[發(fā)明專利]自平衡電動(dòng)車車架動(dòng)態(tài)特性的可靠性穩(wěn)健均衡設(shè)計(jì)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010239660.0
• 申請(qǐng)日: 2020-03-30
• 公開（公告）號(hào): CN111475888B
• 公開（公告）日: 2022-04-12
• 發(fā)明（設(shè)計(jì)）人: 程錦;王榮;錢煬明;劉振宇
• 申請(qǐng)（專利權(quán)）人: 浙江大學(xué)
• 主分類號(hào): G06F30/15
• 分類號(hào): G06F30/15;G06F17/18;G06N3/12
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 劉靜

1.一種自平衡電動(dòng)車車架動(dòng)態(tài)特性的可靠性穩(wěn)健均衡設(shè)計(jì)方法，其特征在于，包括以下步驟：

1)建立自平衡電動(dòng)車車架動(dòng)態(tài)特性的可靠性穩(wěn)健均衡設(shè)計(jì)模型：將自平衡電動(dòng)車車架的關(guān)鍵尺寸作為設(shè)計(jì)變量，考慮車架材料的密度和泊松比的不確定性，并將不確定性描述為概率變量；以自平衡電動(dòng)車車架在概率變量影響下的低階模態(tài)形變量的均值和標(biāo)準(zhǔn)差最小為目標(biāo)，建立目標(biāo)函數(shù)的表達(dá)式；分析初始設(shè)計(jì)方案各階固有頻率中最接近激振頻率的固有頻率具體階數(shù)，考慮這些固有頻率在概率不確定性影響下相對(duì)激振頻率的偏離程度，根據(jù)偏離程度的可靠度建立約束函數(shù)的表達(dá)式，進(jìn)而建立自平衡電動(dòng)車車架動(dòng)態(tài)特性的可靠性穩(wěn)健均衡設(shè)計(jì)模型：

s.t.

R_j[G_j(x，Y)＝|g_j(x，Y)-g_j|≥Δ_j^d]≥ε_j， j＝1，2，…，N_G；

x＝(x₁，x₂，…，x_n)；

Y＝(Y₁，Y₂，…，Y_m)；

其中，x為n維設(shè)計(jì)向量，Y為m維概率向量，f_t(x，Y)表示第t個(gè)目標(biāo)性能函數(shù)，N_O為目標(biāo)性能函數(shù)的總個(gè)數(shù)，μ(f_t(x，Y))表示第t個(gè)目標(biāo)性能的平均值，σ(f_t(x，Y))表示第t個(gè)目標(biāo)性能的標(biāo)準(zhǔn)差；G_j(x，Y)表示第j個(gè)約束性能函數(shù)，N_G為約束性能函數(shù)的總個(gè)數(shù)，g_j(x，Y)表示車架最接近第j個(gè)激振頻率的對(duì)應(yīng)階數(shù)的固有頻率，g_j表示需要避開的第j個(gè)激振頻率，Δ_j^d表示第j個(gè)約束性能函數(shù)需偏離的距離，R_j[G_j(x，Y)＝|g_j(x，Y)-g_j|≥Δ_j^d]表示第j個(gè)約束性能的可靠度，ε_j表示給定的第j個(gè)約束性能函數(shù)的可靠度要求；

2)采用拉丁超立方采樣法(LHS)對(duì)自平衡電動(dòng)車車架的設(shè)計(jì)變量和不確定參數(shù)進(jìn)行采樣，通過協(xié)同仿真技術(shù)獲取各樣本點(diǎn)的響應(yīng)值，建立預(yù)測目標(biāo)函數(shù)和約束函數(shù)中車架各動(dòng)態(tài)特性指標(biāo)值的PRSM模型；

3)基于改進(jìn)HL-RF算法與遺傳算法嵌套求解車架動(dòng)態(tài)特性的可靠性穩(wěn)健均衡設(shè)計(jì)模型，具體包括以下子步驟：

3.1)外層遺傳算法初始化設(shè)置并生成初始種群，給定內(nèi)層改進(jìn)HL-RF算法收斂閾值；

3.2)在內(nèi)層的改進(jìn)HL-RF算法中，引入二分漸進(jìn)法迭代求解設(shè)計(jì)向量x在概率向量Y影響下約束性能函數(shù)G_j(x，Y)的可靠度R_j(x，Y)＝R_j[G_j(x，Y)≥Δ_j^d](j＝1，2，…，N_G)，在此基礎(chǔ)上，建立設(shè)計(jì)向量x的概率可靠性約束可行性判別矢量R(x，Y)：

