Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tối ưu hóa đa mục tiêu và nghiên cứu thực nghiệm hệ thống treo bán xe
International Journal of Dynamics and Control - Trang 1-17 - 2023
Tóm tắt
Chức năng chính của hệ thống treo là cải thiện sự thoải mái khi lái xe và kiểm soát phương tiện. Tuy nhiên, các hệ thống treo thụ động thông thường phải thực hiện nhiệm vụ mâu thuẫn này. Để thực hiện nhiệm vụ này, cần điều chỉnh/tối ưu các thông số của hệ thống treo. Nghiên cứu này trình bày một phương pháp xác định các thiết lập tối ưu cho hệ thống treo của xe bán tải. Hệ thống treo kiểu Macpherson được sử dụng để xây dựng một thiết bị thử nghiệm và mô phỏng hệ thống treo của xe bán tải. Để đảm bảo sự thoải mái khi lái xe và mục đích tối ưu hóa, một mô hình hệ thống treo kiểu Macpherson được triển khai trong môi trường Matlab/Simulink®. Hệ thống treo được tối ưu hóa cho sự thoải mái khi lái xe và khả năng ổn định. Các mục tiêu gia tốc RMS được cân trọng theo tần số, giá trị liều rung động (VDV), và giá trị rung động tạm thời tối đa (MTVV) được sử dụng cho sự thoải mái khi lái xe, trong khi RMS độ lún của hệ thống treo và độ lún bánh xe RMS được sử dụng làm chức năng mục tiêu trong nghiên cứu tối ưu hóa. Kết quả là, vấn đề tối ưu hóa trở thành loại đa mục tiêu, và độ cứng của lò xo và độ dập tắt của hệ thống treo được tối ưu hóa bằng cách sử dụng thuật toán NSGA-II. Ngoài ra, bộ giảm chấn tối ưu hóa được lắp đặt và thử nghiệm trên thiết bị thử nghiệm xe bán tải và sau đó trên xe để xác nhận các kết quả. Kết quả mô phỏng và kết quả thử nghiệm trên thiết bị thử nghiệm được thu thập và xác thực. Từ kết quả thử nghiệm trên thiết bị và xe, bộ giảm chấn tối ưu hóa cải thiện sự thoải mái khi lái xe, bằng cách giảm gia tốc RMS, VDV và MTVV đồng thời cung cấp sự ổn định cho phương tiện. Nghiên cứu về bộ giảm chấn tối ưu trên xe được tiến hành trên bốn bề mặt đường và bốn tay lái khác nhau. Các phát hiện được thể hiện bằng hình ảnh theo thời gian cũng như miền tần số và cũng dưới dạng bảng.
Từ khóa
#hệ thống treo #tối ưu hóa đa mục tiêu #mô hình Macpherson #Matlab/Simulink #sự thoải mái khi lái xe #ổn định phương tiện #gia tốc RMS #giá trị liều rung động #giá trị rung động tạm thời tối đaTài liệu tham khảo
Alkhatib R, Jazar GN, Golnaraghi MF (2004) Optimal design of passive linear suspension using genetic algorithm. J Sound Vib 275:665–6591. https://doi.org/10.1016/j.jsv.2003.07.007
Guo P, Zhang J-H (2017) Numerical model and multi-objective optimization analysis of vehicle vibration. J Zhejiang Univ Sci A 18:393–412. https://doi.org/10.1631/jzus.A1600124
Nariman-Zadeh N, Salehpour M, Jamali A, Haghgoo E (2010) Pareto optimization of a five-degree of freedom vehicle vibration model using a multi-objective uniform-diversity genetic algorithm (MUGA). Eng Appl Artif Intell 23:543–551. https://doi.org/10.1016/j.engappai.2009.08.008
Shojaeefard MH, Khalkhali A, Faghihian H, Dahmardeh M (2018) Optimal platform design using non-dominated sorting genetic algorithm II and technique for order of preference by similarity to ideal solution; application to automotive suspension system. Eng Optim 50:471–482. https://doi.org/10.1080/0305215X.2017.1324853
Özcan D, Sönmez Ü, Güvenc L (2013) Optimisation of the nonlinear suspension characteristics of a light commercial vehicle. Int J Veh Technol 2013:1–16. https://doi.org/10.1155/2013/562424
Chi Z, He Y, Naterer G (2008) Design optimization of vehicle suspensions with a quarter-vehicle model. Trans CSME SCGM 32:297–312
