技术干货 | 基于Adams/Car和modeFRONTIER的汽车悬架K&C特性优化

作者：Kiran Kumar、Aniket Karandikar

汽车悬架系统是汽车中最复杂的系统之一，它由许多部件组成，包括弹簧、减振器、衬套、硬点等。这些部件中的每一个都在悬架系统的运动学和柔性（K&C）分析中起着关键作用。在不应用数学算法的情况下，要找到所有参数的最佳组合，以针对所有工况获得理想的K＆C结果，将是一项非常艰巨的任务。MSC软件公司与ESTECO公司联合建立了一个自动优化流程，不仅可以用于K&C分析，还可以将此流程应用于任何完整的车辆仿真乃至联合仿真。

运动学和柔性（K&C）分析可以用来评估悬架特性，改善悬架性能并帮助设计正确的悬架包装结构。在Adams/Car当中可以通过不同的载荷情况获得悬架的全K&C特性，包括：

悬架总成的K&C分析一般会分别对前悬架和后悬架总成进行仿真，设置悬架和车辆参数：弹簧质量、制动比、车轮刚度等，仿真工况包括：平行车轮行驶、横滚力和垂直力/对轮行驶、转向、静态载荷/柔性。

Adams/Car中的整车SPMM分析基于Anthony Best Dynamics公司的SPMM机器，可以测量整车的准静态悬架特性。车身安装在具有6个自由度的刚性工作台上，可以调整悬架参数以满足动态事件中所需的车辆行为。输出报告可与物理测试数据相关联，并可以自动创建绘图配置文件以简化后处理。

K＆C静态分析，工况与 SPMM中类似，但其中垂向和侧向运动的驱动方式不同，进行准静态求解。K＆C动态分析类似于K＆C静态分析，但是是动态求解，在轮胎属性文件中包括高级瞬态扭矩和停车扭矩。

在本案例中针对前悬架进行了优化，综合考虑所有工况，全面优化前悬架总成的运动学和柔性特性。通过集成不同的软件来实现端到端设计流程自动化，例如集成Adams Car用于仿真，集成Python脚本用于后处理以及集成Excel用于报告生成。考虑的工况包括：平行车轮行程、侧倾、纵向柔性、横向柔性、转向、校准柔性。

设计参数包括17个硬点的三维坐标（x,y,z），总共51个参数，变化范围各为±3mm；7个衬套在六个方向上的刚度(fx, fy, fz, tx, ty, tz)，总共42个参数，变化范围各为± 20%；此外还有弹簧刚度、弹簧刚度、阻尼器F-v曲线、缓冲块间隙、回弹限位器间隙，初始校准包括前束角、外倾角、驱动轴偏移，总共102个参数。

优化性能目标包括25个性能曲线中给出的28个性能参数的目标，部分目标如下图：

modeFRONTIER具有Adams/Car的直接接口，可以自动解析Adams/Car的模型文件，并可以使用一个节点进行多重工况的计算。基于此接口建立的自动优化流程如下图：

如前所述，使用Python节点以进行后处理计算得到相应的性能指标，使用Excel节点以自动生成报告。

通过建立自动工作流程，可以大大提高计算资源利用率，减少人力消耗；此外还可以实现端到端设计过程自动化，通过简单的点击即可实现设计参数的变更及整个计算；实现模块化和标准化自动化的工作流程，相同设置可以用于所有类似的设计过程；可以消除重复的和人为错误。

采用均匀拉丁超立方算法生成了500个样本点以生成响应面。500个样本点的计算约耗时1000分钟（每个样本点约2分钟）。均匀拉丁超立方算法生成的样本点具有很好的均匀性及输入无关性，参见下图：

通过modeFRONTIER的灵敏性分析功能可以分析众多的设计变量对于输出参数的影响大小，找出最重要的设计参数，从而可以削减设计参数数量，进而降低优化的计算消耗，提高响应面的质量。

响应面是在数据基础上建立的所有输入变量和每个输出变量之间的近似函数关系，基于响应面可以进行虚拟优化，无需反复进行迭代式的仿真计算，从而大大降低优化的计算资源消耗。

在modeFRONTIER当中可以同时选择多种响应面算法生成响应面，将样本数据集分为训练数据集和验证数据集，利用验证数据集根据一定的指标（如平均绝对误差、平均相对误差、平均归一化误差、R2、AIC等）判断训练数据集生成的响应面质量好坏，挑选对当前变量最适用的响应面算法。最终选择的部分变量对应响应面算法参见下图：

采用modeFRONTIER的一键式自适应优化算法pilOPT进行优化，该算法可以完全自动地选择最适应当前问题的算法和设置，对各种情况均适用，特别适合对算法不熟悉的新手使用。

优化完后，由于优化目标很多，难以通过一般的后处理工具从Pareto优化解集中选取最优解，可以使用modeFRONTIER的多准则决策（MCDM）功能对所有的解进行排名，帮助进行最终的选额。

最终得到的优化设计与原始设计以及目标值的对比如下：