整車動力經濟性速比匹配優化策略

占華+方立橋+賴宇陽

摘要： 基于PIAnO優化平臺，通過試驗設計、近似模型和優化設計方法獲得傳動速比優化方案.根據測試數據對動力燃油經濟性仿真模型進行標定以提高其精度.在標定后的模型上進行傳動速比的優化設計，獲得具有較高動力經濟性能的速比匹配方案.新仿真模型的3，4和5擋加速時間和最大爬坡能力與測試數據一致，百公里加速時間的偏差從2.50%提高到0.14%，百公里綜合油耗與測試數據相比由16.4%提高到0.6%；在滿足所有動力性能設計的要求下，百公里綜合油耗從8.450 L下降到8.172 L，下降3.29%；同時，優化時間由原來的1～2周減少到2 d，極大提高產品開發效率.

關鍵詞： 汽車； 油耗； 速比； 模型標定； 試驗設計； 近似模型； 靈敏度

中圖分類號： U461.2文獻標志碼： B

Abstract： A transmission speed ratio optimization scheme is obtained by design of experiment， approximation model， and optimization design method on platform PIAnO. According to the test data， the simulation model for power fuel economy is calibrated to improve its accuracy. The transmission speed ratio is optimized on the calibrated model and a speed ratio matching scheme with high dynamic economic performance is achieved. The results show that the optimization strategy is very effective for the analysis model calibration and transmission ratio optimization. The acceleration time on 3rd， 4th and 5th gear and maximum climbing capacity of the new model are consistent with the test data， the deviation of acceleration time of 100 km/h improves from 2.5% to 0.14%. Comparing with the test data， the comprehensive fuel consumption per hundred kilometers improves 16.4% from 0.6%. Under all the dynamics design requirements， the comprehensive fuel consumption per hundred kilometers declines from 8.450 L to 8.172 L， which means that the fuel is saved by 3.29%. At the same time， the optimization time is reduced from 1～2 weeks to 2 d， and so the efficiency of the product development is greatly improved.

Key words： automobile； fuel consumption； speed ratio； model calibration； design of experiment； approximation model； sensitivity

0引言

整車動力性與經濟性優化一直是國內外研究的熱點.隨著國家節能減排的推進，對降低油耗方面也不斷的提出新要求，汽車企業的發展也迎來了更嚴峻的挑戰.發動機性能是決定汽車整車性能的關鍵因素，同時與傳動系統的匹配也密切相關，如果能夠快速獲得合適的傳動匹配方案，將大大推動研發工作.傳統的動力傳動匹配方法是試驗，但是這將大大增加開發費用，同時也將延長研發周期.[12]現在常采用AVLCRUISE軟件來對整車動力性、經濟性進行仿真分析，這樣不僅可以降低開發費用，也可以縮短設計周期.[34]但是，仿真分析中很多參數很難得到準確的數值，影響仿真分析的準確性，基于不準確的模型獲得的傳動匹配方案在實際中也意義不大.因此，建立能夠如實反映真實系統的仿真模型，并在可信的仿真模型上進行傳動匹配的設計是提高整車性能、縮短設計周期、降低開發成本的關鍵.[5]

本文利用PIAnO優化工具通過試驗設計參數研究、構建近似模型和優化設計方法，基于已有試驗數據修正CRUISE仿真模型，并在修正后的仿真模型上進行變速箱速比和主減速器速比的優化設計，在滿足整車動力性的前提下提高整車燃油經濟性.相對于傳統的優化方法，本文提出的優化策略能夠切實提高優化效率，并在整車動力經濟性優化上得到很好的驗證.

1建立整車模型

根據實車的動力總成結構，在CRUISE平臺下搭建整車分析模型，見圖1.仿真值與試驗實測值比較見表1.由表1發現：最大爬坡能力和百公里加速時間存在極大的差異，4擋加速時間與實測值比較接近，說明在仿真模型中對最大爬坡能力和百公里加速時間的相關參數設置與實車模型有較大的偏差，需要修正相關參數來提高仿真模型的可信度.

