考虑辅助部件的车辆动力总成系统建模方法与优化设计

doi:10.12068/j.issn.1005-3026.2025.20230293

摘要/Abstract

摘要：

基于神经网络参数识别法与子结构模态综合法，提出一种考虑辅助部件的动力总成非线性系统建模方法，并运用遗传算法对辅助部件的连接刚度及阻尼进行了多目标优化设计.首先，基于神经网络对动力总成系统模型进行拟合，并以试验模态参数为目标，运用遗传算法对动力总成系统的连接刚度及阻尼进行参数识别，结果显示仿真与试验的模态频率最大误差为-5.98%，模态阻尼比的最大误差为-15.72%.然后，运用子结构模态综合法对动力总成系统进行缩聚处理，并研究了辅助设备与发动机间的耦合振动影响情况.最后，以辅助部件的振动性能最优为目标对连接件刚度及阻尼参数进行多目标优化设计，优化后模型中冷器与空气滤清器的位移最大峰值分别较优化前下降了34.6%与4.61%.

关键词: 动力总成建模, 辅助部件, 神经网络, 参数识别, 子结构, 多目标优化

Abstract:

Based on the neural network parameter indentification method and component mode synthesis （CMS）， a modeling approach for the nonlinear powertrain system is proposed to investigate the coupled vibrations of the engine and auxiliary components， and the multi-objective optimization design using genetic algorithms is applied to optimize the connection stiffness and damping. Firstly， a neural network-based model was employed to fit the dynamic model of the powertrain system. According to the experimental modal parameters， the genetic algorithms were applied to identify the connection stiffness and damping of the powertrain system. The results showed that the maximum discrepancies between simulated and experimental modal frequencies and damping ratios were -5.98% and -15.72%， respectively. Subsequently， the CMS is employed to reduce the degrees of freedom of the powertrain system， and the engine-equipment coupling vibration response is evaluated. Finally， a multi-objective optimization design was performed to achieve the optimal vibration performance of the auxiliary components. The maximum peak values displacement of the intercooler and air filter for the optimized model decreased by 34.6% and 4.61%， respectively， compared to the original ones.

Key words: powertrain modeling, auxiliary components, neural network, parameter identification, substructure, multi-objective optimization

中图分类号:

TH 11.1

吴杨俊, 李振平, 姚红良, 韩圣东. 考虑辅助部件的车辆动力总成系统建模方法与优化设计[J]. 东北大学学报（自然科学版）, 2025, 46(4): 43-51.

Yang-jun WU, Zhen-ping LI, Hong-liang YAO, Sheng-dong HAN. Modeling and Optimization Design of Vehicle Powertrain System Considering Effect of Auxiliary Components[J]. Journal of Northeastern University(Natural Science), 2025, 46(4): 43-51.

图/表 18

图1 动力总成系统结构图

Fig.1 Structure of the powertrain system

图2 动力总成系统建模

Fig.2 Modeling of the powertrain system

图3 动力总成模型缩聚方法

Fig.3 Reduction method of the powertrain model

图4 加速度频响函数曲线

Fig.4 Acceleration frequency response function curve

图5 LSTM网络结构

Fig.5 LSTM network structure

图6 遗传算法流程

Fig.6 Process of the genetic algorithm

图7 动力总成建模技术路线

Fig.7 Technical implementation route for powertrain modeling

图8 激励点与响应点布置位置

Fig.8 Position of exciting and measuring points

表1 动力总成各部件惯性参数 (components)

Table 1 Inertial parameters of the powertrain

惯性参数		空气滤清器	中冷器	发动机
质量/kg	m	0.509	1.816	4.820
重心坐标/m	x_c	0.112	0.821	0.193
	y_c	0.054	0.174	-0.195
	z_c	-0.065	-0.029	-0.079
转动惯量kg·m²	J_xo	0.005	0.047	1.609
	J_yo	0.007	0.028	0.917
	J_zo	0.004	0.073	0.179

图9 空气滤清器支撑位置

Fig.9 Supporting position of the air cleaner

表2 各部件支撑刚度、阻尼参数识别结果

Table 2 Identification results of supporting stiffness and damping parameters for each component

