PIAnO在白車身輕量化設計上的應用

占華 方立橋 賴宇陽

摘要：

以某SUV車型的白車身為研究對象，采用高效的實驗設計和優化軟件PIAnO，綜合考慮其模態、剛度、40%偏置碰和側碰等性能進行輕量化設計。確定并優化設計變量，對白車身剛度和模態性能進行近似建模。提出分段優化方案并進行仿真驗證，得到的白車身質量減少11.93 kg，下降3.08%。將該輕量化白車身的100%正碰、強度、IPI和NTF性能進行驗證，滿足設計要求，證明基于PIAnO的白車身輕量化策略行之有效。

關鍵詞：

白車身； PIAnO； 輕量化； 實驗設計； 近似模型

中圖分類號： U462.2；TP31

文獻標志碼： B

Application of PIAnO in lightweight design of bodyinwhite

ZHAN Hua1， FANG Liqiao2， LAI Yuyang2

（1. Vehicle Performance Integrated Development Department， FAW Haima Automobile Co.， Ltd.， Haikou 570216， China；

2. Technical Department， SOYOTEC Information Technology Co.， Ltd.， Beijing 100006， China）

Abstract：

Taking the bodyinwhite of a SUV as the research object， a high efficiency design of experience and optimization software PIAnO is adopted， and the lightweight design is carried out considering the performance of modal， stiffness， 40% offset impact and side impact. The design variables are identified and optimized， and the stiffness and modal performance are modeled approximately. A piecewise optimization scheme is proposed and verified by simulation， the bodyinwhite mass loss is 11.93 kg （which is 3.08%）. The lightweight bodyinwhite is verified by the performance of 100% frontal impact， strength， IPI and NTF， which meets the design requirements. It is proved that the lightweight strategy based on PIAnO is an effective method.

Key words：

bodyinwhite； PIAnO； lightweight； design of experience； approximation model

0 引 言

汽車結構的輕量化對汽車節能和環保具有重要意義。據統計，客車、轎車和大多數專用汽車車身的質量約占整車質量的40%～60%。[1]統計表明，汽車的質量和燃油消耗之間存在密切的關系，整車質量減輕10%，燃油的消耗會降低6%～8%。[23]汽車輕量化是在保證汽車的剛度、被動安全和NVH等性能提高或者不降低的前提下，通過結構優化設計、輕量化材料的應用、合理的制造工藝等手段降低汽車的整備質量，達到節能減排的目的。[4]

目前，為實現白車身輕量化，常采用高強、輕質材料，減薄板類零件壁厚等手段，以質量最小為目標，以車身振動頻率或剛度為約束，進行單目標優化設計[5]，車身結構的其他性能（如碰撞安全性、強度等）一般只作為驗算對象，這導致優化方案在其他性能上應用很差，甚至設計部門無法采納，在設計上浪費大量的時間和精力。

本文基于某SUV車型，采用高效的實驗設計和優化軟件PIAnO，綜合考慮模態（1階扭轉、1階彎曲）、剛度（扭轉、彎曲）、40%偏置碰和側碰5個分析工況進行輕量化設計，并對輕量化方案進行100%正碰、強度、IPI和NTF性能驗證，4個分析工況性能指標優化所得的輕量化方案能夠滿足其他性能的基本設計要求。同時，考慮到碰撞安全性仿真計算耗時較長，針對分析工況分區域選擇設計變量以縮小優化規模，剛度、模態基于近似模型進行優化，碰撞安全性基于靈敏度分析結果進行優化。該優化策略不僅可以充分利用計算資源，也可以提高優化效率。

PIAnO是一款開放的優化設計軟件，融合先進的優化理論和方法，如高水平的正交數組試驗算法、兩點對角逐次二次近似優化算法和協方差矩陣適應演化算法等，可以自動化計算和空間探索。相比傳統的人工經驗試湊法，該方法能極大地降低設計人員進行優化設計的門檻，提高產品優化設計的效率。

1 白車身初始方案

建立白車身有限元模型，對模態、剛度、40%偏置碰和側碰進行仿真分析，初始方案性能見表1，除1階彎曲模態和40%偏置碰的Pedal x向侵入量性能指標略違反設計要求外，其余性能均滿足設計要求。