2優化流程

本次整車動力經濟性優化設計主要分為2個設計階段：先通過試驗數據對仿真模型進行標定，以提高仿真模型可信度；然后在修正后的模型上進行傳動速比的匹配優化[5].具體的優化策略見圖2.在整個流程中采用試驗設計進行參數研究并獲得變量與性能之間的關系[69]，同時利用試驗設計的樣本構建近似模型，在精度可以接受的近似模型上進行優化計算，初步獲得仿真模型的修正方案或速比匹配優化方案，在此基礎上結合前面獲得的敏度結果進行方案調整，最終獲得最佳的設計方案[10].

PIAnO是新一代高效試驗設計和優化軟件，其通過將仿真優化的流程自動化提高設計效率，通過“智能優化算法”代替傳統人工的經驗試湊法，幫助設計人員高效地探索設計空間，快速地從成千上萬的潛在方案中獲得性能最優的設計方案.PIAnO基于開放架構，所有算法均為全新研發，其復雜正交試驗算法和相關優化策略融合當今最先進的優化理論和方法，具有入門容易、算法先進、計算高效等優點.因此，采用PIAnO軟件完成優化設計.

3模型標定

3.1標定優化問題定義

在只關注整車動力性和經濟性的仿真模型中，汽車質量、滾動阻力系數、風阻系數、迎風面積、傳動系的機械效率等對汽車的動力性和經濟性的影響最大，是需要進行修正的關鍵參數.本文通過對主減速器傳動效率、齒輪箱各級齒輪傳動效率和發動機轉動慣量等參數進行篩選，將能夠影響百公里綜合油耗、最大爬坡能力、百公里加速時間和3～5擋加速時間的參數參與到模型修正中.通過一元參數研究方法，了解每一個參數的變化對性能的影響，見表2，其中，“+”和“-”分別表示參數對性能影響為正效應和負效應，其數量越多表示對性能影響越重要，“0”表示該參數對相應的性能完全沒有影響.從表2可知：主減速器對所有性能影響都特別大，而第1級傳動效率和第7級傳動效率這2個參數對所有性能均無影響，故在本次模型修正中第1級傳動效率和第7級傳動效率不參與標定，待標定參數取值范圍見表3.在標定問題中，以仿真值無限接近實測值作為優化設計的目標，故該問題為無約束的多目標優化問題，各目標函數的目標值為表1中的實測值.

3.2試驗設計和近似模型

試驗設計屬于數理統計的范疇，可以根據設計參數進行計劃性試驗，并根據試驗結果對參數的靈敏度進行分析研究，發現設計參數對性能指標的影響關系.本文采用正交數組試驗方法50個樣本方案對1個主減速器傳動效率、5個齒輪傳動效率和1個發動機轉動慣量進行研究，同時采用該50個樣本建立較高精度的近似模型用于模型修正.

智能篩選和均值分析分別見圖3和4.由此可知主減速器傳動效率對百公里綜合油耗的影響很大，同時主減速器傳動效率和1擋傳動效率對最大爬坡能力影響很大，且影響趨勢一致，其余各擋傳動效率對相應擋位的加速時間影響較大，而發動機轉動慣量對各性能指標幾乎沒有影響.

通過近似模型可以減少計算機高強度仿真計算的次數，縮短優化時間，提高優化效率.通過平滑響應函數可以減少數值噪聲，有利于快速收斂.本次模型修正選擇PIAnO中自動近似建模模式，其推薦百公里綜合油耗采用神經網絡模型，其余性能指標選擇克里格模型，獲得各性能指標的近似模型精度見表4.

