基于車輛動力學的四驅(qū)車的1檔傳動比優(yōu)化設(shè)計(共16頁)

1、精選優(yōu)質(zhì)文檔-傾情為你奉上基于車輛動力學的四驅(qū)車的1檔傳動比優(yōu)化設(shè)計本文提出了一種可以通過優(yōu)化齒輪傳動比和車輛尺寸以實現(xiàn)最佳齒輪傳動的方法。因此，采用增廣拉格朗日乘數(shù)法，用這個經(jīng)典定義為方法，以找出適用于所有齒輪的最佳齒輪比和相應(yīng)齒輪齒數(shù)的行星齒輪。新方法能夠計算并根據(jù)四驅(qū)車的動力學優(yōu)化齒輪傳動比。因此，假定后輪或前輪處于滑動臨界點，則采用四驅(qū)車動力學方程。另外，對其經(jīng)典算法進行了修改，以保持遇到的解決方案的可行性。對樣品商用車（2009悍馬H3 4dr AWD SUV）及其齒輪箱的基本尺寸進行優(yōu)化，然后分析改變滑移角，車輪底座和發(fā)動機扭矩對最佳車輛尺寸的影響。1.介紹齒輪系的齒輪傳動比是輸入

2、齒輪的角速度與輸出齒輪的角速度的比值，也稱為齒輪系1的速比。傳動比可直接通過嚙合形成齒輪系的各種齒輪的齒數(shù)計算2。為了實現(xiàn)特定的速比，設(shè)計人員必須選擇具有特定內(nèi)外齒輪對組合的齒輪系，一組要以選定順序操作的離合器和一組齒輪比。（在汽車工業(yè)中，通常規(guī)定減速比的倒數(shù)）。齒輪傳動比是指兩個配合齒輪上的齒數(shù)比。找到適當齒輪傳動比的經(jīng)典方法是選擇齒輪系和相應(yīng)的離合序列，然后通過反復試驗來改變齒輪傳動比，直到獲得最佳的減速比3,4。齒輪是機器中最常見的元件之一，因此，對最佳齒輪設(shè)計進行了許多研究。齒輪優(yōu)化可以分為兩類，即單齒輪對和齒輪系優(yōu)化5。這兩類齒輪的分析通?；邶X輪的經(jīng)典方法進行。這種方法有助于設(shè)計，

3、雖然它并不考慮車輛的動態(tài)行為。本文介紹了齒輪系設(shè)計和優(yōu)化的實用方法。所提出的新穎算法基于兩階段優(yōu)化過程。該過程的第一部分采用基于車輛動態(tài)行為的數(shù)學優(yōu)化方法，第二部分使用齒輪齒數(shù)之間的比例。這種方法集中在與汽車自動變速器有關(guān)的以下問題：1 應(yīng)用優(yōu)化技術(shù)來找出一組給定減速比的汽車齒輪系中的齒輪傳動比，2 基于經(jīng)典算法優(yōu)化商用車的齒輪傳動比3 基于動態(tài)方程，開發(fā)了一種用于優(yōu)化車輛基本尺寸的對用戶友好的方法。 齒輪小齒輪圖1：復合齒輪系 圖2：2D車輛模型的演示。2.齒輪系經(jīng)典設(shè)計為了找到所需的總傳動比，復合齒輪系包含兩對齒輪d-a和b-f（圖1）。輸入和輸出齒輪之間所需的齒輪比itot，w0和wi分

4、別顯示為輸出齒輪和輸入齒輪的角速度，n表示每個齒輪上的齒數(shù)。 （1）2.1經(jīng)典齒輪傳動比優(yōu)化。在增廣拉格朗日乘數(shù)法中，目標函數(shù)是計算齒輪d，a，b和f的齒數(shù)，以便找到齒輪比itot。每個齒輪的最小齒數(shù)假定在12到60之間。目標比率，itrg，假定為1 / 6.93，函數(shù)表示如下: （2）換句話說，該過程將計算四個變量的最佳值，這將使目標比率itrg和可用齒輪比itot之間的平方差最小化。目標函數(shù)表示為實際和目標傳動比之間的平方差。齒輪系問題的另一種解決方案是由差分進化算法建立起來的。 通過應(yīng)用表1和表2中提到的明確列舉12-14，發(fā)現(xiàn)這些解決方案是全局最優(yōu)的。 在本文中，2009年悍馬H3 4