2 白車身優化策略

由于白車身多學科仿真計算時間較長，優化問題具有明顯的非線性和不確定性，因此選擇基于“實驗設計近似模型全局優化”的優化策略搜索最優解。同時，由于剛度、模態和碰撞安全性的仿真計算時間不同，因此剛度、模態性能和碰撞安全性的變量須分開選擇，優化過程須分階段進行，綜合考慮剛度、模態和碰撞安全性的敏度分析結果，進行方案調整，最終確定輕量化方案。白車身優化技術路線見圖1。

（1）確定剛度、模態設計變量。由于剛度、模態為線性分析，因此鋼材使用統一參數，僅考慮將零件板厚作為設計變量。

（2）確定碰撞安全性設計變量。零件板厚和材料對碰撞性能都有影響。根據白車身不同區域的零件影響不同工況的特點，對40%偏置碰和側碰的設計變量選擇不同的零件板厚和材料。

（3）參數化、自動化流程集成。參數化Nastran和LSDYNA模型文件，在PIAnO多學科優化平臺上集成剛度、模態、40%偏置碰和側碰性能的仿真計算，實現多方案自動計算。

（4）實驗設計。用盡量少的仿真次數獲取設計變量與響應變量之間的規律和關系，應用方差分析方法辨識對輸出參數影響最關鍵的設計變量，從而有效減少優化中設計變量的數量，降低優化的難度、減少優化時間。采用正交數組實驗設計方法（PIAnO最多可以取11個值）進行后處理，結果作為剛度、模態構建近似模型的樣本庫。

（5）剛度、模態性能近似建模。對實驗設計獲得的樣本庫運用近似模型方法建立設計變量與響應變量之間的數學表達式，對響應函數進行平滑處理，降低“數值噪聲”，以更快收斂到全局最優點。PIAnO優化平臺具有自動選擇近似建模方法和刪除離群點的功能，可以有效提高近似模型的精度。

（6）基于近似模型優化。對剛度、模態性能在近似模型上進行全局優化，避免得到局部優化解。常用的全局優化方法包括協方差矩陣適應演化算法和微遺傳算法等。

（7）近似優化方案驗證。由于近似模型存在一定的誤差，因此需要對基于近似模型優化的方案進行驗證，為后續的靈敏度方案調整提供參考依據。

（8）靈敏度優化。在剛度、模態性能近似優化方案的基礎上，根據各性能指標的靈敏度分析結果進行方案調整，最終確定優化設計方案。

3 計算實例

3.1 優化工況和設計變量

根據零部件對白車身剛度、模態和碰撞性能的影響，將白車身分成前、中、后3個區域，分別以A柱、B柱和C柱作為分界線，B柱之前為前區、A柱與C柱之間為中區、C柱之后為后區。其中，正碰、偏置碰對前區影響較大，側碰對中區影響較大，偏置碰性能已非常接近設計要求邊界，側碰尚有較大的可優化空間。本次優化周期和計算資源嚴重不足，故在變量選擇時以中區和后區的零件為主要優化對象，適當選擇前區的零件。最終選擇32個板厚和材料（安全性）作為設計變量，見圖2，其中，剛度和模態板厚變量共31個，偏置碰板厚變量11個、材料變量5個，側碰板厚變量9個、材料變量6個。

3.2 約束條件和優化目標

目標函數定義為白車身質量最小，約束條件參照初始方案性能的設計要求（見表1）定義。

3.3 模態識別

模態自動識別可通過模型上某些特征點的位移，確定新方案與初始方案相一致振型的模態階次和對應頻率。模型振型識別公式為

式中：db（j）為初始方案某階模態第j個特征點的位移；dr（i，j）為新方案第i階模態、第j個特征點的位移。若M值越接近1，則說明新方案的振型越接近初始方案所需判斷的振型。

在白車身模型的縱梁、門檻、上邊梁、后門框、頂蓋和地板等不同結構位置共選擇60個節點作為振型識別的特征點，通過PIAnO計算M值確定所要提取的1階扭轉和1階彎曲模態的頻率值。

3.4 實驗設計

通過科學、合理的抽樣，可用最小的計算量全面系統地分析各零件參數與響應之間的關系。同時，根據各參數對剛度、模態和碰撞安全性的影響程度，確定零件板厚和材料合理取值。根據車身零件板厚和材料取值離散的特點，選擇 PIAnO中合適的正交表建立實驗設計矩陣，其中剛度和模態共81個樣本，偏置碰和側碰共24個樣本。當所取樣本的靈敏度分析結果或近似模型精度不滿足工程要求時，PIAnO具備增廣拉丁方實驗設計方法，能夠用較少的樣本即可達到很好的空間離散和填充效果，見圖3。與傳統的通過多次抽樣來填充樣本空間（見圖4）相比，分析精度能夠得到有效改善。