性能近似模型類型精度百公里綜合油耗徑向基函數99.938最大爬坡能力克里格99.999百公里加速時間克里格99.9893擋加速時間克里格99.9924擋加速時間克里格99.9945擋加速時間克里格97.8723.3基于近似模型和試驗設計敏度優化設計

由于近似模型存在一定的誤差，因此通過近似模型的全局優化可以在全局范圍內盡可能找到最優解附近的解，且近似模型獲得的方案與實際仿真仍存在誤差，需要通過實際的仿真模型進行驗證.本文采用傳統的遺傳算法，以主減速器傳動效率、齒輪傳動效率和發動機轉動慣量為設計變量，以所有性能指標的實測值為目標進行多目標優化設計，在近似模型上迭代250步獲得基于近似模型的修正方案，百公里綜合油耗和4擋加速時間的修正歷程見圖5，基于近似模型修正方案驗證后的仿真值與實測值精度比較見表5.

基于近似模型的修正方案比初始模型的精度有很大的改善，除最大爬坡能力和百公里加速時間仿真值與實測值差1.53%和1.22%外，其他性能指標的誤差都在0.5%內.由于近似模型的精度已經較高，要想通過進一步提高近似模型的精度再次優化將需要花費極大的計算代價，因此提出另一種優化策略，即在近似模型獲得的修正方案上根據前期的試驗設計敏度分析結果進行方案調整，最終獲得精度更高的修正方案，見表5.除百公里綜合油耗精度略有下降外，百公里加速時間誤差由基于近似模型修正方案的1.22%下降到0.14%，并且其余性能指標與實測完全吻合，仿真模型的精度從整體上得到很大提高，可用于速比匹配優化.

4速比匹配優化

4.1優化問題定義

優化目標是在滿足汽車動力性能的基礎上，盡可能減少油耗和降低排放，所以將百公里綜合油耗作為優化的目標函數，以主減速器速比、1擋速比和5/6擋間比作為設計變量進行優化，其取值范圍見表6，以動力性能的設計要求為約束要求，見表7.

4.2試驗設計和近似建模

采用正交數組試驗方法對162個樣本方案進行參數研究和構建近似模型.7個設計變量與7個性能指標的2D相關性散點圖見圖6，從中可以了解設計變量的影響關系和重要性程度.圖6左下三角反映在設計空間內所抽取樣本的分布形式，右上三角反映參數之間的相關性程度，其值在[-1，1]之間，正值表示參數間呈正相關，負值表示參數間呈負相關，越接近于1表示兩參數的相關性越大.通過分析可知，主減速器對所有性能的影響都比較大，對百公里綜合油耗和最大爬坡能力的影響為正效應，對啟用性能的影響為負效應；同時可以看出，各性能指標之間存在很強的耦合關系，且線性程度較強.

4.3基于近似模型和試驗設計敏度優化

在近似模型上通過高效的全局優化算法（協方差矩陣適應演化策略，算法參數配置見圖7）迭代400次獲得全局范圍內的優化方案，優化算法參數配置和百公里綜合油耗優化歷程見圖8.將基于近似模型獲得的優化方案代入實際仿真模型驗證，發現百公里綜合油耗為8.184 L，相對初始方案降低3.148%，但是4擋加速時間違反約束要求0.83%.圖 7優化算法配置

通過前文試驗設計分析獲得的敏度信息，對基于近似模型的優化方案進行調整，最終獲得的優化方案百公里綜合油耗為8.172 L，相對初始方案降低3.29%，其余性能都滿足設計要求，速比匹配方案和動力性能見表9和10.

5結論

通過試驗設計敏度分析、基于近似模型優化設計和基于敏度信息進行優化方案調整的設計，在模型標定中使得仿真模型的性能值除百公里綜合油耗和百公里加速時間與實測值分別相差0.60%和0.14%外，其余指標與實測值完全一致，初始模型中最大誤差達34.32%，這可以極大地提高仿真模型的可信度，同時為后面速比匹配的優化方案的可信度提供保證.采用相同的優化策略，在速比匹配優化中實現百公里綜合油耗降低3.29%，在滿足動力性能的前提下提高燃油經濟性，最終達到節能減排的效果.

