基于序列Kriging模型的车身轻量化设计

为解决常规Kriging模型在设计空间拟合精度低的问题,提出了序列Kriging模型。通过预期改善函数,在优化解附近和设计空间的稀疏区域增加样本点,不断更新近似模型,从而提高近似模型在兴趣域的拟合精度和全局预测能力。通过两个数值算例分析了序列Kriging模型的全局搜索特性,从算例优化的统计结果可以看出,序列Kriging模型比常规Kriging模型的优化精度更高,稳健性更好。最后,序列Kriging模型被应用到车身轻量化设计中,采用粒子群算法所得到的优化结果表明,近似模型的精度有了很大的提高,并且在满足耐撞性约束的同时所选部件的质量降低了23.35%。     

基于PCWR的薄板件装配偏差计算与控制研究

针对汽车车身设计中由于未考虑柔性薄板件装配误差而导致多次的试制和设计变更问题,提出了一种面向设计的装配偏差控制方法。该方法在设计阶段基于柔性薄板件焊接的定位、夹紧、焊接、释放(PCWR)过程进行焊接装配偏差分析,使用影响系数法和蒙特卡罗模拟法建立焊接装配偏差模型,并结合实例进行了偏差计算模型的验证。在装配偏差分析基础上使用遗传算法进行零件结构和公差的优化设计,从而以较低的成本实现对车身装配偏差的控制。     

基于近似模型的微型客车碰撞指标预测精度研究

用近似模型来代替真实模型可以减少大量的计算时间,保证优化过程的可行性,但需要保证近似模型的精度满足要求。近似模型精度越高,优化的结果可靠性也就越高。基于微型客车正面40%重叠可变形壁障碰撞有限元模型,选取车身前部对碰撞性能影响较大的10个板料厚度作为变量,把B柱下端加速度、总质量、仪表板管梁处侵入量、前围板转向柱孔处侵入量及下前围板离合器踏板处侵入量作为响应值。利用拉丁超立方试验设计方法选取70个样本点,建立了设计变量与响应的近似模型,比较了响应面、径向基神经网络、Kriging、正交多项式4种近似模型响应的误差散点图、平均相对误差和决定系数。结果表明:响应面近似模型和径向基神经网络近似模型在B柱下端加速度峰值、前围板转向柱孔处及下前围板离合器踏板处侵入量的预测精度未在可接受范围内;正交多项式近似模型质量响应精度较高,但其余各响应的精度并不能满足要求,且3种近似模型预测精度受响应量与变量的线性关系的影响明显;而Kriging近似模型各响应的预测精度均满足要求,受线性关系影响较小,故选择Kriging近似模型代替原模型。最后用粒子群算法对Kriging近似模型进行优化,结果表明:Kriging近似模型预测结果与有限元结果拟合精度高,其优化结果达到预期目标。     

基于序列Kriging模型的汽车车身轻量化可靠性优化设计CSCD

为减少汽车车身轻量化可靠性优化设计的计算量并提高优化设计的精度,提出一种序列Kriging可靠性优化设计方法。以整车质量作为优化目标,选取整车耐撞性指标作为可靠性约束,建立可靠性优化设计模型。采用Latin超立方试验设计生成汽车正面碰撞有限元仿真模型的样本数据进行计算,根据有限元仿真结果构建目标和约束函数的Kriging近似模型;采用序列优化与可靠性评定方法 (SORA)将该嵌套优化问题解耦为单层次优化问题;优化每一迭代步,基于Kriging模型采用功能度量法评定概率约束。结果表明:所提方法满足工程设计所需的效率和精度要求,满足了整车安全性、轻量化和可靠性设计要求,整车质量减少约1.4%。     

基于Kriging模型的车身耐撞性优化设计

采用最优拉丁方法进行试验设计,基于Kriging模型建立汽车耐撞性评价指标的替代模型,然后利用替代模型建立耐撞性优化的数学模型并进行耐撞性优化。结果表明,基于Kriging的替代模型的拟合精度较高,采用该模型进行的优化可提高汽车的耐撞性。     

