0引言
随着传感器技术、计算机技术、微电子技术、 测量和控制技术以及信息处理技术的迅猛发展, 世界各国正不断地开发和完善适合各自国情的车辆称重系统。而动态称重是测量行驶车辆的动态轮胎受力并计算相应的静态车辆质量的过程,它由一套传感器和数据处理单元仪器组成,用来测量在特定地点、特定时间行驶车辆的动态轮胎受力,计算车辆的质量、车速、轴距,配合车辆识别系统确定车辆类型以及有关车辆的其他参数, 并处理、显示和存储这些信息,从而实现全自动不停车计量[1]。可避免大量的人员投入以及可能引起的交通阻塞。动态称重系统是交通执法的理想设备,可广泛应用于自动交通调查、收费系统、交通安全管理等场合,产生巨大的社会与经济效益,并可推广应用于工矿企业、海关、港口、码头、车站废料站等载货车辆的监 测和管理[2]。
1车架三维实体参数化设计
车架是汽车主要的承载部件,与动力总成、 驾驶室、货箱和车桥等汽车大部分部件直接相连。 边梁式车架由左右分开的2根纵梁、2根副纵梁、 7根横梁组成,纵梁和横梁由薄壁型钢制成,通过焊接和铆接而形成前宽后窄的整体车架结构。本文以Pro /E软件为平台,借助其强大的三维造型、 模具设计及数据接口技术完成对车辆底盘各零件的实体建模和虚拟装配,形成一台可以进行计算机验证、分析的虚拟样机,如图1所示。
图1 车辆底盘三维实体模型 下载原图
2车架结构的有限元分析
采用Ansys有限元软件在车架不同点施加载荷,找出车架应力应变最大的位置,结合有限元分析理论以及优化设计理论,研究车架在不同载荷下的受力情况,确定最佳传感器安放位置 ( 即应变敏感点) 。
2.1车架材料特性
车架的主体结构横梁和纵梁采用车辆大梁专用钢16 Mn,材料的物理性能: 弹性模量E = 206 GPa,泊松比 μ = 0. 3,密度 ρ = 7 800 kg / m3。
2.2车架有限元计算模型的建立
传统的车架有限元分析一般将车架简化成空间杆系结构,采用空间梁单元进行计算。该方法计算速度快,但其计算模型对真实车架结构的简化和近似处理较多,因而较难反映车架的应力集中以及局部应力分布和应力水平,难以满足实际设计分析的要求,因此,本文采用板壳单元进行模拟[3]。
为了真实反映汽车的应力分布,对于承载件, 应尽量保留其原结构形状和位置; 为减少计算工作量,对于辅助承载件一般可以保留原力学性质即单元刚度矩阵的主要特征,而对其结构形状进行适当简化、合并和等效。
车架为装配体,各零部件之间通过结合面连接,建模时对模型进行简化处理[4,5]:
1) 车架的铆钉连接以及螺栓连接全部采用刚性单元模拟;
2) 由于轮胎刚度与钢板弹簧刚度相比很大, 轮胎对路面输入或其他载荷输入的影响较小,所以可以忽略轮胎对结构分析的影响;
3) 对车架仅进行静力计算,因此不考虑悬架的阻尼特性,将其看作刚性连接;
4) 前后车轮与 车架的连 接点采用 全位移约束。
模型简化后,整个车架被划分为242 887个单元、83 539个节点和15个Solid 45实体单元。简化后车架有限元模型如图2所示。
2.3车架有限元计算模型的分析
静态分析是计算在固定小变载荷作用下结构的位移、应力、应变及反力等,即反映结构受到外力后的变形、应力和应变,以对结构的强度、 刚度进行校核。在静态分析时,由于整车只承受垂直方向的作用力,不受纵向力和横向力的作用, 因而模型的约束反力仅出现在垂直方向,其他方向的反力和反力矩为0。
图2 车架网格划分后整体有限元模型 下载原图
