一种混合动力客车行星轮系齿轮修形优化方法

本发明涉及混合动力车辆传动系统，尤其是一种混合动力客车行星轮系齿轮修形优化方法。

背景技术：

1、功率分流式混合动力系统因其良好的燃油经济性和动力性，在城市公交客车中得到广泛应用。双行星排结构作为其核心功率分流装置，能够实现发动机转速与车轮转速的解耦，使发动机工作在高效区间。然而，城市道路工况具有频繁启停、加减速变化剧烈、驱动模式切换频繁等特点，导致前行星轮系在发动机和电机的双重作用下，承受复杂的时变转速和交变转矩载荷。

2、在这种复杂载荷作用下，行星轮系齿轮副的啮合状态动态变化，容易产生齿面载荷分布不均、局部接触应力集中、传动误差增大等问题，进而导致齿轮接触疲劳寿命不足，影响传动系统的可靠性和nvh性能。齿轮修形是改善齿面接触状态、降低传动误差和应力集中的有效手段。

3、现有的齿轮修形优化方法多基于单一额定工况、最大载荷工况或若干典型稳态工况进行齿向修形和齿廓修形参数的优化。这种方法难以反映混合动力客车在实际运行中转速、转矩及持续时间之间的耦合关系，优化结果在实际复杂工况下的适用性有限。若直接采用完整的时变载荷历程进行齿轮接触仿真和疲劳分析，虽然能较真实地反映实际工况，但计算量巨大，难以满足多轮代理模型更新和多目标优化迭代的需求，工程应用成本高。

4、同时，行星轮系齿轮修形参数与传动误差峰峰值、最大接触应力等评价指标之间存在较强的非线性映射关系。传统的响应面模型或普通代理模型在小样本条件下对最优区域的预测精度不足，且样本采集缺乏针对性，容易导致pareto前沿附近的预测偏差较大，影响优化结果的准确性。

技术实现思路

1、为了解决上述问题，本发明提供一种混合动力客车行星轮系齿轮修形优化方法，实现行星轮系齿轮修形参数的高效寻优，改善齿面载荷分布，降低传动误差峰峰值和最大接触应力，提高齿轮接触疲劳寿命，而且提高修形方案在实际工况下的可靠性和工程适用性。

2、为了解决上述问题，本发明采用的技术方案为：

3、一种混合动力客车行星轮系齿轮修形优化方法，包括下述步骤：

4、s1. 获取前行星轮系在合成工况下的时变载荷时序数据，且基于载荷变化特征及损伤等效原则，对所述时变载荷时序数据进行等效及压缩处理，以构建反映实际运行载荷特征的稳态疲劳加载谱；

5、s2. 以齿轮的修形参数为设计变量，以齿轮传动性能指标为优化目标，通过主动学习策略对样本空间进行自适应采样，且基于采样结果构建用于预测所述优化目标的高斯过程回归代理模型；

6、s3. 通过改进的多目标优化算法，以所述高斯过程回归代理模型为基础进行寻优，获得pareto非支配解集，且在所述pareto非支配解集中，确定综合性能最优的齿轮修形参数组合；

7、s4. 将获得的所述最优齿轮修形参数组合通过齿轮传动系统仿真模型进行验证，输出满足设计要求的最优修形方案。

8、进一步地，在步骤s1中，构建稳态疲劳加载谱的步骤包括：

9、s1.1 通过avl-cruise与matlab/simulink联合仿真，获取所述前行星轮系在合成工况下的时变载荷时序数据，且所述时变载荷时序数据包括太阳轮转速、太阳轮转矩、行星架转速；

10、s1.2 对所述太阳轮转速、所述转矩及所述行星架转速分别进行均值变化点检测，将任一出现明显均值突变的时间点作为分段边界，且将原始的时变载荷时序数据划分为多个初始载荷区间；

11、s1.3 对每个所述初始载荷区间，通过时间加权平均法处理转速，且基于齿轮材料疲劳曲线与miner线性损伤原理对转矩进行等损伤转换，根据损伤等效原则计算初始区间的等效转矩，以获得每个初始载荷区间的等效转速、等效转矩；

