基于性能驅動的某車型白車身輕量化研究

石登仁，楊甄鑫，李 云，廖禮平

（1. 東風柳州汽車有限公司，廣西 柳州 545005；2. 廣西科技大學 機械與交通工程學院，廣西 柳州 545006）

0 引言

世界鋁業協會研究表明，汽車的整車質量每降低10%，燃料消耗可降低6%～8%；汽車整備質量每減少100kg，燃油消耗量可減少0.3～0.6L/100km。白車身占整車質量的20%～30% ，可見其在整車輕量化設計方面有著重要的潛能[1]。

汽車輕量化主要包含三個途徑，輕質材料的應用、結構優化和先進工藝的應用。結構優化是指通過拓撲優化、尺寸優化、形狀優化和形貌優化等方法優化結構。在車身設計工程階段，車身的主要結構都已確定，此時車身鈑金件的尺寸優化尤為重要，國內外學者對白車身尺寸優化進行了研究。趙笠程[2]分析了白車身各工況的相對靈敏度，分別在彎扭工況和模態工況下對白車身進行尺寸優化。Chen 等人[3]基于隱式參數化建模技術實現了車身結構自動修改及快速多目標優化設計。王登峰[4]等以側碰安全件厚度為設計變量，綜合考慮白車身彎扭剛度、振動頻率等基本靜－動態性能及側碰安全性能，構建RBFNNKriging 混合近似模型聯合NSGA－II算法進行多目標優化。王震虎[5]等采用拉丁超立方試驗方法和一階響應面模型方法建立白車身質量、彎扭剛度、一階彎扭模態的近似模型，采用非支配排序遺傳算法對白車身進行多目標優化。賀強[6]等運用多模型綜合優化和截面優化對純電動汽車鋁合金車身進行正向設計，在滿足剛度、動剛度和碰撞性能的基礎上進行車身輕量化設計。以上研究，僅考慮白車身輕量化對其彎扭剛度、一階彎、扭模態頻率、碰撞等基本性能的影響。然而白車身的開發過程中，車身的彎扭剛度、NVH性能和碰撞性能是緊密相關的，因此應該綜合考慮。

本文以東風柳汽某款車型白車身為研究對象，綜合考慮了白車身的彎扭剛度、NVH性能、碰撞性能的影響，構建了混合近似模型，使用混合算法對白車身進行多學科優化。最終，確定白車身各優化部件的厚度最佳值。

1 優化問題定義

1.1 初始車型分析

1.1.1 白車身靜剛度分析

車型開發過程中，車身模態分布和NVH目標貫穿了整個開發過程。白車身的靜態彎曲和扭轉剛度的目標值設定非常重要，直接影響到整車的NVH性能，并會影響碰撞安全、操控性能、可靠性能以及成本等[7]。本節對白車身的靜剛度進行仿真計算，為后續優化提供支撐。

彎曲剛度主要模擬汽車在受到垂向載荷作用時抵抗彎曲變形的能力，計算得彎曲剛度為10945N/mm。扭轉工況主要模擬汽車在崎嶇不平的路面上行駛時，抵抗扭轉變形的能力，計算得扭轉剛度為14748 N·m/°。白車身模型如圖1所示。

圖1 剛度計算模型

1.1.2 白車身NVH性能仿真分析

車身作為整車的主要載體，其自身的NVH性能直接決定了整車的NVH性能好壞，如車身的響應頻率會對車輛的噪聲、振動和平順性以及高速穩定性產生影響[8]。本節對白車身的一階扭轉模態、動剛度、噪聲傳遞函數（NTF）、振動傳遞函數（VTF）進行仿真分析，對白車身共施加30個激勵點，考察NVH性能。

1.1.3 白車身碰撞性能仿真分析

車輛發生碰撞時，不同的車身結構吸收能量和抵抗變形都不同。合理的車身結構起到保護車內乘員的作用。設計更合理的車身結構能充分吸收能量和降低碰撞強度，結構抵抗變形變形設計也能為結束系統的正常工作提供保證。車身結構碰撞安全性能設計是乘員保護的基礎。

本節通過對白車身正碰、偏置碰、側碰進行仿真分析，為后續優化提供支撐。碰撞性能通過整車碰撞分析得到，在白車身的基礎上搭建整車模型。

1.2 優化變量和性能選取

針對不同的工況和考察的性能，本節對各工況所優化的部件和優化的性能進行選取。

1.2.1 結構靜剛度

選擇可以調整厚度的部件，根據經驗和貢獻量結果選擇對考察性能影響較大的部件。共選擇50組部件（對稱件只展示一半，下同）的厚度作為靜剛度優化設計變量，如圖2所示，優化目標為彎曲剛度和扭轉剛度。

圖2 靜剛度優化部件

1.2.2 NVH性能

根據經驗和貢獻量結果選擇對考察性能影響較大的部件，本次NVH性能優化共選擇23組部件，如圖3所示。副車架安裝點、排氣吊點主要受局部影響，整車優化暫不考慮。其他安裝點合格，分析過程依舊關注，僅本次不作為考察對象，后續可隨時加入考察。動剛度的考察性能見表1，一階扭轉模態優化目標為初始值32.3Hz，白車身NTF考察性能和VTF考察性能不再列出。

圖3 NVH性能優化部件

表1 白車身動剛度考察性能

1.2.3 碰撞性能

根據原始白車身碰撞結果，對碰撞優化性能進行設定。以仿真分析結果動畫為輔助依據，結合經驗選取對考察性能影響較大的件。與設計討論，所選擇的部件必須可以調整厚度。正碰和偏置碰優化部件相同，如圖4所示，其他工況不再列出。

