基于概率模型和数据驱动的动力总成悬置系统可靠性优化

doi:10.19562/j.chinasae.qcgc.2024.03.009

摘要/Abstract

摘要：

针对电动汽车动力总成悬置系统（PMS）一部分参数为概率变量，一部分参数为离散数据的复杂不确定情形，开展了基于概率模型和数据驱动的电动汽车PMS可靠性优化设计研究。首先，基于任意多项式混沌（APC）展开和广义最大熵原理推导了一种求解该复杂不确定情形下PMS响应不确定性和可靠性的高效方法；然后，基于蒙特卡洛抽样，给出了该复杂不确定情形下求解PMS响应不确定性和可靠性的参考方法；接着，提出了一种基于APC展开法的灵敏度分析方法，进一步提出了一种考虑响应不确定性和可靠性的PMS优化设计方法；最后，通过应用算例验证方法的有效性，并对系统进行了灵敏度分析和可靠性优化。结果表明，所提出的方法可有效地处理电动汽车PMS一部分参数为概率变量、一部分参数为离散数据的复杂不确定情形，并能可靠地优化该情形下的系统固有特性，且方法具有较高的计算精度和计算效率。

关键词: 电动汽车动力总成悬置系统, 任意多项式混沌展开, 最大熵原理, 数据驱动, 不确定性

Abstract:

For complex and uncertain situations related to the powertrain mounting system （PMS） of electric vehicle where some parameters are probabilistic variables， and some parameters are discrete data， a study on the reliability optimization design for the PMS of electric vehicles is conducted based on the probabilistic model and data-driven model. Firstly， based on the arbitrary polynomial chaos （APC） expansion and generalized maximum entropy principle， an efficient method is derived for solving the uncertainty and reliability of the PMS response under the aforementioned complex uncertain situation. Then， based on the Monte Carlo sampling， a reference method is proposed for performing the uncertainty and reliability analysis of PMS. Next， a sensitivity analysis method based on APC expansion method is proposed， and an optimization method of PMS is further put forward considering the uncertainty and reliability of responses. Finally， a numerical example is used to verify the effectiveness of the proposed method， and the sensitivity analysis and reliability optimization of the system are carried out. The results show that the proposed method can effectively handle the complex and uncertain situations where some parameters of the electric vehicle PMS are probability variables and some parameters are discrete data and can optimize the PMS inherent characteristics reliably with good computational accuracy and efficiency.

Key words: powertrain mounting system of electric vehicle, arbitrary polynomial chaos expansion, maximum entropy principal, data-driven, uncertainty

吕辉,张家明,黄晓婷,上官文斌. 基于概率模型和数据驱动的动力总成悬置系统可靠性优化[J]. 汽车工程, 2024, 46(3): 456-463.

Lü Hui,Jiaming Zhang,Xiaoting Huang,Wenbin Shangguan. Reliability Optimization for the Powertrain Mounting System Based on Probability Model and Data-Driven Model[J]. Automotive Engineering, 2024, 46(3): 456-463.

图/表 16

图1

图2

图3

表1

表2

图4

图5

图6

表3

固有频率和解耦率的原点矩"

方法	响应	$μ Y i (x) 1$	$μ Y i (x) 2$	$μ Y i (x) 3$	$μ Y i (x) 4$
MC	f_B（x）/Hz	1.48E+1	2.19E+2	3.24E+3	4.79E+4
	f_P（x）/Hz	2.94E+1	8.63E+2	2.54E+4	7.46E+5
	d_B（x）/%	8.31E+1	6.94E+3	5.83E+5	4.92E+7
	d_P（x）/%	8.65E+1	7.50E+3	6.51E+5	5.66E+7
APC-MEP	f_B（x）/Hz	1.48E+1	2.19E+2	3.24E+3	4.79E+4
	f_P（x）/Hz	2.94E+1	8.63E+2	2.54E+4	7.46E+5
	d_B（x）/%	8.31E+1	6.94E+3	5.83E+5	4.92E+7
	d_P（x）/%	8.65E+1	7.50E+3	6.51E+5	5.66E+7

