Адрес для переписки: Гао Ханвэй – Центральная школа Лиона, просп. Ги де Коллонг, 36, 69134, г. Экюли Седекс, Французская Республика. Тел.: +33176 85-67-51 hanwei.gao@ec-lyon.fr
Address for correspondence: Gao Hanwei – Ecole Centrale de Lyon, 36 Guy de Collongue Ave., 69134, Ecully Cedex, French Republic. Tel.: +33176 85-67-51 hanwei.gao@ec-lyon.fr
г. Экюли Седекс
Ecully
г. Гюйанкур
Guyancour
г. Гюйанкур
Guyancour
На начальном этапе разработки нового транспортного средства необходимо учитывать момент неопределенности параметров, поскольку конструкционные работы предполагают отклонения, вызванные сложностью изготовления ряда элементов с соблюдением производственных допусков. Поэтому числовая оценка критических характеристик подвески, таких как долговечность и комфортные условия во время движения, должна проводиться с учетом факторов случайности. В статье предлагается применять многоцелевую методологию оптимизации, которая рассматривает надежность спецификации в качестве одной из задач. С целью прогнозирования конечного результата на основании заданного набора неопределенных, но ограниченных параметров, предлагаемых в процессе оптимизационных итераций, используется адаптивное полиномиальное хаотичное расширение для объединения локального проектирования экспериментов и глобальных поверхностей отклика. Кроме того, чтобы уменьшить количество дополнительных тестов, которые необходимы для построения полиномиального хаотичного расширения, используется алгоритм машинного обучения, основанный на межпроектной корреляционной матрице, для проведения классификации текущих проектных точек с помощью интеллектуального анализа данных и кластеризации. Таким образом, появляется возможность прогнозировать надежность разрабатываемых оптимизированных решений без использования дополнительных моделей. По завершении процесса оптимизации может быть получен фронт Парето между спецификациями и их надежностью, который представляет наилучшее компромиссное решение с поставленными целями. Оптимальный набор на данном фронте классифицируется и может являться ориентиром для проектирования. Примером этого может служить тестирование модели автомобиля с целью оптимизации его глобальной долговечности на основе дорожных ситуаций. При этом статистическое распределение параметров, таких как траектории и скорости, тоже принимается во внимание. Результаты исследований показывают несовместимость между долговечностью шасси и надежностью этого параметра. В данном случае термин «надежность» не означает «прочность». В статье этот термин предполагает, что функционирование является менее чувствительным к каким-либо отклонениям. Кроме того, стохастическая выборка подтверждает правильность прогноза надежности методом применения полиномиального хаотичного расширения и машинного обучения, в основе которого лежит значительное уменьшение количества тестов. Показана эффективность предлагаемого подхода, в частности отмечается возможность экономии расчетных затрат на разработку моделей транспортного средства.
During the early development of a new vehicle project, the uncertainty of parameters should be taken into consideration because the design may be perturbed due to real components’ complexity and manufacturing tolerances. Thus, the numerical validation of critical suspension specifications, such as durability and ride comfort should be carried out with random factors. In this article a multi-objective optimization methodology is proposed which involves the specification’s robustness as one of the optimization objectives. To predict the output variation from a given set of uncertain-but-bounded parameters proposed by optimization iterations, an adaptive chaos polynomial expansion (PCE) is applied to combine a local design of experiments with global response surfaces. Furthermore, in order to reduce the additional tests required for PCE construction, a machine learning algorithm based on inter-design correlation matrix firstly classifies the current design points through data mining and clustering. Then it learns how to predict the robustness of future optimized solutions with no extra simulations. At the end of the optimization, a Pareto front between specifications and their robustness can be obtained which represents the best compromises among objectives. The optimum set on the front is classified and can serve as a reference for future design. An example of a quarter car model has been tested for which the target is to optimize the global durability based on real road excitations. The statistical distribution of the parameters such as the trajectories and speeds is also taken into account. The result shows the natural incompatibility between the durability of the chassis and the robustness of this durability. Here the term robustness does not mean “strength”, but means that the performance is less sensitive to perturbations. In addition, a stochastic sampling verifies the good robustness prediction of PCE method and machine learning, based on a greatly reduced number of tests. This example demonstrates the effectiveness of the approach, in particular its ability to save computational costs for full vehicle simulation.
The authors declare that there are no conflicts of interest present.