支撑位置	x		y		z
支撑位置	阻尼/（N·s·m^-1)	刚度/(N·m^-1)	阻尼/(N·s·m^-1)	刚度/(N·m^-1)	阻尼/(N·s·m^-1)	刚度/(N·m^-1)
弹簧1	6.125	5.62×10⁴	6.125	5.62×10⁴	0.234	4.31×10⁴
弹簧2	5.412	4.51×10⁴	6.013	4.62×10⁴	4.122	0.12×10⁴
弹簧3	7.621	0.32×10⁴	7.943	0.67×10⁴	8.142	4.23×10⁴
弹簧4	7.213	6.48×10⁴	7.213	6.48×10⁴	6.145	4.01×10⁴
弹簧5	4.706	8.20×10⁷	0.079	0.95×10⁸	0.079	0.95×10⁸
弹簧6	0.606	7.32×10⁷	1.402	1.46×10⁸	1.602	8.12×10⁷
弹簧7	0.588	8.36×10⁷	1.080	8.20×10⁷	0.685	0.42×10⁸

表3 仿真与试验的模态参数结果

Table 3 Modal parameters of simulation and experiment

模态阶数	模态频率			模态阻尼比
模态阶数	实验/Hz	仿真/Hz	误差/%	实验	仿真	误差/%
1	9.098	8.554	-5.98	0.083	0.074	-10.37
2	15.205	14.537	-4.39	0.050	0.044	-11.89
3	21.995	21.000	-4.52	0.034	0.030	-11.77
4	32.907	31.708	-3.64	0.024	0.020	-15.72
5	50.108	48.451	-3.31	0.015	0.013	-1.81

表4 发动机悬置刚度、阻尼参数识别结果

Table 4 Identification of supporting stiffness and damping parameters for the engine

支撑位置	x
支撑位置	$k 1$ /(N·m^-1)	$k 2$ /(N·m^-1)	阻尼/(N·m^-1)
弹簧8	4.23×10⁵	6.72×10⁵	1.3
弹簧9	8.43×10⁵	9.15×10⁵	44.1
弹簧10	4.63×10⁵	8.43×10⁵	1.6
支撑位置	y
支撑位置	$k 1$ /(N·m^-1)	$k 2$ /(N·m^-1)	阻尼/(N·m^-1)
弹簧8	4.23×10⁵	6.72×10⁵	1.3
弹簧9	4.68×10⁵	5.63×10⁵	15.6
弹簧10	8.12×10⁵	1.53×10⁶	40.1
支撑位置	z
支撑位置	$k 1$ /(N·m^-1)	$k 2$ /(N·m^-1)	阻尼/(N·m^-1)
弹簧8	9.12×10⁵	1.43×10⁶	31.3
弹簧9	4.68×10⁵	5.63×10⁵	15.6
弹簧10	4.63×10⁵	8.43×10⁵	1.6

表4 发动机悬置刚度、阻尼参数识别结果

Table 4 Identification of supporting stiffness and damping parameters for the engine

支撑位置	x
支撑位置	$k 1$ /(N·m^-1)	$k 2$ /(N·m^-1)	阻尼/(N·m^-1)
弹簧8	4.23×10⁵	6.72×10⁵	1.3
弹簧9	8.43×10⁵	9.15×10⁵	44.1
弹簧10	4.63×10⁵	8.43×10⁵	1.6
支撑位置	y
支撑位置	$k 1$ /(N·m^-1)	$k 2$ /(N·m^-1)	阻尼/(N·m^-1)
弹簧8	4.23×10⁵	6.72×10⁵	1.3
弹簧9	4.68×10⁵	5.63×10⁵	15.6
弹簧10	8.12×10⁵	1.53×10⁶	40.1
支撑位置	z
支撑位置	$k 1$ /(N·m^-1)	$k 2$ /(N·m^-1)	阻尼/(N·m^-1)
弹簧8	9.12×10⁵	1.43×10⁶	31.3
弹簧9	4.68×10⁵	5.63×10⁵	15.6
弹簧10	4.63×10⁵	8.43×10⁵	1.6

图10 激励点与测点位置

Fig.10 Position of exciting and measuring points

图11 动力总成系统的振动响应曲线（a）—X向；（b）—Y向.