表3

图7

图8

图9

表4

图10

图11

表5

参考文献 14

1	SIRAFI M， CHANG Y P， QATU M S. Robustness of mount systems for idle NVH， part I： Centre of Gravity （CG） mounts［J］. International Journal of Vehicle Noise and Vibration， 2006， 2（4）： 317-333.
2	时培成，陈无畏，高立新. 基于蒙特卡罗法的动力总成悬置系统稳健性设计［J］. 汽车工程， 2010， 32（8）： 707-711.
	SHI P C， CHEN W W， GAO L X. Robustness design of powertrain mount system based on Monte Carlo method［J］. Automotive Engineering， 2010， 32（8）： 707-711.
3	WU J， SHANGGUAN W B. Robust optimization design method for powertrain mounting systems based on six sigma quality control criteria［J］. International Journal of Automotive Technology， 2010， 11（5）： 651-658.
4	谢展，于德介，李蓉. 汽车发动机悬置系统的多目标稳健优化设计［J］. 汽车工程， 2013， 35（10）： 893-897.
	XIE Z， YU D J， LI R. Multi-objective robust optimization design of vehicle engine mount systems［J］. Automotive Engineering， 2013， 35（10）： 893-897.
5	陈剑，李士爱，刘策，等. 基于Chebyshev区间方法的动力总成悬置系统稳健性优化［J］. 中国机械工程， 2018， 29（3）： 314-319.
	CHEN J， LI S A， LIU C， et al. Robustness optimization of powertrain mounting system based on Chebyshev interval method［J］. China Mechanical Engineering， 2018， 29（3）： 314-319.
6	CAI B H， SHANGGUAN W B， LÜ H. An efficient analysis and optimization method for powertrain mounting systems involving interval uncertainty［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2020， 234（5）： 1318-1329.
7	LÜ H， ZHENG Z， HUANG X T， et al. A methodology for design optimization of powertrain mounting systems involving hybrid interval-random uncertainties［J］. Structural and Multidisciplinary Optimization， 2021， 63（3）： 1265-1285.
8	WANG X T， WANG X Z， SHENG H， et al. A data-driven sparse polynomial chaos expansion method to assess probabilistic total transfer capability for power systems with renewables［J］. IEEE Transactions on Power Systems， 2020， 36（3）： 2573-2583.
9	SHEN F F， ZHAO L， DU W L， et al. Data-driven stochastic robust optimization for industrial energy system considering renewable energy penetration［J］. ACS Sustainable Chemistry & Engineering， 2022， 10（11）： 3690-3703.
10	栾英林，崔华阁，贾旭东. 纯电动乘用车动力总成悬置系统优化设计［J］. 重庆理工大学学报（自然科学）， 2020， 34（6）： 90-96.
	LUAN Y L， CUI H G， JIA X D. Optimum design of powertrain mounting system for pure electric passenger vehicle［J］. Journal of Chongqing University of Technology（Natural Science）， 2020， 34（6）： 90-96.
11	LÜ H， MAO H K， HUANG X T， et al. An effective approach for reliability-based robust design optimization of uncertain powertrain mounting systems involving imprecise information［J］. Engineering with Computers， 2022， 38（2）： 1193-1214.
12	GOTOVAC H， GOTOVAC B. Maximum entropy algorithm with inexact upper entropy bound based on Fup basis functions with compact support［J］. Journal of Computational Physics， 2009， 228（24）： 9079-9091.
13	JONES M C. Simple boundary correction for kernel density estimation［J］. Statistics and Computing， 1993， 3（3）： 135-146.
14	徐中明，李晓，刘和平. 纯电动汽车动力总成悬置系统的优化［J］. 汽车工程， 2012， 34（9）： 806-815.
	XU Z M， LI X， LIU H P. Optimization of the powertrain mounting system of electric vehicle［J］. Automotive Engineering， 2012， 34（9）： 806-815.

