一种前副车架加速疲劳试验方法

摘要

本发明公开了一种前副车架加速疲劳试验方法，其包括如下步骤：步骤一，建立前副车架的台架疲劳试验的仿真分析模型，准静态分析；步骤二，搭建基于载荷缩放因子为设计变量的仿真优化流程，输出响应为关重位置的疲劳损伤值，DOE采样计算；步骤三，将计算结果进行拟合，得到满足精度要求的数学响应面模型；步骤四，根据得到的数学响应面模型，以载荷缩放因子为变量，以关重位置的疲劳损伤值为约束，以损伤目标误差最小为目标进行优化，得到载荷缩放因子的最优解；步骤五，计算得到优化后的载荷并对前副车架进行加载，循环次数设定为优化后的循环目标次数，进行台架疲劳试验。其能够减少疲劳试验循环次数，缩短疲劳试验周期，提高开发效率。

说明书

技术领域

本发明涉及汽车零部件的台架疲劳试验，具体涉及前副车架加速疲劳试验方法。

背景技术

零部件级台架疲劳试验一般被排在整车及系统试验验证前进行，目的是提前排查各产品零部件的疲劳耐久问题，进而使得整车及系统试验验证尽量一次性通过，可缩短开发周期，降低开发成本。

一套前副车架的单件台架疲劳试验周期约一百小时以上（不考虑搭建试验工装时间），一般台架疲劳试验验证最少需三套零部件，则至少需要十五天试验周期，会大大影响项目开发周期。在试验验证过程中，如出现失效问题，不能快速对优化方案进行验证，从而增加产品开发周期和成本。

发明内容

本发明的目的是提供一种前副车架加速疲劳试验方法，其能够减少疲劳试验循环次数，缩短疲劳试验周期，提高开发效率。

本发明所述的前副车架加速疲劳试验方法，其包括如下步骤：

步骤一，建立前副车架的台架疲劳试验的仿真分析模型并进行准静态分析，循环次数与优化前的循环实际次数相同，对分析结果进行疲劳计算，筛选出关重位置并得到对应的疲劳损伤值；

步骤二，搭建基于载荷缩放因子为设计变量的仿真优化流程，输出响应为关重位置的疲劳损伤值，循环次数与优化后的循环目标次数相同，进行设计变量的DOE采样计算；

步骤三，将步骤二的DOE采样计算结果进行拟合，得到满足精度要求的数学响应面模型；

步骤四，根据步骤三得到的数学响应面模型，以载荷缩放因子为变量，以步骤一得到的关重位置的疲劳损伤值为约束，以损伤目标误差最小为目标进行优化，得到载荷缩放因子的最优解；

步骤五，根据步骤四得到的载荷缩放因子计算得到优化后的载荷，以优化后的载荷对前副车架进行加载，循环次数设定为优化后的循环目标次数，对前副车架进行台架疲劳试验。

进一步，所述载荷缩放因子为1~2。

进一步，所述步骤二具体为：在仿真优化软件Optimus中，搭建基于载荷缩放因子为设计变量的仿真优化流程，输出响应为关重位置的疲劳损伤值，循环次数与优化后的循环目标次数相同，采用最优拉丁超方试验设计方法开展基于设计变量的DOE采样计算。

进一步，所述步骤三中采用有限元对标模型验证数学响应面模型是否满足精度要求，若不满足，则增加DOE采样计算的样本点，更新数学响应面模型直至精度满足要求。

进一步，所述步骤四中的损伤目标误差为优化前对应关重位置疲劳损伤值减去优化后对应关重位置疲劳损伤值的均方根。

进一步，将步骤五得到的优化后的载荷代入步骤一中的仿真分析模型进行准静态分析，以验证优化精度是否满足要求，若不满足，则重复步骤二~步骤五直至优化精度满足要求。

本发明以载荷缩放因子为设计变量、以关重位置的疲劳损伤值为输出响应进行DOE采样计算，对DOE采样计算结果进行拟合，得到满足精度要求的数学响应面模型，再根据数学响应面模型，以载荷缩放因子为变量，以仿真分析得到的关重位置的疲劳损伤值为约束，以损伤目标误差最小为目标进行优化，得到载荷缩放因子的最优解，依据载荷缩放因子的最优解计算得到优化后的载荷，以优化后的载荷对前副车架进行加载，循环次数设定为优化后的循环目标次数，对前副车架进行台架疲劳试验。即通过增加前副车架的加载载荷，能够在更少的循环次数下，使得前副车架的关重位置的疲劳损伤值达到优化前对应的疲劳损伤值，减少了疲劳试验循环次数，缩短了疲劳试验周期，提高了开发效率。

