0引言
隨著傳感器技術、計算機技術、微電子技術、 測量和控制技術以及信息處理技術的迅猛發展, 世界各國正不斷地開發和完善適合各自國情的車輛稱重系統。而動態稱重是測量行駛車輛的動態輪胎受力并計算相應的靜態車輛質量的過程,它由一套傳感器和數據處理單元儀器組成,用來測量在特定地點、特定時間行駛車輛的動態輪胎受力,計算車輛的質量、車速、軸距,配合車輛識別系統確定車輛類型以及有關車輛的其他參數, 并處理、顯示和存儲這些信息,從而實現全自動不停車計量[1]。可避免大量的人員投入以及可能引起的交通阻塞。動態稱重系統是交通執法的理想設備,可廣泛應用于自動交通調查、收費系統、交通安全管理等場合,產生巨大的社會與經濟效益,并可推廣應用于工礦企業、海關、港口、碼頭、車站廢料站等載貨車輛的監 測和管理[2]。
1車架三維實體參數化設計
車架是汽車主要的承載部件,與動力總成、 駕駛室、貨箱和車橋等汽車大部分部件直接相連。 邊梁式車架由左右分開的2根縱梁、2根副縱梁、 7根橫梁組成,縱梁和橫梁由薄壁型鋼制成,通過焊接和鉚接而形成前寬后窄的整體車架結構。本文以Pro /E軟件為平臺,借助其強大的三維造型、 模具設計及數據接口技術完成對車輛底盤各零件的實體建模和虛擬裝配,形成一臺可以進行計算機驗證、分析的虛擬樣機,如圖1所示。
圖1 車輛底盤三維實體模型 下載原圖
2車架結構的有限元分析
采用Ansys有限元軟件在車架不同點施加載荷,找出車架應力應變最大的位置,結合有限元分析理論以及優化設計理論,研究車架在不同載荷下的受力情況,確定最佳傳感器安放位置 ( 即應變敏感點) 。
2.1車架材料特性
車架的主體結構橫梁和縱梁采用車輛大梁專用鋼16 Mn,材料的物理性能: 彈性模量E = 206 GPa,泊松比 μ = 0. 3,密度 ρ = 7 800 kg / m3。
2.2車架有限元計算模型的建立
傳統的車架有限元分析一般將車架簡化成空間桿系結構,采用空間梁單元進行計算。該方法計算速度快,但其計算模型對真實車架結構的簡化和近似處理較多,因而較難反映車架的應力集中以及局部應力分布和應力水平,難以滿足實際設計分析的要求,因此,本文采用板殼單元進行模擬[3]。
為了真實反映汽車的應力分布,對于承載件, 應盡量保留其原結構形狀和位置; 為減少計算工作量,對于輔助承載件一般可以保留原力學性質即單元剛度矩陣的主要特征,而對其結構形狀進行適當簡化、合并和等效。
車架為裝配體,各零部件之間通過結合面連接,建模時對模型進行簡化處理[4,5]:
1) 車架的鉚釘連接以及螺栓連接全部采用剛性單元模擬;
2) 由于輪胎剛度與鋼板彈簧剛度相比很大, 輪胎對路面輸入或其他載荷輸入的影響較小,所以可以忽略輪胎對結構分析的影響;
3) 對車架僅進行靜力計算,因此不考慮懸架的阻尼特性,將其看作剛性連接;
4) 前后車輪與 車架的連 接點采用 全位移約束。
模型簡化后,整個車架被劃分為242 887個單元、83 539個節點和15個Solid 45實體單元。簡化后車架有限元模型如圖2所示。
2.3車架有限元計算模型的分析
靜態分析是計算在固定小變載荷作用下結構的位移、應力、應變及反力等,即反映結構受到外力后的變形、應力和應變,以對結構的強度、 剛度進行校核。在靜態分析時,由于整車只承受垂直方向的作用力,不受縱向力和橫向力的作用, 因而模型的約束反力僅出現在垂直方向,其他方向的反力和反力矩為0。
圖2 車架網格劃分后整體有限元模型 下載原圖
