一种基于粒子群算法的车辆悬架系统参数优化方法

摘要

本发明提供一种基于粒子群算法的车辆悬架系统参数优化方法，属于汽车底盘技术领域，同时涉及群体智能算法领域。根据不同车型或某一车型对悬架系统不同使用性能的要求，折中考虑悬架参数优化过程中的各种矛盾，采用搜索能力较强的粒子群算法对悬架系统的参数进行寻优，建立作为寻优判别标准的适应度函数，得到粒子种群的历史全局最优值，作为满足所需求解的悬架系统参数。该方法算法简单，收敛速度快，鲁棒性强，目标函数灵活可调，为悬架系统参数的优化设计提供了一种新的思路。

主权项

一种基于粒子群算法的车辆悬架系统参数优化方法，其特征在于包括以下步骤：步骤1、将汽车简化为四分之一单轮车辆模型，根据车身质量m_b，车轮质量m_t，车身垂直位移z_b、车身垂直速度和车身垂直加速度车轮垂直位移z_t、车轮垂直速度和车轮垂直加速度悬架刚度k_s，轮胎刚度k_t，减振器阻尼系数c以及路面不平度z₀，建立二自由度车辆动力学微分方程；$m_b{\stackrel{··}{z}}_b+k_s(z_b-z_t)+c({\stackrel{·}{z}}_b-{\stackrel{·}{z}}_t)=0$$m_t{\stackrel{··}{z}}_t+k_s(z_t-z_b)+k_t(z_t-z_0)+c({\stackrel{·}{z}}_t-{\stackrel{·}{z}}_b)=0$步骤2、根据汽车对悬架系统偏频的要求，确定悬架刚度k_s的范围，记k_s的取值范围的最小值为k_smin，k_s的取值范围的最大值为k_smax；步骤3、建立粒子群算法的适应度函数，优化目标为在满足约束条件的可行域内使得适应度值最小，当粒子不满足约束条件时，采用惩罚函数将该粒子的当前位置剔除；适应度函数用车身垂直加速度均方根值和轮胎动载荷均方根值的加权和表示，记为：J＝q₁a_w+q₂DTL_rms其中，J为适应度值；a_w为车身垂直加速度均方根值；DTL_rms为轮胎动载荷均方根值；q₁为车身加速度均方根值的加权系数，q₂为轮胎动载荷均方根值的加权系数；步骤4、设定粒子群算法参数，初始化粒子群，其中搜索空间维度N表示悬架系统待优化的参数个数，取N＝2，第一维表示减振器阻尼系数，第二维表示悬架刚度系数；群体规模为M，i表示粒子序数，i＝1，2，…，M；第i个粒子的位置状态表示为lz_i＝(lz_i1，lz_i2)，速度状态表示为lv_i＝(lv_i1，lv_i2)，最大速度v_max，每个粒子个体最优位置为per_i＝(per_i1，per_i2)，全局最优位置为global＝(global₁，global₂)，设定最大迭代次数为K，随机产生粒子位置状态和速度状态的初始值，设定惯性权重w的初始值和最终值，学习因子c₁、学习因子c₂的初始值和最终值；步骤5、迭代次数为k，k＝1,2，…，K；在第k次迭代中，根据适应度函数，求出每个粒子当前的适应度值据此判断当前粒子位置的适应度值是否优于历史最优值J_imin，如果是，则该粒子的历史最优位置per_i被当前位置所取代，在当前迭代次数k中，找出M个粒子历史最优适应度值中的最优解Jbest＝(J_1min，J_2min，…，J_Mmin)，并将其对应的位置记为全局最优global；步骤6、对每个粒子进行位置状态和速度状态更新，若更新后的速度超过设定的最大速度v_max，将其约束为v_max；步骤7、位置状态和速度状态更新后，使迭代次数k＝k+1，若迭代次数不超过K，返回步骤(5)重复执行操作；当迭代次数大于K时，迭代终止，优化过程结束；步骤8、根据优化得到的结果确定悬架系统的性能指标，采用该性能指标对悬架系统参数进行优化设计；所述步骤3中，约束条件和惩罚函数的建立方法如下：约束条件：当以舒适性为导向时，q₁>0且q₂＝0，悬架撞击限位块的概率为0.3％，车轮跳离地面的概率为0.3％，阻尼比ζ范围为(0.2，0.45)，悬架刚度系数范围为(k_smin，k_smax)；当以安全性为导向时，q₁＝0且q₂>0，车身垂直加速度超过0.8g的概率为0.3％，悬架撞击限位块的概率0.3％，阻尼比ζ范围为(0.2，0.45)，悬架刚度系数范围为(k_smin，k_smax)；当兼顾平顺性和舒适性时，q₁≠0且q₂≠0时，设定不同的q₁和q₂可以使悬架系统达到不同的综合性能，悬架撞击限位块的概率为0.3％，阻尼比ζ范围满足(0.2，0.45)，悬架刚度系数范围为(k_smin，k_smax)；惩罚函数：当解不满足约束条件时，则令粒子当前位置的适应度值远远大于其历史最优适应度值。