Fig.11 Vibration response curves of the powertrain system

图12 遗传收敛曲线

Fig.12 Genetic convergence curves

表5 优化后的辅助部件支撑刚度与阻尼

Table 5 Optimized support stiffness and damping of the auxiliary components

支撑位置	x		y		z
支撑位置	阻尼/(N·s·m^-1)	刚度/(N·m^-1)	阻尼/(N·s·m^-1)	刚度/(N·m^-1)	阻尼/(N·s·m^-1)	刚度/(N·m^-1)
弹簧1	7.810	4.83×10⁴	7.87	4.16×10⁴	4.120	0.65×10⁴
弹簧4	9.160	6.64×10⁴	9.37	7.98×10⁴	7.970	4.32×10⁴
弹簧5	5.960	1.03×10⁸	0.77	0.43×10⁸	0.300	0.47×10⁸
弹簧6	0.614	5.58×10⁷	1.29	1.35×10⁸	1.920	7.35×10⁷
弹簧7	0.653	1.08×10⁸	1.29	1.01×10⁸	0.843	1.79×10⁷

图13 辅助部件频响曲线（a）—中冷器；（b）—空气滤清器.

Fig.13 Frequency response curves of the auxiliarycomponnts

参考文献 12

1	Tametang M M I， Yemélé D， Leutcho G D. Dynamical analysis of series hybrid electric vehicle powertrain with torsional vibration： antimonotonicity and coexisting attractors［J］. Chaos， Solitons & Fractals， 2021， 150： 111174.
2	Lee H J， Shim J K. Multi-objective optimization of a dual mass flywheel with centrifugal pendulum vibration absorbers in a single-shaft parallel hybrid electric vehicle powertrain for torsional vibration reduction［J］. Mechanical Systems and Signal Processing， 2022， 163： 108152.
3	Guo R， Zhou Z W， Lou D M， et al. Dynamic modeling and optimization for powertrain shake characteristics of electric powertrain system with hydraulic engine mounts ［J］. Journal of Vibration and Control，2024，163：108152.
4	吴杨俊，徐翠强，陈杰，等. 内燃动力包隔振参数灵敏度分析及优化设计［J］. 中南大学学报（自然科学版）， 2021， 52（11）： 3872-3884.
	Wu Yang-jun， Xu Cui-qiang， Chen Jie， et al. Sensitivity analysis and optimization design of parameters of vibration isolation for power pack［J］. Journal of Central South University （Science and Technology）， 2021， 52（11）： 3872-3884.
5	Fan R L， Fei Z N， Feng C C， et al. Low-frequency structure-borne noise refinement based on rigid-flexible coupling model of powertrain mounting system［J］. International Journal of Computer Applications in Technology， 2019， 61（4）： 247-252.
6	Mohite S R， Bijwe V B， Deysarkar S， et al.Application of flexible multi body dynamics （MBD） and finite element analysis （FEA） for powertrain induced NVH development of a vehicle［J］. Symposium on International Automotive Technology， 2011， 26（7）： 2688-3627.
7	李飞，朱天军，姜清伟，等. 基于 K&C 试验台的汽车动力总成惯性参数精确测试方法研究［J］. 测试技术学报， 2015， 29（6）：467-472.
	Li Fei， Zhu Tian-jun， Jiang Qing-wei，et al. The accurate measurement research on inertia parameters of vehicle powertrain based on K & C test rig［J］. Journal of Test and Measurement Technology， 2015， 29（6）： 468-472.
8	Malekjafarian A， Ashory M R， Khatibi M M， et al. Rigid body stiffness matrix for identification of inertia properties from output-only data［J］. European Journal of Mechanics-A/Solids， 2016， 59： 85-94.
9	Pv T， Msa E. Development of high fidelity reduced order hybrid stick［J］. Aerospace Science and Technology， 2019， 87（36）： 404-416.
10	刘庆林，孙攀旭，杨红. 基于复阻尼理论的混合结构Rayleigh阻尼模型［J］. 地震工程学报， 2018， 40（5）： 983-987.
	Liu Qing-lin， Sun Pan-xu， Yang Hong. Rayleigh damping model of mixed structures based on complex damping theory［J］. China Earthquake Engineering Journal， 2018， 40（5）： 983-987.
11	Gao Y K， Feng H X， Fang J G，et al. Experimental study on identification of inertia parameters of truck cab based on mass line method［J］. Journal of Vibration and Shock， 201， 32 （16）： 193-197.
12	Pavlenko I， Saga M L， Kuric I， et al. Parameter identification of cutting forces in crankshaft grinding using artificial neural networks［J］. Materials， 2020， 13（23）： 5357.