3.3)在外層的遺傳算法中，基于內(nèi)層求得的概率可靠性約束可行性判別矢量將當(dāng)前種群個(gè)體的設(shè)計(jì)向量區(qū)分為可行設(shè)計(jì)向量和不可行設(shè)計(jì)向量：若則該概率的約束性能函數(shù)G_j(x，Y)對(duì)應(yīng)的設(shè)計(jì)向量x為可行設(shè)計(jì)向量，反之為不可行設(shè)計(jì)向量；

3.4)在外層的遺傳算法中，對(duì)當(dāng)前種群中的可行設(shè)計(jì)向量，按整體性能穩(wěn)健均衡指數(shù)從大到小進(jìn)行排序，具體步驟如下：

3.4.1)通過蒙特卡羅法計(jì)算得到當(dāng)前種群可行設(shè)計(jì)向量的目標(biāo)性能平均值μ(f_t(x，Y))、目標(biāo)性能標(biāo)準(zhǔn)差σ(f_t(x，Y))、約束性能平均值μ(g_j(_x，Y))、約束性能標(biāo)準(zhǔn)差σ(g_j(x，Y))；

3.4.2)結(jié)合內(nèi)層求得的可靠度R_j(x，Y)，進(jìn)一步計(jì)算概率目標(biāo)性能的穩(wěn)健性系數(shù)Rf_t(x，Y)和概率約束性能的穩(wěn)健性系數(shù)Rg_j(x，Y)，所有的目標(biāo)性能穩(wěn)健性系數(shù)和約束性能穩(wěn)健性系數(shù)合并組成集合S，Rf_t(x，Y)、Rg_j(x，Y)和集合S的計(jì)算公式分別為：

3.4.3)計(jì)算整體性能穩(wěn)健均衡指數(shù)F_final(x，Y)，并據(jù)此將當(dāng)前種群中的可行設(shè)計(jì)向量從大到小進(jìn)行排序，F(xiàn)_final(x，Y)的計(jì)算公式如下：

其中，Range(x，Y)表示集合S的極差，μ_f+g(x，Y)和σ_f+g(x，Y)表示集合S的均值和標(biāo)準(zhǔn)差，μ_f+g(x，Y)、σ_f+g(x，Y)的計(jì)算公式分別為：

3.5)在外層的遺傳算法中，對(duì)當(dāng)前種群中的不可行設(shè)計(jì)向量，按動(dòng)態(tài)特性約束整體可靠度從大到小排序于所有可行解之后，動(dòng)態(tài)特性約束整體可靠度R(_x，Y)的計(jì)算公式如下：

3.6)若外層優(yōu)化滿足收斂條件或進(jìn)化代數(shù)達(dá)到給定最大值，則終止外層遺傳算法進(jìn)化過程，輸出當(dāng)前種群排序處于首位的個(gè)體作為最優(yōu)解，得到符合可靠性穩(wěn)健均衡的自平衡電動(dòng)車車架的設(shè)計(jì)方案，否則，對(duì)當(dāng)前種群中的個(gè)體進(jìn)行交叉和變異操作，生成外層遺傳算法的新種群，進(jìn)化代數(shù)加1，返回步驟3.2)。

2.根據(jù)權(quán)利要求1所述的一種自平衡電動(dòng)車車架動(dòng)態(tài)特性的可靠性穩(wěn)健均衡設(shè)計(jì)方法，其特征在于：所述步驟3)中，采用二分漸進(jìn)法對(duì)正態(tài)概率向量迭代求解過程中出現(xiàn)的迂回現(xiàn)象進(jìn)行校正，提高了自平衡電動(dòng)車車架動(dòng)態(tài)特性可靠性分析的效率，同時(shí)也保證了可靠性分析的準(zhǔn)確性；具體地，將處于原向量空間的概率向量Y轉(zhuǎn)換為標(biāo)準(zhǔn)正態(tài)空間下的標(biāo)準(zhǔn)正態(tài)概率向量V，在迭代過程中，當(dāng)下一次迭代的概率向量V^K+1和當(dāng)前概率向量V^K形成的夾角θ^K+1與上一次迭代的概率向量V^K-1與V^K形成的夾角θ^K存在θ^K+1/θ^K≥1時(shí)，認(rèn)為概率向量在第K+1次迭代中發(fā)生了迂回現(xiàn)象，此時(shí)，采用二分漸進(jìn)方法對(duì)迭代步長進(jìn)行修正，修正后的下一迭代向量為V^K與的夾角為最終判斷迭代過程收斂的條件是或η為指定的收斂閾值。