Надежная конструкция подвески с полиномиальным хаотичным расширением и машинным обучением

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.

1. Chatillon M. M. (2005) Méthodologie de conception robuste appliquée aux trains de véhicules de tourisme. Doctoral dissertation, Ecully, Ecole centrale de Lyon.

2. Dessombz O. (2000) Analyse dynamique de structures comportant des paramètres incertains. Doctoral dissertation, Ecully, Ecole centrale de Lyon.

3. Wiener N. (1938) The homogeneous chaos. American Journal of Mathematics, 60 (4), 897-936. https://doi.org/10.2307/2371268

4. Xiu D., Karniadakis G. E. (2002) The Wiener-Askey polynomial chaos for stochastic differential equations. SIAM journal on scientific computing, 24 (2), 619-644. https://doi.org/10.1137/s1064827501387826

5. Wu J., Luo Z., Zhang Y., Zhang N., Chen L. (2013) Interval uncertain method for multibody mechanical systems using Chebyshev inclusion functions. International Journal for Numerical Methods in Engineering, 95 (7), 608-630. https://doi.org/10.1002/nme.4525

6. Kim N. H., Wang H., Queipo N. (2004) Adaptive reduction of design variables using global sensitivity in reliability-based optimization. 10th AIAA/ISSMO Multidisciplinary Analysis and Optimization Conferencep, 4515. https://doi.org/10.2514/6.2004-4515

7. Hu C., Youn B. D. (2011) Adaptive-sparse polynomial chaos expansion for reliability analysis and design of complex engineering systems. Structural and Multidisciplinary Optimization, 43 (3), 419-442. https://doi.org/10.1007/s00158-010-0568-9

8. Knio O. M., Najm H. N., Ghanem R. G. (2001) A stochastic projection method for fluid flow: I. basic formulation. Journal of computational Physics, 173 (2), 481-511. https://doi.org/10.1006/jcph.2001.6889

9. Eddy J., Lewis K. (2001) Effective generation of Pareto sets using genetic programming. Proceedings of DETC’01 ASME 2001 Design Engineering Technical Conferences and Computers and Information in Engineering Conference. Pittsburgh, PA, September 9-12, 2001, 132.

10. Loyer B. (2009) Conception fonctionnelle robuste par optimisation multicritère de systèmes de suspension automobile passifs et semi-actifs. Doctoral dissertation, Ecully, Ecole centrale de Lyon.

11. Allen T. T., Bernshteyn M. A., Kabiri-Bamoradian K. (2003) Constructing meta-models for computer experiments. Journal of Quality Technology, 35 (3), 264-274. https://doi.org/10.1080/00224065.2003.11980220

12. Acar E., Rais-Rohani M. (2009) Ensemble of metamodels with optimized weight factors. Structural and Multidisciplinary Optimization, 37 (3), 279-294. https://doi.org/10.1007/s00158-008-0230-y

13. Dumont E., Khaldi M. (2018) Alternova Layer 1 user guide for Renault. Eurodecision, 2018 May.

14. Di Pierro F, Khu S.T., Djordjevic S., Savic D. (2004) A new genetic algorithm to solve effectively highly multi-objective problems: Poga. Report Nr. 2004/02, Center for WaterSystems, University of Exeter.

15. Wang G. G. (2003) Adaptive response surface method using inherited latin hypercube design points. Journal of Mechanical Design, 125 (2), 210-220. https://doi.org/10.1115/1.1561044