傳統的模型標定和速比匹配優化設計至少需要1～2周時間，在采用本文所設計的優化策略下，整個優化過程僅花費2 d的時間，極大助力快速模型修正和速比匹配優化，既可以充分了解設計參數與性能之間的關系，挖掘其設計潛力，又可以有效地減少仿真計算量和獲得較好的優化方案，對產品研發效率的提高和成本的縮減具有積極意義，在整車動力經濟性的速比匹配優化設計中具有廣泛的應用價值.參考文獻：

[1]趙海峰. 基于CRUISE軟件的AMT車輛性能仿真分析與實驗研究[D]. 重慶： 重慶大學， 2005： 58.

[2]申愛玲， 伏軍， 張衍發. CA7204 汽車動力傳動系匹配仿真與優化[J]. 中南大學學報（自然科學版）， 2011， 42（3）： 677678.

SHEN A L， FU J， ZHANG Y F. Matching simulation for engine power train system of CA7204 automobile and its optimization[J]. Journal of Central South University （Science and Technology）， 2011， 42（3）： 677678.

[3]楊忠平. 利用CRUISE軟件進行整車動力性和燃油經濟性仿真分析[J]. 汽車實用技術， 2015（1）： 107109.

YANG Z P. CRUISE software using vehicle power and fuel economy simulation analysis[J]. Automobile Applied Technology， 2015（1）： 107109.

[4]于娟. AVLCRUISE在傳動系統匹配及變速器開發中的應用[C]// 2009AVL先進模擬技術中國用戶大會論文集， 2009： 12.

[5]李云清， 王海鷹， 成傳松， 等. 聯合Boost和MATLAB基于模型的仿真和標定方法研究[J]. 內燃機工程， 2010， 31（4）： 7882.

LI Y Q， WANG H Y， CHENG C S， et al. Simulation and investigation of modelbased calibration of gasoline engine in Boost and MATLAB environment[J]. Chinese Internal Combustion Engine Engineering， 2010， 31（4）： 7882.

[6]饒陽， 劉平， 母洋文， 等. 基于NSGAII和CRUISE的混合動力汽車參數優化[J]. 汽車科技， 2013， 5（3）： 1923.

RAO Y， LIU P， MU Y W， et al. Optimization of HEV parameter based on NSGAII and CRUISE[J]. Automobile SciTech， 2013， 5（3）： 1923.

[7]張季琴， 王立星， 張東峰. 基于CRUISE的汽車動力經濟性影響因素研究[J]. 汽車實用技術， 2014， 12： 1417.

ZHANG J Q， WANG L X， ZHANG D F. Reach of vehicle dynamic performance and fuel economy influences based on CRUISE[J]. Automobile Applied Technology， 2014， 12： 1417.

[8]顏伏伍， 胡峰， 田韶鵬， 等. 汽車燃油經濟性仿真與其參數的靈敏度分析[J]. 武漢理工大學學報（信息與管理工程版）， 2010， 32（2）： 261264.

YAN F W， HU F， TIAN S P， et al. Simulation of economy and sensitivity analysis of its parameters[J]. Journal of WUT （Information & Management Engineering）， 2010， 32（2）： 2 61264.

[9]劉忠途， 伍慶龍， 宗志堅. 純電動汽車動力性與能耗靈敏度分析[J]. 上海汽車， 2010（12）： 811.

LIU Z T， WU Q L， ZONG Z J. Analysis of sensitivity for power performance and energy consumption of pure electric vehicle[J]. Shanghai Auto， 2010（12）： 811.

[10]康艷偉， 劉亞奇， 關瑩， 等. 基于Isight與CRUISE耦合計算的變速器速比選配[C]// 2012 年DS SIMULIA中國區用戶大會論文集： 15.（編輯武曉英）