車架上各部件質量按實際作用位置施加在模型對應位置; 模型自重按所給密度由程序自動計算并將單元載荷因子信息計入總載荷。車身骨架所承受載荷來自于發動機質量、乘員質量、設備質量、貨箱和貨物質量,其中發動機質量為300 kg、駕駛室及乘員質量950 kg、設備質量為550 kg、貨箱及貨物滿載總質量6 000 kg。將這些負荷分別施加在車身骨架的相應部位,其中發動機質量是以實體單元的體積載荷形式施加在車架上, 設備質量、駕駛室及乘員質量以實體單元的面載荷形式均勻施加在車架縱梁和交叉梁上,骨架的自重以慣性載荷方式施加。這種分配方式可有效地模擬車架的實際受力情況,避免集中施加載荷時產生的應力集中現象。由于貨廂對車架強度貢獻明顯,尤其是扭轉強度,同時車架強度也受貨箱結構形式的影響,作用于車架上的載荷的位置發生變化 ( 如載荷前偏或后偏) 會對車架受力產生顯著影響,因此,分兩種工況討論貨箱和貨物載荷的施加方式。
2.3.1載荷均布工況
當載荷均布于車架上,在車廂與車架接觸區域均勻添加載荷,如圖3和圖5所示,求解后的車架應變分布如圖4和圖6所示。
圖3 空載時車架的載荷分布圖 下載原圖
圖4 空載時車架的應變分布圖 下載原圖
圖5 滿載時車架的載荷分布圖 下載原圖
圖6 滿載時車架的應變分布圖 下載原圖
由圖6可以看出,A、B、C、D 4個區域是車架的應變敏感點。由于滿載時的最大應力為318 MPa,并未超過材料的最小屈服強度,因此,屬于彈性變形,其應變與壓力或載重成線性關系,如圖7所示。
圖7 應變與壓力和載重關系曲線 ( 載荷均布工況) 下載原圖
2.3.2載荷非均布工況
對于車架和貨箱共同承受載荷情況,敏感點的應變受到載荷位置和車架承受總載荷的比例的影響,為了確定其影響程度 ( 顯著值) ,本文設計了正交試驗進行數據處理[6]。
在載荷非均布工況下,影響測重精度的因素主要有載荷位置 ( 包括橫向和縱向) 和車架承受總載荷的比例。為此,設計三因素三水平的試 驗,其因素水平如表1所示,試驗方案及結果見表2。
表1 正交試驗因素水平表 下載原表
表2 正交試驗方案及結果 下載原表
對上述結果進行方差分析可知,橫向區域的顯著值為0. 965,縱向區域的顯著值為0. 400,承載比例的顯著值為0. 679,3個因素均無顯著意義 ( P≥0. 05) ,但其影響順序依次為縱向區域 > 承載比例 > 橫向區域,因此,橫向區域因素應選水平左,縱向區域因素應選水平前,承載比例因素應選水平80% ,即最佳試驗條件。
3基于支持向量機的稱重算法設計
由于正則化參 數C對誤差有 直接影響,C值越高誤差越小,但C值過大會導致經驗風險增大,因此,在可選區間內,在滿足一定誤差 條件下選取相對較小的值。ε 值和 γ 值選定后, C值在 [1 ,100] 內對誤差的影響曲線 如圖8所示。
圖8 C 值對誤差的影響曲線 下載原圖
載荷均布工況時,通過交叉試驗可知支持向量參數C = 25、ε = 0. 000 3、γ = 10 000時效果較好[9]。最終選取該參數組合對總體樣本數據進行訓練和預測,其相對誤差曲線如圖9所示。
圖9 相對誤差曲線 下載原圖
其中最大相對誤差Emax= 0. 514% ,平均相對誤差
表3 最優化相對誤差 下載原表
由表3可知, 其中最大 相對誤差Emax=6. 66% ,平均相對 誤差
通過稱重算法對采樣數據進行幾層選優后, 即對比不同學習模型參數對應預測值的相對誤差, 可得到理想的預測值,從而驗證在不同載荷工況時基于非線性支持向量回歸機稱重算法的可行性。
4結論
本文通過對車架模型有限元建模和分析找出了應變敏感點,分析了應變和載荷之間的關系, 利用正交試驗分析了非均布載荷對稱重相對誤差的影響因素。并基于支持向量機設計了稱重算法, 通過對抽樣樣本的訓練預測得到學習模型,利用總體樣本交叉驗證方法驗證了不同工況下該算法的可行性和正確性。