碳纤维复合材料汽车翼子板优化设计研究

碳纤维复合材料(Carbon Fiber Reinforced Plastic,CFRP)零件的性能与其结构形式和铺层方式相关,合理的结构设计及铺层方式可充分发挥CFRP的效能。以CFRP汽车翼子板为研究对象,在保证性能要求的前提下,采用自由尺寸优化方法进行翼子板结构优化设计。在此基础上,将拉丁超立方采样与有限元方法相结合,获得翼子板设计空间的初始样本数据,建立以安装点刚度为目标的Kriging模型,并利用期望改进准则不断提高模型精度。基于构建的Kriging模型,采用遗传算法求解翼子板最佳铺层方式,使优化后的CFRP翼子板减重效果达到43.1%。     

基于PSO-SVR近似模型的乘员约束系统稳健性优化

综合运用近似模型参数优化技术和稳健性优化方法对汽车乘员约束系统进行优化。通过全局灵敏度分析,选出对加权伤害准则(weighted injury criterion,WIC)影响大的参数;采用粒子群优化(PSO)算法对支持向量回归(SVR)模型参数和核函数参数进行优化,建立高精度的PSO-SVR近似模型;在确定性优化的基础上进行基于蒙特卡罗抽样的稳健性优化。结果表明:优化后乘员约束系统性能得到明显提升且兼顾了稳健性。     

基于代理模型的汽车正撞安全性仿真优化

针对传统方法无法高效地实现多目标优化的问题,将有限元法和代理模型技术相结合,以整车质量、B柱加速度峰值和前围板侵入量为优化目标构造了其代理模型,研究了样本数量对模型精度的影响,并采用NSGAII优化算法对板件厚度进行了优化。结果表明:增加样本点的数量未必能有效提高代理模型的精度,测试点评价方法的精度在很大程度上依赖测试点的数目和位置,不能准确评价代理模型的精度,而采用交叉验证法取得较好的效果;基于代理模型,对车身结构的板件厚度优化后,效果显著,整车质量减轻了4.1kg,B柱加速度峰值降低了8.44%,前围板侵入量降低了6.03%。     

基于kriging代理模型的碰撞安全性稳健性分析

针对材料和制造工艺等不确定因素,并为提高汽车碰撞安全性稳健性分析的效率,采用基于kriging代理模型的稳健性分析方法,研究材料不确定性对某款轿车前纵梁碰撞安全性能的影响.结果表明,材料特性的不确定性对前纵梁峰值碰撞力影响较大;基于kriging模型的稳健性分析的精度和效率比采用有限元模型时要高.     

基于序列径向基函数的多目标优化方法及其应用

针对工程多目标优化求解耗时且全局高精度代理模型难以构造的问题,提出基于序列径向基函数的优化方法。该方法在每个迭代步,运用信赖域更新技术将整个设计空间分割成一系列信赖域,以降低优化问题的复杂程度。在每个信赖域上建立各个响应的代理模型,并采用微型多目标遗传算法进行优化。为避免序列近似优化引起的效率降低问题,运用继承拉丁超立方试验设计继承上一代样本点,以减少新样本;同时继承当前的非支配解,对代理模型局部加密,以减少迭代次数。在Benchmark测试问题中,与传统的代理模型方法相比,在实际模型相同调用次数情况下,该方法能更好地逼近全局前沿面。最后将该方法应用于某轿车车身结构轻量化问题中,验证了解决实际工程多目标优化问题的能力。     

基于混沌递进预测模型与趋势检验的深基坑变形规律研究

为提高基坑变形预测精度及稳定性,首先,利用遗传算法优化BP神经网络的结构参数,再将参数优化后的BP神经网络与灰色模型结合,构建出GA-BP神经网络模型,并利用该模型实现基坑变形序列的初步预测; 其次,基于残差序列的混沌特性,再利用混沌理论进行残差优化,进一步构建考虑混沌特性优化的GA-BP神经网络模型; 最后,将SR检验引入到基坑变形趋势判断中,以检验预测结果的准确性。实例检验表明： 通过遗传算法及混沌理论的递进优化,能逐步提高预测精度,验证文章预测模型的有效性,且预测结果与SR检验结果的一致性较好,说明该预测模型的可信度高。     

