)的乘員約束系統(tǒng)優(yōu)化設(shè)計(jì)。
乘員約束系統(tǒng)確定性優(yōu)化和可靠性優(yōu)化設(shè)計(jì)的數(shù)學(xué)模型分別為
其中,Rj設(shè)置為95%,即約束函數(shù)的期望可靠度要達(dá)到95%以上。在GWO?KRG近似模型基礎(chǔ)上,采用MIGA對(duì)約束系統(tǒng)進(jìn)行確定性優(yōu)化設(shè)計(jì),并采用蒙特卡羅描述抽樣方法在設(shè)計(jì)空間內(nèi)采集2 000組樣本點(diǎn),對(duì)確定性優(yōu)化結(jié)果進(jìn)行約束函數(shù)的可靠性評(píng)估,確定性優(yōu)化設(shè)計(jì)結(jié)果和可靠度評(píng)估結(jié)果如表6所示。
表6 初始設(shè)計(jì)和兩種優(yōu)化設(shè)計(jì)結(jié)果對(duì)比
從表中可以看出,在確定性優(yōu)化設(shè)計(jì)結(jié)果中,HIC36和Ccomp的可靠度僅有87.15%和76.26%,可靠度遠(yuǎn)沒(méi)有達(dá)到期望可靠度要求,所以在工程應(yīng)用中存在設(shè)計(jì)失效風(fēng)險(xiǎn)。因此,需對(duì)約束系統(tǒng)進(jìn)行下一步的可靠性優(yōu)化設(shè)計(jì)。從表6可知,經(jīng)可靠性優(yōu)化后,HIC36和Ccomp的可靠度均提高到95%及以上,因此,采用可靠性優(yōu)化設(shè)計(jì)得到的設(shè)計(jì)變量作為優(yōu)化結(jié)果。兩種優(yōu)化設(shè)計(jì)問(wèn)題得到的設(shè)計(jì)變量見(jiàn)表7。
表7 設(shè)計(jì)變量?jī)?yōu)化結(jié)果對(duì)比
根據(jù)表7修改約束系統(tǒng)仿真模型的設(shè)計(jì)變量值,并提交計(jì)算機(jī)進(jìn)行MADYMO仿真計(jì)算,可靠性優(yōu)化設(shè)計(jì)方法得到的仿真值如表8所示。由表可知,各損傷指標(biāo)預(yù)測(cè)值與仿真值的最大相對(duì)誤差為3.1%,最小相對(duì)誤差為1.05%,較小的相對(duì)誤差證實(shí)優(yōu)化結(jié)果有效,所提出的GWO?KRG近似模型可信度較高。
表8 可靠性優(yōu)化設(shè)計(jì)驗(yàn)證和優(yōu)化效果
與初始設(shè)計(jì)相比,HIC36優(yōu)化效果明顯,降低了40.1%,Ccomp和C3ms分別降低了5.6%和8.9%,雖然FFCL和FFLR相比初始設(shè)計(jì)均有少量增加,但優(yōu)化目標(biāo)WIC降低了29.7%,表明乘員總體損傷降低,優(yōu)化后的乘員約束系統(tǒng)能起到良好的保護(hù)效果。
圖4示出初始設(shè)計(jì)、確定性優(yōu)化設(shè)計(jì)與可靠性優(yōu)化設(shè)計(jì)結(jié)果下,假人頭部X向加速度和胸部壓縮量仿真驗(yàn)證曲線的對(duì)比。相比初始設(shè)計(jì),確定性優(yōu)化設(shè)計(jì)和可靠性優(yōu)化設(shè)計(jì)均降低了乘員損傷,約束系統(tǒng)防護(hù)性能均得到提升。雖然確定性優(yōu)化設(shè)計(jì)要優(yōu)于可靠性優(yōu)化設(shè)計(jì)結(jié)果,但各損傷指標(biāo)的可靠性得不到保證,因此,最終設(shè)計(jì)方案選擇可靠性優(yōu)化設(shè)計(jì)。
圖4 優(yōu)化結(jié)果仿真驗(yàn)證曲線對(duì)比
(1)通過(guò)灰狼優(yōu)化算法對(duì)KRG近似模型的相關(guān)性參數(shù)進(jìn)行優(yōu)化,構(gòu)建了比傳統(tǒng)近似模型和PSOKRG模型精度更高的GWO-KRG近似模型,并應(yīng)用到后續(xù)的約束系統(tǒng)優(yōu)化設(shè)計(jì)中。
(2)從初始設(shè)計(jì)、確定性優(yōu)化設(shè)計(jì)和可靠性優(yōu)化設(shè)計(jì)的仿真對(duì)比結(jié)果可知,確定性優(yōu)化結(jié)果雖然滿足各損傷指標(biāo)的目標(biāo)要求,但不滿足可靠度要求??煽啃詢?yōu)化設(shè)計(jì)方法在降低乘員加權(quán)損傷準(zhǔn)則WIC的同時(shí),使設(shè)計(jì)可靠性也得到了提高,相比初始設(shè)計(jì),WIC下降了29.7%;相比確定性優(yōu)化,HIC36和Ccomp的可靠度分別提高到了100%和95%。