基于改進NSGA-Ⅱ算法的發(fā)動機活塞機構(gòu)優(yōu)化設(shè)計

夏爾冬 ，王春榮 ，2，熊昌炯 ，劉建軍

（1.三明學(xué)院機電工程學(xué)院，福建 三明 365004；2.北京工業(yè)大學(xué)機械工程及應(yīng)用電子技術(shù)學(xué)院，北京 100124）

1 引言

發(fā)動機[1-3]是汽車的動力來源，是汽車中最重要的部分，其性能直接影響汽車的動力、油耗、排放等，而活塞機構(gòu)是發(fā)動機中重要的運動部件之一，活塞機構(gòu)的運動速度、加速度、運動軌跡等決定對發(fā)動機的性能。因此，對活塞機構(gòu)進行優(yōu)化設(shè)計研究，具有十分重要的意義。

國內(nèi)外有些學(xué)者已對活塞機構(gòu)展開了相關(guān)研究，文獻[4]借助Pro/E對曲柄活塞機構(gòu)的運動進行了仿真研究；文獻[5]用ADAMS對柴油機的曲柄兩活塞機構(gòu)進行了動力學(xué)分析，得到了工作中曲柄的危險位置；文獻[6]對發(fā)動機的活塞機構(gòu)各桿長進行研究，但只考慮了其跟蹤誤差，卻忽略了傳動角對其運動性能的影響。

以活塞機構(gòu)的運動軌跡誤差和傳動角與90°偏差為雙目標(biāo)優(yōu)化函數(shù)。傳統(tǒng)的多目標(biāo)優(yōu)化是利用加權(quán)法將多目標(biāo)轉(zhuǎn)化為單目標(biāo)進行優(yōu)化，但是由于權(quán)系數(shù)的主觀因素太強，對優(yōu)化性能具有很大的影響[7]。利用NSGA-Ⅱ算法[8-12]對活塞機構(gòu)進行雙目標(biāo)優(yōu)化，為增強其搜索能力與種群多樣性，對NSGA-Ⅱ算法進行了改進，采用改進的NSGA-Ⅱ算法對活塞機構(gòu)進行優(yōu)化設(shè)計分析，提高活塞機構(gòu)的運動性能。

2 活塞機構(gòu)數(shù)學(xué)模型建立

利用PRO/E對發(fā)動機活塞機構(gòu)進行三維實體建模，如圖1所示。包括活塞、曲柄、連桿等，對其進行運動分析，機活塞機構(gòu)運動簡圖，如圖2所示。

圖1 發(fā)動機活塞機構(gòu)三維模型Fig.1 The Three-Dimensional Model of Engine Piston Mechanism

圖2 機活塞機構(gòu)運動簡圖Fig.2 The Motion Diagram of Piston Mechanism

2.1 目標(biāo)函數(shù)的確定

（1）根據(jù)圖2中幾何關(guān)系，E點的坐標(biāo)可以表示為：

式中：（xi，yi），i=1，2，…，k—理論點的坐標(biāo)，則 E 的軌跡誤差函數(shù)為：

（2）在四連桿機構(gòu)中傳動角具有十分重要的作用，傳動角越大、越接近90°表明機械系統(tǒng)的傳動性能越好。圖2中最大、最小傳動角可以表示為：

2.2 設(shè)計變量的確定

根據(jù)文獻[13]可知θ3為θ2的函數(shù)，因此取設(shè)計變量為：

2.3 約束條件的確定

（1）四連桿曲柄機構(gòu)，應(yīng)滿足各個桿長約束條件：

（2）邊界約束條件：

3 改進算法

3.1 NSGA-Ⅱ簡介

算法是文獻[14]在算法基礎(chǔ)上進行改進的，主要區(qū)別為了減小算法計算的復(fù)雜度引入了快速非支配排序法、利用擁擠度和擁擠度算子、代替共享參數(shù)σshare，并具有精英保留策略，提高種群的搜索空間，是一種處理多目標(biāo)問題的優(yōu)秀算法。然而直接采用算法對發(fā)動機活塞機構(gòu)進行優(yōu)化，發(fā)現(xiàn)Pareto最優(yōu)解分別不夠均勻，這是由于其在尋優(yōu)過程中早熟收斂所引起的。為了提高種群的多樣性、算法的搜索能力，使得Pareto最優(yōu)解集更加均勻的分布，提出了對交叉算子和變異算子進行改進。

3.2 NSGA-Ⅱ的改進

自適應(yīng)交叉算子與變異算子和傳統(tǒng)的算法直接采用交叉概率PC和變異概率Pm不同，而是與個體的適應(yīng)值相關(guān)。若個體的適應(yīng)值比平均適應(yīng)值小，此時為了盡量多的保留優(yōu)秀的個體，應(yīng)選用較小的PC和Pm；若個體的適應(yīng)值比平均適應(yīng)值大，此時為了生成下一代優(yōu)秀的個體，應(yīng)選用較大的PC和Pm；若種群中所有個體的適應(yīng)值幾乎相同時，此時為了使算法擴大搜索區(qū)域從局部最優(yōu)中跳出，應(yīng)使整體的PC和Pm較大；反之，種群中所有個體的適應(yīng)值差距非常大，此時為了使算法盡快收斂，應(yīng)使整體的PC和Pm較小，即：