基于代理模型的龙卷风数值模拟参数优化

为实现以实测数据为目标的龙卷风高精度数值模拟,在总结已有研究成果的基础上,基于计算流体力学(CFD)方法建立了ISU型龙卷风数值模型,通过参数灵敏度分析确定拟优化模拟参数;提出了以实测数据为目标的龙卷风模拟参数优化方法,引入代理模型提高计算效率并通过数值模型计算设计样本点响应来训练代理模型,采用最大切向速度、最大切向速度处半径及标准化风剖面线形误差3个指标建立目标函数;通过一组数值算例验证了所提出优化方法的可靠性,采用所提出的优化方法分别以龙卷风物理模拟器试验数据和龙卷风现场实测数据为目标进行模拟参数优化,并基于此进行CFD数值模拟。研究结果表明:入口切向速度U_t、模拟器离地面高度H_g和地面移动速度V_T三个参数对龙卷风场影响较大,因此选作为待优化模拟参数;引入代理模型进行参数优化,避免了数值模型直接参与优化迭代过程,提高了优化效率;以龙卷风物理模拟器试验数据为目标的数值模拟结果,与试验数据的标准化风剖面线形误差V_Mp仅为0.034 4;以龙卷风现场实测数据为目标的数值模拟结果,在h=250 m及h=450 m高度处与实测结果的风剖面综合误差V_M分别为0.024 0、0.035 1,均小于训练样本集中模拟结果的误差,采用优化后的模拟参数进行龙卷风数值模拟很好地改善了模拟精度。     

车身钣金件定位基准优化研究及系统建立

研究通过VS 2013对UG NX软件平台进行二次开发,实现了车身钣金件定位策略的优化分析和车身零部件的网格自动划分。研究中,利用UG中Nastran程序计算变形,能够通过对重力变形数值的探测和对比分析,获得优化的定位策略;建立的相似度智能推理方法,可实现零部件定位策略智能优化。该研究可用于车身钣金件定位策略开发和优化,可提高基准优化精度和效率,提升开发质量,节约开发成本。     

基于递进复合式组合预测模型的软岩隧道大变形预测研究

为实现对隧道大变形发展趋势的判断,达到优化现场施工,避免出现施工安全问题的目的,采用LS-SVM和优化GM(1,1)模型对隧道变形进行预测,并以误差平方和为指标,将两者的预测结果进行组合,再进一步利用BP神经网络对前者的预测误差进行修正,以实现综合预测。通过实例检验,得到最小二乘法对支持向量机的优化效果要优于对灰色模型的优化效果,且误差修正模型能进一步有效地提高预测精度,使预测值与实测值更为接近;同时,通过本文的预测结果,得到后4个周期的变形仍具有持续变形的趋势,应采取有效措施,避免工程事故的发生。本文预测模型具有较好的预测精度及适用性,对隧道大变形研究具有一定的参考意义。     

基于试验数据的大跨度拱桥有限元模型修正

为了获取菜园坝长江大桥的基准有限元模型，结合Kriging代理模型和一种改进的粒子群优化算法，利用荷载试验数据对其初始有限元模型进行修正。首先，叙述模型修正和Kriging模型基本理论，在基本粒子群算法中引入交叉变异计算，提出一种改进的粒子群算法，并通过测试函数对改进的粒子群算法进行验证；其次，简要介绍菜园坝长江大桥荷载试验、荷载试验结果及初始有限元模型；最后，根据敏感性分析选定6个待修正参数，通过试验设计得到频率和位移关于修正的参数的样本，并建立有限元模型的Kriging代理模型以预测结构响应；以频率和位移的试验值和计算值残差为目标函数，分别利用基本粒子群算法和改进的粒子群算法在修正参数的设计空间内寻找目标函数的最小值，并对比分析模型修正的结果。结果表明：测试函数表明改进的粒子群算法具有较好的稳定性和成功率，并能获得更为精确的优化结果；建立的Kriging代理模型均方根误差较小，可以替代有限元模型预测结构频率和位移；经过模型修正，菜园坝长江大桥前5阶频率计算值与试验值相对误差均控制在5%之内；除个别测点外，位移相对误差均控制在10%以内；相比基本粒子群算法，改进的粒子群算法获得了更小的目标函数值，修正后的频率和位移的相对误差更小。     