[1]	刘林, 宋雨昊. 基于误差因子的改进WLS超宽带定位算法[J]. 东北大学学报（自然科学版）, 2024, 45(9): 1235-1243.
[2]	李小彭, 付嘉兴, 刘海龙, 尹猛. 柔性空间机械臂RBF神经网络补偿滑模控制策略[J]. 东北大学学报（自然科学版）, 2024, 45(9): 1258-1267.
[3]	任涛, 刘昕靓, 陈宏峰, 马延路. 基于卷积神经网络的预警震级分段估算方法[J]. 东北大学学报（自然科学版）, 2024, 45(8): 1073-1079.
[4]	刘伟嵬, 刘炳君, 刘焕强, 刘泽远. 激光熔化沉积过程缺陷识别方法[J]. 东北大学学报（自然科学版）, 2024, 45(8): 1150-1158.
[5]	薛珮芸, 白静, 张楠, 赵建星. 基于VMD的双通道构音障碍语音特征图谱提取算法[J]. 东北大学学报（自然科学版）, 2024, 45(6): 793-801.
[6]	康红光, 胡宪伟, 赵婉婷, 于江玉. LiF-ZrF₄熔盐体系离子结构的Raman光谱[J]. 东北大学学报（自然科学版）, 2024, 45(6): 823-828.
[7]	房立金, 高跃, 曹新星, 巩云鹏. 基于NSGA-II的串联机器人几何参数公差的多目标优化分配[J]. 东北大学学报（自然科学版）, 2024, 45(6): 829-836.
[8]	谢洪途, 陈佳兴, 张琳, 朱楠楠. 基于脉冲神经网络的轻量化SAR图像舰船识别算法[J]. 东北大学学报（自然科学版）, 2024, 45(4): 474-482.
[9]	杨爱萍, 方思捷, 邵明福, 张腾飞. 基于Transformer的多尺度水下图像增强网络[J]. 东北大学学报（自然科学版）, 2024, 45(12): 1696-1705.
[10]	刘梦园, 吴朝霞, 王金杨, 閤光磊. 基于TST-LSTM模型的烧结料层透气性预测[J]. 东北大学学报（自然科学版）, 2024, 45(10): 1379-1385.
[11]	吕艳霞, 郝帅, 乔广通, 邢烨. 一种基于图神经网络的社会化推荐算法[J]. 东北大学学报（自然科学版）, 2024, 45(1): 10-17.
[12]	郑艳，赵佳旭，边杰. 基于SiamBAN跟踪器改进的目标跟踪算法[J]. 东北大学学报（自然科学版）, 2023, 44(9): 1227-1233.
[13]	刘晓熙，姜慧研，骆敏. 面向肝癌消融术的多约束最优穿刺路径规划算法[J]. 东北大学学报（自然科学版）, 2023, 44(7): 922-930.
[14]	杨譞，何占奇. 改进的两层BiLSTM的心电信号分割方法[J]. 东北大学学报（自然科学版）, 2023, 44(12): 1705-1711.
[15]	孙颖，李泽，张雪英. 基于约束式双通道模型的语音情感识别[J]. 东北大学学报（自然科学版）, 2023, 44(11): 1537-1542.