Kuznetsov A, Mammadov M, Sultan I, Hajilarov E (2011) Optimization of a quarter-car suspension model coupled with the driver biomechanical effects. J Sound Vib 330:2937–2946. https://doi.org/10.1016/j.jsv.2010.12.027
Gündoǧdu Ö (2007) Optimal seat and suspension design for a quarter car with driver model using genetic algorithms. Int J Ind Ergon 37:327–332. https://doi.org/10.1016/j.ergon.2006.11.005
Patil SA, Joshi SG (2014) Experimental analysis of 2 DOF quarter-car passive and hydraulic active suspension systems for ride comfort. Syst Sci Control Eng 2:621–631. https://doi.org/10.1080/21642583.2014.913212
Salah M (2017) A laboratory automotive suspension test rig: Design, implementation and integration. Jordan J Mech Ind Eng 11:67–71
Koch G, Pellegrini E, Spirk S, Lohmann B (2010) Design and modeling of a quarter-vehicle test rig for active suspension control. Tech Univ München 5:1–28
Ahmadian M, Pare C (2000) A quarter-car experimental analysis of alternative semiactive control methods. J Intell Mater Syst Struct 11:604–612. https://doi.org/10.1106/MR3W-5D8W-0LPL-WGUQ
Sandu C, Andersen ER, Southward S (2011) Multibody dynamics modelling and system identification of a quarter-car test rig with McPherson strut suspension. Veh Syst Dyn 49:153–179. https://doi.org/10.1080/00423110903406664
Hong K-S, Jeon D-S, Yoo W-S, Sunwoo H, Shin S-Y, Kim C-M, Park B-S (1999) A new model and an optimal pole-placement control of the Macpherson suspension system. SAE Tech Pap 1999-01-1331. 1999. https://doi.org/10.4271/1999-01-1331
ISO: 2631-1 (1997) Mechanical vibration and shock—evaluation of human exposure to whole-body vibration
Van Niekerk JL, Pielemeier WJ, Greenberg JA (2003) The use of seat effective amplitude transmissibility (SEAT) values to predict dynamic seat comfort. J Sound Vib 260:867–888. https://doi.org/10.1016/S0022-460X(02)00934-3
Bovenzi M (2005) Health effects of mechanical vibration. G Ital Med Lav Erg 27(1):58–64
Baumal AE, Mcphee JJ, Calamai PH (1998) Application of genetic algorithms to the design optimization active vehicle suspension system. Comput Methods Appl Mech Eng 163:87–94. https://doi.org/10.1016/S0045-7825(98)00004-8
Rosenthal S, Borschbach M (2014) Impact of population size and selection within a customized NSGA-II for biochemical optimization assessed on the basis of the average cuboid volume indicator. In: BIOTECHNO 2014, pp 1–7
Hernández-Díaz AG, Coello CAC, Pérez F, Caballero R, Molina J, Santana-Quintero LV (2008) Seeding the initial population of a multi-objective evolutionary algorithm using gradient-based information. In 2008 IEEE congress on evolutionary computation CEC, pp 1617–1624. https://doi.org/10.1109/CEC.2008.4631008
Reeves C, Rowe J (2003) Genetic algorithms—principles and perspectives a guide to GA theory, 1st edn. Kluwer Academic Publisher, Dordrecht
Alander J (1992) On optimal population size of genetic algorithms. In: Proceeding of CompEuro 1992 computer systems and software engineering, pp 65–70. https://doi.org/10.1109/CMPEUR.1992.218485
Deb K, Pratap A, Agarwal S, Meyarivan T (2002) A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans Evol Comput 6:182–197. https://doi.org/10.1109/4235.996017
Song L (2011) NGPM-A NSGA-II program in MATLAB—User Manual. Version 4.1
Song L (2021) NGPM-A NSGA-II Program in MATLAB V14. https://in.mathworks.com/matlabcentral/fileexchange/31166-ngpm-a-nsga-ii-program-in-matlab-v1-4. Accessed 15 Mar 2021.