车架上各部件质量按实际作用位置施加在模型对应位置; 模型自重按所给密度由程序自动计算并将单元载荷因子信息计入总载荷。车身骨架所承受载荷来自于发动机质量、乘员质量、设备质量、货箱和货物质量,其中发动机质量为300 kg、驾驶室及乘员质量950 kg、设备质量为550 kg、货箱及货物满载总质量6 000 kg。将这些负荷分别施加在车身骨架的相应部位,其中发动机质量是以实体单元的体积载荷形式施加在车架上, 设备质量、驾驶室及乘员质量以实体单元的面载荷形式均匀施加在车架纵梁和交叉梁上,骨架的自重以惯性载荷方式施加。这种分配方式可有效地模拟车架的实际受力情况,避免集中施加载荷时产生的应力集中现象。由于货厢对车架强度贡献明显,尤其是扭转强度,同时车架强度也受货箱结构形式的影响,作用于车架上的载荷的位置发生变化 ( 如载荷前偏或后偏) 会对车架受力产生显著影响,因此,分两种工况讨论货箱和货物载荷的施加方式。
2.3.1载荷均布工况
当载荷均布于车架上,在车厢与车架接触区域均匀添加载荷,如图3和图5所示,求解后的车架应变分布如图4和图6所示。
图3 空载时车架的载荷分布图 下载原图
图4 空载时车架的应变分布图 下载原图
图5 满载时车架的载荷分布图 下载原图
图6 满载时车架的应变分布图 下载原图
由图6可以看出,A、B、C、D 4个区域是车架的应变敏感点。由于满载时的最大应力为318 MPa,并未超过材料的最小屈服强度,因此,属于弹性变形,其应变与压力或载重成线性关系,如图7所示。
图7 应变与压力和载重关系曲线 ( 载荷均布工况) 下载原图
2.3.2载荷非均布工况
对于车架和货箱共同承受载荷情况,敏感点的应变受到载荷位置和车架承受总载荷的比例的影响,为了确定其影响程度 ( 显著值) ,本文设计了正交试验进行数据处理[6]。
在载荷非均布工况下,影响测重精度的因素主要有载荷位置 ( 包括横向和纵向) 和车架承受总载荷的比例。为此,设计三因素三水平的试 验,其因素水平如表1所示,试验方案及结果见表2。
表1 正交试验因素水平表 下载原表
表2 正交试验方案及结果 下载原表
对上述结果进行方差分析可知,横向区域的显著值为0. 965,纵向区域的显著值为0. 400,承载比例的显著值为0. 679,3个因素均无显著意义 ( P≥0. 05) ,但其影响顺序依次为纵向区域 > 承载比例 > 横向区域,因此,横向区域因素应选水平左,纵向区域因素应选水平前,承载比例因素应选水平80% ,即最佳试验条件。
3基于支持向量机的称重算法设计
由于正则化参 数C对误差有 直接影响,C值越高误差越小,但C值过大会导致经验风险增大,因此,在可选区间内,在满足一定误差 条件下选取相对较小的值。ε 值和 γ 值选定后, C值在 [1 ,100] 内对误差的影响曲线 如图8所示。
图8 C 值对误差的影响曲线 下载原图
载荷均布工况时,通过交叉试验可知支持向量参数C = 25、ε = 0. 000 3、γ = 10 000时效果较好[9]。最终选取该参数组合对总体样本数据进行训练和预测,其相对误差曲线如图9所示。
图9 相对误差曲线 下载原图
其中最大相对误差Emax= 0. 514% ,平均相对误差
表3 最优化相对误差 下载原表
由表3可知, 其中最大 相对误差Emax=6. 66% ,平均相对 误差
通过称重算法对采样数据进行几层选优后, 即对比不同学习模型参数对应预测值的相对误差, 可得到理想的预测值,从而验证在不同载荷工况时基于非线性支持向量回归机称重算法的可行性。
4结论
本文通过对车架模型有限元建模和分析找出了应变敏感点,分析了应变和载荷之间的关系, 利用正交试验分析了非均布载荷对称重相对误差的影响因素。并基于支持向量机设计了称重算法, 通过对抽样样本的训练预测得到学习模型,利用总体样本交叉验证方法验证了不同工况下该算法的可行性和正确性。