5、dr SUV的遺傳算法已經(jīng)解決了這個問題。表1：齒輪比問題的替代方案3.WD車輛動態(tài)齒輪比通過應(yīng)用動力學方程得到動態(tài)變速比如下15,16: （3）Ff和Fr分別是前后牽引力。m，車輛質(zhì)量，a,是加速度，F(xiàn)RR是滾動阻力，w是車輛重量，是道路坡度，F(xiàn)a是空氣動力，Nf是前反作用力，Nr是后反作用力，hA是氣動力的高度，h是重心高度力，l是輪底，a和b分別是c.g到前輪和后輪的距離。 （4） （5）根據(jù)圖2，定義了后牽引力與前牽引力的和為總牽引。表2：齒輪系問題的最優(yōu)解還有: （6） （7） （8） （9） fr是滾動阻力系數(shù)，通過公式（4）（9）得出下列公式: （10） （11）在四驅(qū)車輛中，前

6、軸和后軸的車輪轉(zhuǎn)矩按一定比率r分布，r由前后軸 轉(zhuǎn)矩的比值得到。 假設(shè)后輪處于臨界滑動點，則表達的是四驅(qū)車輛的齒輪傳動比的表達式。 根據(jù)圖2，總的牽引力是: （12）通過將前軸和后軸的牽引力的比值除以相同的前后齒輪傳動比來獲得: （13）將（5）帶入（13）得到: （14）當后輪胎處于滑動點時，（14）可以寫成: （15）p 是道路摩擦系數(shù)在本文中，車輛速度被認為等于零，這發(fā)生在最大道路坡度和輪胎滑移點的相交臨界值。忽略（10）中的項和其在（12）中的替換，則可以得到: （16）將（8）代入（16）并根據(jù)N=Wcos，則可以獲得: （17） （18）將（16）代入（15）中，最大牽引力計算為:

7、 （19）齒輪傳動比（n）的方程表示為: （20）其中nd為差動比，Te為電機轉(zhuǎn)矩，rw為輪胎半徑。 另外，將（12）代入（13）中，后齒輪傳動比（nlr）可得: （21）另一方面，假設(shè)前輪處于臨界滑移點，可以獲得四驅(qū)車輛的齒輪傳動比的表達式。 根據(jù)（5）和（13），總牽引力可以寫為: （22） 當前輪胎處于滑移點時，最大牽引力可計算為: （23） 圖3：前輪胎或后輪胎處于滑移點時的齒輪比及其誤差。因此，用最大牽引力代替，可以表示為 (24)最后，前齒輪比表示為 (25) 動態(tài)變速比結(jié)果進行了兩種比較。 首先，比較包括20個樣本車在內(nèi)的車輛人數(shù)，如齒輪比。其次，執(zhí)行該方法來評估動態(tài)齒輪比。方法

8、之間的差異相互比較。 這個想法是表明即使是70的動態(tài)形式，在二手車都用于商用車的情況下，仍然表現(xiàn)得比古典的要好。 將第一動力傳動比與第一代經(jīng)典齒輪比(nl,實數(shù))的值進行比較，對于汽車廠使用的20輛樣車，這種比較如圖3所示。傳統(tǒng)的方法不考慮輪胎滑移以及前輪胎或后輪滑移呈現(xiàn)不同的行為并使計算與現(xiàn)實更相似的事實。因此，動態(tài)齒輪比比傳統(tǒng)齒輪比好得多。此外，經(jīng)典齒輪比與動態(tài)齒輪比之間的差異如圖3所示。第一檔齒輪比應(yīng)約在4到6之間以在輪胎中產(chǎn)生更多扭矩。表2中提出的齒輪比不是車輛比例，它們用于呈現(xiàn)經(jīng)典的齒輪比計算方法。第二車輛齒輪比和其他齒輪比減小以減少發(fā)動機轉(zhuǎn)矩。圖3的齒輪比與表2中給出的比率不同，盡