12、s1.4 对所述时变载荷时序数据按照预设的工程容差阈值，判断相邻所述初始载荷区间是否满足合并条件，当满足合并要求时，将两相邻所述初始载荷区间合并为同一工况块，且重新计算合并后所述工况块的等效转速、等效转矩和持续时间；每完成一轮扫描后，对更新后的工况块重复执行合并判断及合并过程，直至所有相邻工况块均不再满足合并条件；

13、s1.5 剔除无损伤贡献的无效工况，以形成用于分析的简化的疲劳加载谱。

14、进一步地，在步骤s1.3中，所述等效转速计算方法为：

15、 公式（1）

16、其中，为第个初始区间的等效转速，且太阳轮转速及行星架转速均按此方法分别计算其等效值；为该区间内的采样点数量；为第个采样点的持续时间；

17、所述等效转矩计算方法为：

18、 公式（2）

19、其中， 为第个初始区间的等效转矩；为齿轮材料的t-n曲线的斜率，根据《机械设计手册》取=6.61。

20、在步骤s1.4中，所述初始载荷区间合并判断方法为：

21、 公式（3）

22、其中，为第个初始区间的等效转速，且太阳轮等效转速及行星架等效转速均按此方法进行容差判断；为第个初始区间的等效转矩；为转速容差阈值；为太阳轮转矩容差阈值。

23、进一步地，在步骤s2中，所述高斯过程回归代理模型构建步骤包括：

24、s2.1 以齿向鼓形修形量、齿向斜度修形量、齿廓鼓形修形量、齿廓斜度修形量为设计变量，以传动误差峰峰值及最大接触应力为优化目标；

25、s2.2 基于miner线性累积损伤理论对所述稳态疲劳加载谱进行分析，判断齿轮传动系统是否达到寿命设计要求，且定位一个或多个危险工况；

26、s2.3 通过最优拉丁超立方采样生成初始样本点，将每组所述初始样本点输入齿轮传动系统仿真模型中，计算所述危险工况对应的齿轮副传动误差峰峰值及最大接触应力，以获得初始训练样本集，且通过所述初始训练样本集构建初始代理模型；

27、s2.4 通过主动学习策略将所述设计变量、预测目标值、预测标准差组合为联合特征，且通过isomap降维及k-means聚类，识别需要新增样本点的重点采样区域，围绕当前最优解附近加密采样；基于采样结果构建用于预测所述优化目标的所述高斯过程回归代理模型，以建立修形参数与传动误差峰峰值、最大接触应力之间的非线性映射关系。

28、进一步地，在步骤s3中，通过改进多目标黑翅鸢优化算法对所述高斯过程回归代理模型进行多目标寻优，所述改进多目标黑翅鸢优化算法的改进机制包括：

29、基于外部存档领导者差分向量的柯西扰动迁移算子：利用当前个体与外部存档领导者之间的差分信息构造搜索方向，并叠加柯西分布扰动以扩大搜索步长分布范围；

30、扩展外部存档策略：保存多目标非支配解，通过保留各目标方向上的极端点和通过最远距离选择策略对超出预设容量的非支配解进行筛选，以维持pareto前沿的分布多样性；

31、混合领导者选择机制：结合随机领导者选择与基于拥挤距离的引导选择，在保持种群随机探索能力的同时引导种群向所述pareto前沿稀疏区域扩展；

32、攻击步长线性衰减机制：使算法由迭代前期的全局搜索逐渐过渡到迭代后期的局部开发；

33、局部前沿逃逸策略：在个体更新过程中引入多项式扰动变异算子，并在外部存档连续若干代无明显更新时，通过拉丁超立方抽样对种群进行重初始化；

34、通过多次独立运行所述改进多目标黑翅鸢优化算法，合并各次运行所得外部存档，去除重复解并重新进行非支配筛选，提取综合所述pareto前沿；且通过topsis逼近理想解排序法对pareto非支配解集进行排序，获得综合性能最优的齿轮修形参数组合。

