力學大會2015集TRB板在汽車柱上的應用和優(yōu)化設計

引產(chǎn)品的和質量問題的解決是關系到企業(yè)生存的關鍵因素。如果在產(chǎn)品設使用過程中的風險降到最低，從而降低產(chǎn)品的次品數(shù)和數(shù)，更好地樹立用戶對企業(yè)柱是側面碰撞中重要的抵抗變形的結側面碰撞安全性分析中，對于車身構耐撞性的評態(tài)等指標來評評價車身結構側頭頸為耐撞性指標的測圖1圖1B柱測量點位本文采用Dyna進行碰撞仿真，汽車整車碰撞仿真模型規(guī)模大，該側碰模型在16核CPU的小型服.T.Kiileic等[45]學者對汽車側車碰撞與零部件單獨碰撞兩種變形趨勢是一致的，對部件的優(yōu)化設計車計算。相關文獻5]對B柱零部件模型和側圍零部件模型進行了研究，本文根據(jù)這些文獻給出的解耦方圖2B柱邊界條件設 圖4兩種模型中B柱的變形對圖5B柱腰線位置參考點侵入圖6B柱的原始結表1B柱零件信厚度質量4圖7B柱外板應力云 圖8B柱外板分表2TRB設計變量水水平水平水平采用正交設計表L32（37）進行DOE，用來安排仿真實驗MinDV

250H 550H2：多項式響應面模型、徑向基模型（RBF）、克里金模型（Kriging）等。在應用近似模型之根據(jù)TRB優(yōu)化仿真得出的樣本點數(shù)據(jù)，分別采用RBF模型和Kriging模型擬合數(shù)每一項的決定系數(shù)如表3每一出的擬合決定系數(shù)R2均大于0.9F型和Kriing模型都能很很好的擬合32組樣絕大部分輸出項的F模型的決定系數(shù)大于Kriing模型的決定系數(shù)。F擬合誤差分析的散點圖如圖9DM1VM圖9RBF擬合誤差分析散點圖10RBF交叉驗證誤差分析散點

圖11TRB設計的多島遺傳算法優(yōu)化歷從而使產(chǎn)品的質量水平和降低同時若以安全系數(shù)代替不確定因素易導致過度設計或無法評價不確定因素的作用和量化設計穩(wěn)健性優(yōu)化設計就顯得尤為重要。通過6σ分析（Six萬不良品率等。常用的評價方法包括基于可靠性評價（Reliabilityysis）、基于MonteCarlo抽樣（MonteCarloSampling）和基于試驗設計（DesignofExperiments）等。本文基于Monte表5σ水8MinμMV3σV

XL3σXμXXU3σX 其中X代表設計變量，包括H和T基于可靠性的分析技術規(guī)進過程如圖12所示。對比確定性優(yōu)化和穩(wěn)健性優(yōu)輸出量（耐撞性指標）的σ質圖13出穩(wěn)健性優(yōu)標均達到3σ質穩(wěn)健性教確定性優(yōu)化方案有提時計算得出各輸出量的可靠性達到99.759%種優(yōu)化方對比如表6穩(wěn)健性優(yōu)質量增加0.35kg。圖12穩(wěn)健性優(yōu)化迭代圖13兩個方案σ質量水平對表6優(yōu)化方案的對M1馬鳴圖,易紅亮,路洪洲,萬鑫銘論汽車輕量化[J]中國工程科學,2009,(09):20-2KisielewiczLT,ParkKH,ShinSH,eta.lOptimizationoftheCrashworthinessofaPassengerCarUsingItiveSimulations[J].SAEPaper931977.3伍廣,,陳濤,高暉.基于乘用車側圍部件模型的側面碰撞仿真簡化建模方法[J].中國機械工程,2009,16:1996-4葉盛,辛勇.基于拼焊技術的轎車B柱耐撞性及結構優(yōu)化設計[J].汽車技術,2012,11:54-5游國忠,陳,程勇,朱西產(chǎn),蘇清祖.轎車B柱的優(yōu)化及對側面碰撞安全性的影響[J].汽車工程,2006,11:972-TRBAPPLICATIONSINAUTOMOTIVEBPILLARDESIGNANDWU CHEN(1AutomotiveSchoolofTongjiUniversity,201804,ShanghaiTheTRB(TailorRolledBlank)usedinautomotivebody,isaneffectivewaytoachieveautomotivelightweightdesign.TheB-pillarsideimpactautopartsfiniteelementmodelwerebuilttorecethevehiclesideimpactmodel,forTRBB-pillardesignoptimization.Thethicknessoftheblockandsub-blocklinepositionasdesignvariables,theuseofapproximatemodeltooptimizethelightweightdesign,thepredictionaccuracycompareddifferentapproximatemodel,selectRBFneuralnetworkmodel(RBF)asanapproximationmodel.Optimizationresultsinmeetingtherequirements,therealizationoftheBpillarlightweightdesign.Furtherconsiderationofdesignfluctuationscausedbymanufacturingprecision,reliabilityoptimizationdesignwasprocessedfortheTRBBpillar.ConductedtotherobustnessoptimizationoftheB-pillar,notonlymaketheperformanceofthebodystructureisoptimized,butalsoreducetheim