9、管在計算車輛經(jīng)典齒輪比中使用相同的方法。 為了優(yōu)化不同路面坡度的齒輪比，為了獲得2009年悍馬H3 4dr SUV的最佳基本尺寸，應(yīng)分析齒輪比參數(shù)的影響。 在圖4-6中研究了基本車輛尺寸變化如摩擦系數(shù)，滾動阻力系數(shù)和重量分布評估的影響。 在每個參數(shù)中齒輪比誤差約為零左右的情況下，這些圖用于確定優(yōu)化參數(shù)的界限。 此外，圖4-6表示改變參數(shù)的影響，例如：車輛高度，p和fr在齒輪比上。 此外，它將指示如何改變這些參數(shù)將改變傳動比，并提供最佳傳動比，這是指參數(shù)誤差在零附近的點，以提高齒輪箱的效率。圖4：后/前檔比與路面摩擦顯示系數(shù)的關(guān)系。3.1。 道路摩擦系數(shù) 道路摩擦變化系數(shù)對動態(tài)傳動比有影響。 它

10、與傳統(tǒng)齒輪比的誤差如圖4所示。如圖4所示，增加道路摩擦系數(shù)將減小經(jīng)典齒輪比與動態(tài)齒輪比之間的差異。 換句話說，前后齒輪比和道路摩擦系數(shù)之間存在直接的關(guān)系。圖5：后/前齒輪比誤差與車輛高度的關(guān)系c.g .3.2。 車輛高度c.g. 車輛例如 高度變化對動態(tài)齒輪比有影響。 經(jīng)典傳動比發(fā)生的誤差如圖5所示。 高度增加了正面模式的經(jīng)典和動態(tài)齒輪比之間的差異。 相反，這種差異將減少重新調(diào)整。 因此，前后齒輪比具有相反的作用。3.3。 滾動阻力摩擦。 滾動阻力（有時稱為滾動摩擦或滾動阻力）是當輪胎在表面上滾動時抵抗運動的力。 主要是由非彈性效應(yīng)造成的; 也就是說，當去除壓力時，并不能恢復對象的變形所需的所

11、有能量。 滾動阻力是作為速度的函數(shù)表示的 （26） 圖6顯示，提高滾動阻力系數(shù)降低了傳統(tǒng)齒輪比和動態(tài)齒輪比之間的差異。 此外，增加滾動阻力增加前齒輪比。圖6：后/前齒輪比與滾動阻力誤差的關(guān)系。4. 遺傳算法優(yōu)化 目前使用演化方法來解決優(yōu)化問題有著越來越大的趨勢。作為最受歡迎的演化算法的遺傳算法在研究研究中有廣泛的應(yīng)用17-19。 在前輪或后輪處于滑移點的情況下，第一動力傳動比使用9個設(shè)計變量，以提出適當?shù)淖兯俦仍O(shè)計模型。 優(yōu)化的結(jié)果是指定車輛的基本尺寸，最佳道路坡度，1檔和齒輪系，使可用經(jīng)典齒輪比，nl,rea實際和動態(tài)齒輪比之間的平方差最小化，nl,f,or,r 遺傳算法開始于多種解決方案，

12、稱為群體。這些解決方案由基因染色體串表示20,21。他們是從一群解決方案中獲取的，用于創(chuàng)造新的人口，認為新的人口比原來的人口更好。 另一個終端遺傳算法是變異率。變量運算符改變字符串的整數(shù)部分。 每個弦的突變與初始目標函數(shù)（可用的經(jīng)典齒輪比，nl,實數(shù)和動態(tài)齒輪比nl,f,or,r)之間的平方差成比例，其被選擇以適合突變率 （圖7）。 該運算符可以提供群體中不存在的解決方案，以補償由于交叉路口不足導致的有價值信息的損失。在本文中，研究了GA算法中確定收斂反應(yīng)精度和速度的突變率。這里開發(fā)的代碼包括人口數(shù)量，迭代次數(shù)，成本函數(shù)值，突變率等不同項目的大量探索。因此，迭代的最小值和收斂速度非常重要。為了