圖4 正碰優化部件

2 多學科優化

2.1 試驗設計

2.1.1 結構靜剛度試驗設計

結構靜剛度試驗設計輸入變量為42個部件的厚度，輸出性能為白車身彎曲、扭轉剛度，DOE輸出模型為100個。

2.1.2 NVH性能試驗設計

一階扭轉模態試驗設計輸入變量為23個部件的厚度，輸出性能為白車身一階扭轉模態，DOE輸出模型為50個。

動剛度、NTF、VTF試驗設計輸入變量23個部件的厚度，輸出性能為動剛度、NTF、VTF，DOE輸出模型個數為70個。

2.1.3 碰撞性能試驗設計

正碰試驗設計輸入變量為23個部件的厚度，輸出性能為OLC、回彈時刻、侵入量等，DOE輸出模型為80個。

側面碰撞試驗設計輸入變量為14個部件的厚度，輸出性能為侵入量、侵入速度等，DOE模型輸出為50個。

2.2 多學科優化分析

2.2.1 近似模型

由于結構、NVH、碰撞分析的模型不同，質量不同，無法統一。以靜剛度分析DOE結果和質量結果為準，將其他分析結果加入，對于結構模型中不存在的變量，將該變量新增到DOE模型中，匯總得到質量的DOE結果。碰撞模型白車身模型沒有屬性和材料，不能直接提取，將白車身和屬性、材料文件單獨合并為一個模型，使用ANSA的task，配合modeFrontier進行質量提取。

對于質量、模態、剛度等線性較強的性能，使用多項式法進行擬合；NVH、碰撞性能具有較強的非線性關系，對比克里金法和神經網絡法擬合效果，選擇更優的方法進行擬合。通過響應面與實際結果進行比較來驗證響應面的準確性，如圖5所示為質量響應面的驗證，可知響應面擬合結果準確度較高。

圖5 質量響應面驗證圖

2.2.2 多學科優化

基于上述建立的響應面模型，本次優化使用混合算法，該算法既保持了遺傳算法的全局尋優優勢，同時避免局部計算速度過慢的問題，比較適合非線性較強的優化分析。以白車身鈑金件厚度為設計變量，質量最小為目標，剛度、模態、NVH、碰撞性能為約束，優化模型如圖6所示。

圖6 多學科優化模型

質量迭代歷史如圖7所示。由圖7可知，對白車身的質量優化收斂。將合格結果顯示在圖表中，可以得到性能的帕累托前沿圖，即性能的最優解趨勢。優化完成可得最優解與性能最佳解，并對該結果進行仿真驗證。

圖7 質量迭代歷史

2.3 優化結果匯總

由于本次優化涉及工況較多，一次優化難以達到最佳效果，所以需要進行多輪優化。本研究進行三輪優化，取最優值。

2.3.1 第一輪優化

問題：第一輪優化過程中，由于響應面與實際結果對標情況未知，各變量變化范圍有限，若直接使用現有性能目標值，很難得到優化結果，或者優化結果很不理想。

處理方法：根據經驗采用整車目標值代替單個目標值。例如，使用整車碰撞位移代替正碰位移侵入量，使用模態和扭轉剛度近似代替NVH及其他性能。

方法優點：大大減少目標性能個數，增大優化空間，節省時間，為后續優化做準備。

優化結果：根據優化結果可得，除重量優化有一定誤差外，其他響應面優化結果和仿真結果誤差1%左右，最大不超過5%，響應面優化結果可信。本輪優化減重18.7kg，但優化過程中，為了確保優化的進行，使用整車碰撞位移代替正碰位移侵入量，使用模態和扭轉剛度近似代替NVH及其他性能，優化后性能明顯較差，說明第一輪優化過程目標值明顯過低，需要根據優化結果重新定義目標值。

2.3.2 第二輪優化

改進方法：本輪優化再次驗證響應面精確度，同時將正碰性能提升到了初始水平，但VTF性能依舊較差，需要繼續針對VTF性能進行下一輪優化。

VTF性能提升方法：優化過程中，VTF性能較差，如果將VTF所有性能約束在合格范圍內，優化很難找到合格結果，或者輕量化效果很差，此時可以根據平行坐標圖，得到扭轉剛度、模態與VTF的關系，通過提升扭轉剛度的約束到14000N·m/°，提升模態約束到32.4Hz，可以達到整體提升VTF效果。

2.3.3 第三輪優化

根據優化最優解，可以得到輕量化效果最好的結果，但是各個方向性能可能比較差，此時可以配合使用性能最佳解，在盡可能不增加重量、各方向性能合格的前提下，單個方向性能達到最優，為單個方向性能不合格的優化提供方向。

優化后白車身扭轉剛度與一階扭轉模態變化見表2，質量減輕2.54%，其他性能均滿足要求。

表2 白車身靜剛度優化結果對比

3 結論

（1）對白車身的靜剛度、NVH性能、碰撞性能進行仿真分析，確定了白車身的初始性能。根據白車身的初始性能，確定各工況的優化部件、優化性能，分別構建了各工況的DOE模型和響應面模型。

（2）使用混合算法對白車身進行多學科優化，最終得到了白車身的多學科優化結果。研究結果表明，白車身在滿足靜剛度、NVH性能、碰撞性能的前提下，減重2.54%，驗證了本文多學科優化方法的有效性。