附图说明

图1是本发明所述前副车架加速疲劳试验方法的流程示意图；

图2前副车架的加载即约束位置示意图；

图3是优化前的前副车架的台架载荷示意图；

图4是优化前的前副车架的准静态分析结果示意图；

图5是DOE试验设计矩阵示意图；

图6是数学响应面模型的残差分析结果示意图；

图7是优化后的前副车架的台架载荷示意图；

图8是优化后的前副车架的准静态分析结果示意图。

具体实施方式

下面结合附图对本发明作详细说明。

参见图1，所示的前副车架加速疲劳试验方法，其包括如下步骤：

步骤一，参见图2和图3，根据前副车架的台架疲劳试验的实际加载及约束状态建立对应的仿真分析模型。左横向工况时，第一加载位置的加载力F1为6575N，第二加载位置的加载力F2为3995N；右横向工况时，第一加载位置的加载力为3995N，第二加载位置的加载力为6575N。进行疲劳试验时，左横向工况和右横向工况各加载一次记作1次循环。

通过Abaqus软件对仿真分析模型进行准静态分析，循环次数与优化前的循环实际次数相同，即循环次数设定为C1=27万次，对分析结果进行疲劳计算。根据Miner线性准则原理，疲劳累计损伤Di=di*C1，di为单次循环加载的损伤，Di为循环C1次以后的累积损伤。根据分析结果，参见图4，筛选出五个损伤较大的关重位置并得到对应的疲劳损伤值。

步骤二，在仿真优化软件Optimus中，搭建基于载荷缩放因子为设计变量的仿真优化流程，输出响应为五个关重位置的疲劳损伤值，循环次数与优化后的循环目标次数相同，采用最优拉丁超方试验设计方法开展基于设计变量的DOE采样计算。

所述载荷缩放因子包括左横向工况时，第一加载位置的加载力F1的第一载荷因子S1和第二加载位置的加载力F1的第一载荷因子S2，第一载荷因子S1和第二载荷因子S2的条件范围均为1~2。

本实施例中优化后的循环目标次数设定为8.5万次，需要说明的是，所述循环目标次数可根据自身试验情况进行合理设定。

步骤三，将步骤二的DOE采样计算结果进行拟合，得到满足精度要求的数学响应面模型；参见图5，DOE设计试验总共为60组，前50组用于构建数学响应面模型，后10组用于验证构建的数学响应面模型的精度是否满足要求。

拟合完成后，利用optimus软件数学响应面分析模型精度残差最大为2.2%，小于设定的5%的标准，因此该数学响应曲面模型精度满足要求，能够用于后续的优化迭代计算，具体残差分析结果如图6所示。

步骤四，根据步骤三得到的数学响应面模型，以第一载荷缩放因子S1和第二缩放因子S2为变量，以步骤一得到的关重位置的疲劳损伤值为约束，以损伤目标误差最小为目标进行优化，得到第一载荷缩放因子S1的最优解为1.463，第二载荷缩放因子S2的最优解为1.482。所述损伤目标误差为优化前对应关重位置疲劳损伤值减去优化后对应关重位置疲劳损伤值的均方根。

步骤五，根据步骤四得到的载荷缩放因子计算得到优化后的载荷，即在左横向工况时，第一加载位置的加载力F1=6575×1.463N=9620N，第二加载位置的加载力F2=3995×1.482N=5922N。

参见图7，将得到的优化后的载荷代入步骤一中的仿真分析模型进行准静态分析，循环次数设定为8.5万次，计算结果参见图8。对比图8和图4中五个关重位置对应的疲劳损伤值相近，满足精度要求。

以优化后的载荷对前副车架进行加载，循环次数设定为优化后的循环目标次数，对前副车架进行台架疲劳试验。

本发明以载荷缩放因子为设计变量、以关重位置的疲劳损伤值为输出响应进行DOE采样计算，对DOE采样计算结果进行拟合，得到满足精度要求的数学响应面模型，再根据数学响应面模型，以载荷缩放因子为变量，以仿真分析得到的关重位置的疲劳损伤值为约束，以损伤目标误差最小为目标进行优化，得到载荷缩放因子的最优解，依据载荷缩放因子的最优解计算得到优化后的载荷。从而通过增加前副车架的加载位置的载荷，能够在更少的循环次数下，使得前副车架的关重位置的疲劳损伤值达到优化前对应的疲劳损伤值。在保证关重位置达到相近疲劳损伤值的前提下，循环次数由27万次减少至8.5次，疲劳试验周期从原先的十五天减少至五天，大幅提高了开发效率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。