13、探索突變率的影響，采用了3.7的經(jīng)典齒輪比。突變率為0，1，4，6和15。早期收斂發(fā)生沒有任何突變率，GA算法不能滿足所有可能的約束值。對于1突變的情況，單個位變化并且實現(xiàn)更好的適應(yīng)度函數(shù)的機會增加。當突變等于零時，45代可獲得最佳適應(yīng)度函數(shù)。然而，突變率的值為1時，100代可獲得適當?shù)倪m應(yīng)度函數(shù)。如上所述，突變率值的增強增加了人群中各種個體的概率。基于該解釋，突變率應(yīng)選擇4至6，這是嘗試和錯誤獲得的。 在本文中，動態(tài)齒輪比方程通過圖8所示的遺傳算法進行了優(yōu)化，目標函數(shù)如（27）所示，它是可用經(jīng)典齒輪比nl,實數(shù)之間的平方差， 和動態(tài)齒輪比,nl,f,or,r。這種優(yōu)化導致車輛參數(shù)的益處，如表

14、3中列出的車輪底座和傾斜角度。提供了4WD車輛的最佳傳動比情況 還需要引入在特定邊界內(nèi)約束的隨機選擇的變量。 這些變量及其帶通過（28）表示：4.1。應(yīng)用遺傳算法（GA）。齒輪比優(yōu)化中的人口規(guī)模代表了人口中的個人人數(shù)。通常較大的人口數(shù)量增加初始人口中存在的變異量，并且需要更多的健身評估。在這種情況下，人口大小為20，容易獲得優(yōu)異的溶液。當然，較小的人口數(shù)量將會減少幾代人，計算時間將會減少。如圖9和圖10所示，可以看出，在足夠數(shù)量的世代（約50代）之后，良好（最佳）解的軌跡以及人口平均的軌跡收斂于最終解。應(yīng)用遺傳算法優(yōu)化2009年悍馬H3 4dr的基本尺寸得出最佳數(shù)據(jù)，以獲得最合適的齒輪比。在設(shè)

15、計車輛時，建議在表4中提到的2009年悍馬H3 4dr的最佳尺寸，以獲得最佳的動態(tài)性能。 （27） （28）圖7：遺傳算法算子5. 結(jié)果與討論 將從遺傳算法獲得的齒輪比的結(jié)果與針對悍馬H3 4dr報道的常規(guī)方法的結(jié)果進行比較。這項研究證實了戈弗雷和巴布的結(jié)果。該程序能夠為可選的不同約束找到優(yōu)秀的結(jié)果，并且可以考慮許多參數(shù)。在經(jīng)典形式中，為了找到所需的總傳動比，復合齒輪系包含兩對齒輪。第二目標函數(shù)表示為實際和所需傳動比之間的平方誤差。這個優(yōu)化引入了一個變速箱 從動態(tài)齒輪比獲得并提供適當?shù)凝X輪比。戈弗雷模型基于常規(guī)齒輪比計算，其利用經(jīng)典齒輪比來確定齒輪齒。該模型與精密齒輪齒的動力學模型進行比較。表

16、5表示通過Godfrey和Babu 3獲得的結(jié)果證實的牙齒數(shù)。 在優(yōu)化設(shè)計中研究道路坡度角，以引入與環(huán)境兼容的最佳比例，特別是使車輛在適當?shù)臈l件下運行。圖11給出了通過不同路面的前后滑動模式的最佳傳動比，這意味著具有平均路面坡度的不同城市需要特定的變速箱和齒輪比。圖8：遺傳算法圖。圖9：當后輪處于滑模式時，總體性能的演變= 20。圖10：當前輪處于滑模式時，人口的性能演變= 20。圖11：不同道路的最佳前后齒輪比傾斜角度6. 結(jié)論 在本文中，已經(jīng)考慮了與汽車齒輪比有關(guān)的兩個問題。首先，提出了傳統(tǒng)的試錯法，通過發(fā)現(xiàn)滿足幾何約束條件的齒輪齒數(shù)組合來計算齒輪比。 其次，借助于車輛的動態(tài)參數(shù)來計算動態(tài)