35、进一步地，在步骤s3中，所述齿轮修形参数组合的获得步骤包括：

36、s3.1 设定齿轮修形参数组合为设计变量，以最大接触应力及齿轮传动误差峰值为优化目标，构建多目标优化模型；

37、s3.2 通过扩展外部存档策略；首先在所述设计变量上下界范围内，通过拉丁超立方抽样生成初始种群，在每次迭代中，通过所述高斯过程回归代理模型计算当前种群个体的目标函数值，且按照pareto非支配关系更新外部存档，将上一代外部存档与当前种群合并，且从中筛选所述pareto非支配解集，形成新的外部存档；

38、s3.3 通过攻击步长线性衰减机制更新搜索步长；通过混合领导者选择机制确定领导者；基于外部存档领导者与当前个体的差分信息及柯西扰动生成候选新解，且对部分个体执行多项式扰动变异，对所述候选新解进行边界约束处理并计算目标函数值后，根据所述pareto非支配关系完成个体替换与种群更新；

39、s3.4 当满足终止条件时，输出外部存档中的所述pareto非支配解集，且通过topsis逼近理想解排序法对解集进行排序，以确定综合性能最优的齿轮修形参数组合。

40、进一步地，在步骤s3.1中，所述多目标优化模型表示为：

41、 公式（4）

42、其中，分别为对应齿轮参数组合下的最大接触应力及齿轮传动误差峰峰值，两个目标均为最小化目标。

43、进一步地，在步骤s3.2中，当外部存档规模超过预设容量时，优先保留各目标方向上的极端点，且通过最远距离选择策略对剩余非支配解进行筛选，且第代外部存档表示为：

44、 公式（5）

45、其中，为第代外部存档；为第代外部存档；为第代种群，为非支配解筛选操作。

46、进一步地，在步骤s3.3中，对原bka算法中的攻击步长进行线性衰减机制改进，以通过攻击步长线性衰减机制更新搜索步长，且随着迭代次数增加，攻击步长逐渐减小，使算法由全局搜索逐渐过渡到局部精细搜索，通过攻击步长线性衰减机制更新搜索步长方法为：

47、 公式（6）

48、其中，为第次迭代的攻击步长；为预设最大攻击步长；为预设最小攻击步长；为当前迭代次数；为最大迭代次数；

49、在领导者选择过程中，通过混合领导者选择机制确定领导者，拥挤距离较大的解位于pareto前沿较稀疏区域，优先选择其作为领导者可引导种群向稀疏区域扩展，且所述pareto非支配解集的拥挤距离表示为：

50、 公式（7）

51、其中， 为第个非支配解的拥挤距离，为目标函数数量，及分别为按照第j个目标排序后相邻解的目标函数值；及分别为第个目标函数的最大值和最小值，为防止分母为零的微小正数。

52、进一步地，在步骤s3.3中，在完成领导者选择和攻击步长更新后，进行个体更新过程，所述个体更新过程中，基于外部存档领导者与当前个体之间的差分信息构造迁移搜索方向，且结合柯西扰动生成候选新解，同时对部分个体执行多项式扰动变异；对候选新解进行边界约束处理并计算目标函数值后，根据所述pareto非支配关系完成个体替换与种群更新。

53、本发明的有益效果是：

54、通过基于工程容差的时序连续区间合并方法，能够严格遵循时序连续性对时变载荷进行等效压缩，同时基于miner线性损伤原理进行等损伤转矩转换，在齿轮修形优化中构建了包含转速-转矩-持续时间三元组的多级稳态疲劳加载谱，解决了现有方法无法保留载荷作用具体时间、丢失转速与转矩动态对应关系的问题，使修形方案更贴合实际运行工况；代理模型预测精度高，通过全局探索→重点识别→局部精化三阶段主动学习策略，结合等距特征映射降维与k-means聚类，显著提升小样本、强非线性问题下高斯过程回归代理模型在最优区域的预测能力；改进多目标黑翅鸢优化算法通过引入柯西扰动迁移算子、扩展外部存档策略、混合领导者选择机制、攻击步长线性衰减机制和局部前沿逃逸策略，提高了多目标优化过程中 pareto 前沿的收敛性和分布均匀性，降低了算法陷入局部 pareto 前沿的概率，从而能够获得综合性能更优的齿轮修形参数组合。