基于时空GPSO-SVM的短时交通流预测

为了提高城市道路短时交通流预测的精度,提出了一种基于时空遗传粒子群支持向量机的短时交通流预测模型.通过主成分分析法对路网原始交通流量进行时空相关性分析,用较少的主成分代替原始交通流量并作为预测因子,在粒子群算法中引入遗传算法的交叉和变异因子,避免粒子群算法陷入局部最优.利用改进后的粒子群算法优化支持向量机参数,得到最优的支持向量机模型,并实现城市道路的短时交通流预测.以长春市路网的实测数据为基础进行了实例验证,结果表明,优化支持向量机参数时,遗传粒子群算法不会陷入局部最优,优化效果更好;与粒子群支持向量机模型和遗传粒子群支持向量机模型相比,所提出预测模型的相对误差波动较稳定,平均预测精度分别提高了4.96%和3.41%.      

基于IPSO-LSSVM的污水BOD预测应用研究

生化需氧量（BOD）的快速准确测量对于污水处理过程的调控至关重要。针对污水处理过程中BOD浓度测量时效性较低等问题，选择最小二乘支持向量机（LSSVM）作为BOD浓度预测模型，并选用粒子群优化算法（PSO）优化回归性能参数，同时使用自适应惯性权重计算方法对PSO进行改进，建立了IPSO-LSSVM预测模型。运用预测模型对某污水厂数据进行仿真研究以及3种误差分析，结果表明该模型具有较好的预测精度。     

基于耐撞性的多学科近似模型预测精度研究

以整车100%正面碰撞有限元模型为基础研究了三种近似模型的预测精度,分析并选取前部结构中对汽车碰撞安全性影响较大的12个部件厚度为变量,利用最优拉丁超立方试验设计方法生成80个样本数据并进行计算,应用多学科优化中常用的二次多项式响应面(Quadratic Polynomial Response Surface,QPRS)、Kriging以及径向基函数(Radial Basis Function,RBF)三种近似方法分别对选取部件的总质量、吸收总能量、B柱最大加速度和踏板侵入量建立近似模型。结果表明:RBF近似方法对部件总质量、吸收总能量、B柱最大加速度预测精度高于其他两种方法,Kriging近似方法对踏板侵入量预测模型具有较好的精度,QPRS近似方法适合于部件总质量的近似建模。     

基于红外测距的道路前方车辆探测预警系统研究

进行道路前方车辆探测预警系统设计时,通常采用红外测距仪来获取道路前方车距信息,并以此作为前车探测的基础数据。为了消除系统状态误差和测量误差对车距信息数据精度的影响,可根据车距信息和相对车速不会突变的特性建立预测模型,基于此预测模型,应用Kalman滤波理论准确预测相对车速,并利用车距信息和相对车速计算安全距离报警阈值。试验证明该探测及预警方法可大大提高车辆探测的准确性和鲁棒性。     

基于相关性准则和R-ELM模型的岩溶隧道涌水量预测研究

为实现隧道涌水量的高精度预测，以相关系数法和极限学习机为理论基础，构建隧道涌水量预测模型。首先，结合工程实例对隧道涌水的影响因素进行分析，并利用相关系数法分析各因素与涌水量之间的相关性，以筛选出重要影响因素；其次，将筛选出的重要因素作为预测模型的输入层，并利用试算法和经验公式优化极限学习机的模型参数，再利用M估计弱化预测误差，进而构建出用于隧道涌水预测的R-ELM模型。研究表明： 1）岩溶隧道涌水灾害的影响因素较多，包括5类一级因素和12类二级因素，不同因素对隧道涌水灾害的影响程度存在一定差异； 2）R-ELM模型预测结果的平均相对误差仅为1.12%，具有较高的预测精度，不仅验证了模型参数优化和M估计优化的有效性，也验证了R-ELM模型在隧道涌水量预测中的适用性。