樣本進行剛度、模態、偏置碰和側碰性能計算后，在實驗設計后處理中可以查看變量對性能指標的貢獻量、相關性和主效應等靈敏度結果，結合這些結果可以將其整理到一個多維度評價表中，指導方案的調整方向。實驗設計多維度綜合評價值見表2。

3.5 近似建模

構建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；平滑響應函數有利于快速收斂，避免得到局部解，使數值優化算法也能快速找到全局解。PIAnO優化平臺包含多項式響應面模型、神經網絡模型和Kriging模型，可基于樣本庫自動構造數學模型、自動清除離群點（見圖5）和誤差分析，向用戶自動推薦高精度的近似模型。

將多種算法的自動與手動建模所獲得的近似模型進行精度比較，采用多項式回歸模型所得精度最高，能夠滿足優化設計的要求，其各性能指標精度見表3。

3.6 基于近似模型優化方案

基于剛度、模態的近似模型，使用協方差矩陣適應演化算法進行全局優化計算，白車身質量由386.78 kg下降為378.95 kg，減少7.83 kg，白車身質量優化過程見圖6。

近似優化方案驗證結果見表4。由此可知，優化后的性能較初始方案有所提高。對碰撞安全性能進行驗證，40%偏置碰的侵入加速度性能有所改善，Pedal x向侵入量性能變差，不滿足設計要求。

3.7 基于靈敏度調整的優化方案

對剛度、模態、偏置碰和側碰性能的實驗設計后處理數據進行分析，基于近似優化方案驗證所得結果，對所選設計變量（板厚和材料）進行調整，通過5個方案的調整最終確定輕量化方案的驗證結果（見表5）。其中，模態性能略違反設計要求，但是違反量在設計可接受范圍內；偏置碰性能得到較大改善；質量減少量由7.83 kg增加到11.93 kg，輕量化效果較明顯。

3.8 其他性能驗證

對基于靈敏度分析結果調整所得的輕量化白車身進行100%正碰強度、IPI和NTF性能仿真驗證，結果表明該方案仍滿足材料強度要求，IPI和NTF性能與初始性能基本接近，初始方案發動機支架振動響應見圖7，基于靈敏度的輕量化方案發動機支架振動響應見圖8。由此可知，優化方案與初始方案在頻率段內的響應形態和峰值基本一致，表明優化方案未降低白車身的NTF性能。

4 結束語

綜合考慮模態、剛度、安全（40%偏置碰、側碰）等性能指標進行多學科協同優化設計，在PIAnO優化平臺上完成49個零件的板厚和材料的“試驗設計近似模型全局優化”流程。該優化策略最終得到白車身質量減少11.93 kg，即質量下降3.08%的輕量化方案。對該輕量化方案進行100%正碰、強度、IPI和NTF性能驗證，結果表明輕量化方案性能與初始方案相近，滿足設計要求。在整個優化過程中，80%的工作由計算機自動完成，極大地提高白車身輕量化設計的效率，使產品在市場中更具競爭優勢。根據不同工況分區域選擇設計變量、根據不同的計算量分階段優化的優化策略在白車身輕量化設計中是可行的。

參考文獻：

[1] 錢德猛， 梁林. 某轎車白車身的輕量化設計研究[J]. 合肥工業大學學報（自然科學版）， 2009， 32（S1）： 191193. DOI： 10.3969/j.issn.10035060.2009.z1.055.

[2] 馬鳴圖， 路洪洲， 李志剛. 論轎車白車身輕量化的表征參量和評價方法[J]. 汽車工程， 2009， 31（5）： 403439. DOI： 10.3321/j.issn：1000680X.2009.05.003.

[3] 朱鵬， 張新超， 楊笠， 等. 基于模態和剛度靈敏度分析的白車身輕量化研究[J]. 上海汽車， 2015（4）： 3034. DOI： 10.3969/j.issn.10074554.2015.04.07.

[4] 劉開勇. 基于響應面模型的白車身輕量化優化方法[D]. 長沙： 湖南大學， 2016.

[5] 季楓， 王登峰， 陳書明， 等. 轎車白車身隱式全參數化建模與多目標輕量化優化[J]. 汽車工程， 2014， 36（2）： 254258. DOI： 10.3969/j.issn.1000680X.2014.02.023.

（編輯 付宇靚）