17、齒輪比。然后，將傳統(tǒng)的齒輪比設(shè)計與現(xiàn)有結(jié)果進行比較，顯示出這種研究對商用車的優(yōu)越性。 然后，開發(fā)出一種新的方法來計算具有將動態(tài)齒輪比和經(jīng)典齒輪比之間的差最小化的趨勢的第一齒輪比。因此，用于計算齒輪比的動力學方程已被夸大，以研究用于優(yōu)化樣車（2009悍馬H3 4dr）的基本尺寸的第一檔。所提出的方法還用于評估車輛的最佳尺寸以實現(xiàn)經(jīng)典和動態(tài)齒輪比的最小差異。還得出結(jié)論，由于c.g.的影響，更多的道路坡度產(chǎn)生低的第一檔。高度。結(jié)果也與戈弗雷和巴布報道的結(jié)果進行比較3。比較結(jié)果顯示了本研究的可靠性。所提出的算法與傳統(tǒng)算法相比具有很高的靈活性。它更適應(yīng)于獲得動態(tài)約束非常重要的最佳傳動比。此外，本文指出了

18、改變參數(shù)的影響，如c.g. 車輛高度，up和fr齒輪比。 在每個參數(shù)中齒輪比誤差大約為零的情況下，所示的圖表用于確定優(yōu)化參數(shù)的界限。 此外，前后齒輪比的方程式表明，車輪底座長度和發(fā)動機扭矩的兩個參數(shù)對于達到適當?shù)男阅芷鹬匾淖饔谩?. 參考文獻【1】J. J. Uicker, G. R. Pennock, and J. E. Shigley, Theory of Machines and Mechanisms, Oxford University Press, 2003.【2】 B. Paul, Kinematics andDynamics of PlanarMachinery, Prent

19、ice Hall, New York, NY, USA, 1979.【3】C. Godfrey and B. V. Babu, New Optimization Techniques in Engineering, Springer, New York, NY, USA, 2004.【4】K. Deb andM. Goyal, “Optimizing engineering designs using a combined genetic search,” in Proceedings of the 7th International Conference on Genetic Algorit

20、hms, pp. 521528, 1997.【5】S. Prayoonrat and D. Walton, “Practical approach to optimum gear train design,” Computer-Aided Design, vol. 20,no. 2, pp. 8392, 1988.【6】E. Sandgren, “Nonlinear integer and discrete programming in mechanical design,” in Proceedings of the ASME Design Technology Conference, pp

21、. 95105, Kissimme, Fla, USA, September 1988.【7】 J. C. Fu and L. Wang, “A random-discretization based Monte Carlo sampling method and its applications,” Methodology and Computing in Applied Probability, vol. 4, pp. 525, 2002.【8】H. T. Loh and P. Y. Papalambros, “A sequential linearization approach for

22、 solving mixed-discrete nonlinear design optimization problems,” Journal ofMechanisms, Transmissions, and Automation in Design, vol. 113, no. 3, pp. 325334, 1991.【9】Y. Wang and W. J. Zhang, “Stochastic vibration model of gear transmission systems considering speed-dependent random errors,” Nonlinear

23、 Dynamics, vol. 17, no. 2, pp. 187203, 1998.【10】C.-H. Hsu, K.-T. Lam, and Y.-L. Lin, “Automatic synthesis of displacement graphs for planetary gear trains,” Mathematical and Computer Modelling, vol. 19, no. 11, pp. 6781, 1994.【11】B. K. Kannan and S. N. Kramer, “An augmented lagrange multiplier based

24、 method for mixed integer discrete continuous optimization and its applications tomechanical design,” Journal of Mechanical Design, vol. 116, no. 2, pp. 405411, 1994.【12】K. Deb and M. Goyal, “A flexible optimization procedure for mechanical component design based on genetic adaptive search,” Journal

25、 of Mechanical Design, vol. 120, no. 2, pp. 162 164, 1998.【13】E. Sandgren, “Nonlinear integer and discrete programming in mechnical design optimization,” Journal of Mechanisms, Transmissions, and Automation in Design, vol. 112, no. 2, pp. 223229, 1990.【14】J. F. Fu, R. G. Fenton, and W. L. Cleghorn,

26、“A mixed integer discrete continuous programming method and its application to engineering design optimization,” Engineering Optimization,vol. 17, pp. 263280, 1991.【15】D. Crolla and B. Mashadi, Vehicle Powertrain Systems, John Wiley & Sons, New York, NY, USA, 2011.【16】 R. G. Pennock, J. J. Uicker, and J. E. Shigley, Theory of Machines andMechanisms, OxfordUniversity Press, NewYork, NY,USA, 2009.【17】C.-H. Ko and S.-F. Wang, “Precast production scheduling using multi-objective genetic algorithms,” Expert Systems wit