悬置	刚度/（N·mm^-1）			安装位置/mm
悬置	k_ui	k_vi	k_wi	X	Y	Z
悬置1	75	200	230	-310	-152	-162
悬置2	65	145	260	205	-80	-58
悬置3	95	115	185	20	205	-170

响应	优化前		优化后
响应	均值	方差	均值	方差
f_B（x）	14.79 Hz	0.06	12.60 Hz	0.05
f_P（x）	29.37 Hz	0.36	26.14 Hz	0.30
d_B（x）	83.08 %	38.37	94.34 %	2.62
d_P（x）	86.53 %	12.15	89.57 %	1.62

响应	优化前	优化后
f_B（x）	80.94	100
f_P（x）	85.34	100
d_B（x）	37.80	100
d_P（x）	66.89	99

[1]	吴其林,林育明,崔峥嵘,赵晓敏. 基于层级约束的多无人车编队包含控制[J]. 汽车工程, 2023, 45(8): 1333-1342.
[2]	吕辉,钟顺江,李振聪,曹懿莎,上官文斌,赵克刚. 基于多维子平行六面体模型的可靠性分析方法及应用[J]. 汽车工程, 2023, 45(6): 1090-1098.
[3]	吕辉,姜帅,魏政君,曹懿莎. 考虑参数不确定性的驱动电机振动特性分析[J]. 汽车工程, 2023, 45(5): 845-853.
[4]	兰凤崇,陈继开,陈吉清,蒋心平,李子涵,潘威. 实车数据驱动的锂电池剩余使用寿命预测方法研究[J]. 汽车工程, 2023, 45(2): 175-182.
[5]	兰凤崇,潘威,陈吉清. 基于Aseq2seq-PF的实车锂离子动力电池剩余使用寿命预测[J]. 汽车工程, 2023, 45(12): 2348-2356.
[6]	张硕,蔡旭,张春梅,兰利波,张溆祺,陈轶嵩. 氢燃料电池重型商用车全生命周期评价研究及不确定性分析[J]. 汽车工程, 2023, 45(12): 2366-2386.
[7]	洪吉超,梁峰伟,杨海旭,李克瑞. 大数据驱动动力电池智能安全管理与控制方法研究[J]. 汽车工程, 2023, 45(10): 1845-1861.
[8]	江浩斌,冯张棋,洪阳珂,韦奇志,皮健. 应用于车辆纵向控制的无模型自适应滑模预测控制方法[J]. 汽车工程, 2022, 44(3): 319-329.
[9]	方培俊,蔡英凤,陈龙,廉玉波,王海,钟益林,孙晓强. 基于车辆动力学混合模型的智能汽车轨迹跟踪控制方法[J]. 汽车工程, 2022, 44(10): 1469-1483.
[10]	刘永刚,张静晨,万有刚,孙冬野,秦大同. 基于数据驱动的双离合器自动变速器换挡过程自适应控制[J]. 汽车工程, 2021, 43(6): 891-898.
[11]	潘作峰,邓玉伟,郝耀东,苏丽俐,邓江华. 动态密封状态下汽车风噪性能不确定性研究[J]. 汽车工程, 2021, 43(11): 1645-1652.
[12]	胡杰,高志文. 基于数据驱动的电动汽车动力电池SOC预测[J]. 汽车工程, 2021, 43(1): 1-9.
[13]	吕辉, 杨坤, 尹辉, 上官文斌, 于德介. 基于多维平行六面体模型的动力总成悬置系统固有特性分析^*[J]. 汽车工程, 2020, 42(4): 498-504.
[14]	黄彩霞, 雷飞, 胡林, 张志勇. 轮毂电机驱动汽车区域极点配置横向稳定性控制^*[J]. 汽车工程, 2019, 41(8): 905-914.
[15]	王琼, 黄志亮. 含概率区间混合不确定性的汽车正面碰撞可靠性优化设计^*[J]. 汽车工程, 2019, 41(5): 545-549.