式中：f1、f2—交個體與變異個體的平均適應(yīng)值；

fav、fmin—種群的平均和最小適應(yīng)值，λ1，λ2，λ3，λ4∈［0，1］。

3.3 算法執(zhí)行過程

所提出的算法的執(zhí)行步驟，如圖3所示。

圖3 改進算法流程圖Fig.3 The Flow Chart of Improved NSGAⅡ

4 實驗分析

給定目標(biāo)軌跡坐標(biāo)點與文獻[6]相同，即（9.5，8.26），（9.0，8.87），（7.97，8.87），（5.65，9.94），（4.36，9.7），（3.24，9.0），（3.26，8.36），（4.79，9.11），（6.58，8.0），（9.12，7.87）；設(shè)計變量的取值范圍為：xA，yA∈［0，5］，a，b，c，d，u，v∈［0，5］，θ1，θ2（i）∈［0，5］。

4.1 不同算法對比

分別采用傳統(tǒng)的算法與改進的算法對發(fā)動機活塞機構(gòu)進行優(yōu)化，所求得的Pareto最優(yōu)解集，如圖4所示。兩種算法所求得的的最小值與最大值，如表1所示。四種極值情況的軌跡曲線圖，如圖5所示。分析實驗結(jié)果，可以明顯的發(fā)現(xiàn)，改進的算法Pareto最優(yōu)解的分布比傳統(tǒng)算法較為均勻且具有較快的收斂速度，即提出的改進算法提高種群的多樣性、算法的搜索能力。所改進的算法，得到的最值比傳統(tǒng)算法小，具有較好的優(yōu)化性能。分析圖5、圖6不難發(fā)現(xiàn)，改進的算法所得到的軌跡比傳統(tǒng)算法的軌跡更加接近理論軌跡。

圖4 Pareto最優(yōu)解的分布情況Fig.4 The Distribution of Pareto Optimal Solutions

圖5 傳統(tǒng)軌跡圖Fig.5 The Track Diagram of Traditional NSGAⅡ

圖6 改進軌跡圖Fig.6 The Track Diagram of Improved NSGAⅡ

表1 Pareto解集中極值比較Tab.1 The Extreme Comparison of Pareto Solutions

4.2 最優(yōu)Pareto解對比

Pareto解集中的每個解對于F1、F2都是相互沖突的，因此采用逼近理想解排序法從圖4中的Pareto前沿選出兩種算法各自的最優(yōu)解進行比較，如表2所示，兩種算法最優(yōu)解的軌跡圖，如圖7所示。

表2 Pareto解集的最優(yōu)解比較Tab.2 The Optimal Solution Comparison of Pareto Solutions

圖7 最優(yōu)解的軌跡對比圖Fig.7 The Track Contrast Diagram of Optimal Solution

具體的實施過程為：

（1）歸一化處理。將兩種算法的F1、F2對應(yīng)的值進行歸一化，即：

式中：F1j、F2j—F1、F2目標(biāo)函數(shù)得第 j個值。

（2）選出最優(yōu)解。分別計算Pareto解集中的每個解與兩個虛擬極端解的距離，距離越大代表此解越差，反之則為最優(yōu)解，具體第k個解的距離dk為：

式中：dk1dk2—與兩個極端解的距離。

對比實驗結(jié)果表明，改進的算法比傳統(tǒng)算法以及文獻[6]的跟蹤精度高，證明提出的改進算法具有較好的優(yōu)越性。

5 結(jié)論

針對汽車發(fā)動機的重要零部件-活塞機構(gòu)的運動性能進行了優(yōu)化。提出以軌跡跟蹤誤差和傳動角與直角的偏差為優(yōu)化目標(biāo)，采用改進的NSGAⅡ算法對活塞機構(gòu)進行優(yōu)化設(shè)計，結(jié)果表明所提出的改進算法可以用于活塞機構(gòu)的多目標(biāo)優(yōu)化分析，并比傳統(tǒng)的算法具有更好種群的多樣性、搜索能力、更高的精度和更好的運動性能。

［1］熊建，顧宏.一種高可靠共軌柴油發(fā)動機電控單元［J］.大連理工大學(xué)學(xué)報，2016（1）：1-8.（Xiong Jian，Gu Hong.A highly reliable ECU of common rail diesel engine［J］.Journal of Dalian University of Technonlgy，2016（1）：1-8.）

［2］胡啟國，周亨，羅天洪.大型礦車發(fā)動機橡膠懸置靜、動態(tài)剛度特性研究［J］.機械設(shè)計與制造，2015（12）：213-215+220.（Hu Qi-guo，Zhou Heng，Luo Tian-hong.Analysis of static and dynamic characteristics of rubber mounts of large dump truck［J］.Machinery Design＆ Manufacture，2015（12）：213-215+220.）

［3］劉曉明，楊曉翔，韋鐵平.發(fā)動機飛輪殼強度有限元分析［J］.機械設(shè)計與制造，2015（11）：239-242.（Liu Xiao-ming，Yang Xiao-xiang，Wei Tie-ping.Strength analysis of engine’s flywheel housing based on FEM［J］.Machinery Design ＆ Manufacture，2015（11）：239-242.）

［4］王果，衛(wèi)瑞元，胡繼雪.基于Pro/E的曲柄活塞機構(gòu)的運動仿真分析［J］.蘇州大學(xué)學(xué)報：工科版，2012（4）：66-70.（Wang Guo，Wei Rui-yuan，Hu Ji-xue.Analysis on motion simulation of the crank-piston mechanism based on Pro/E［J］.Journal of School Uninversity：Engineering Science Edition，2012（4）：66-70.）

［5］宇文志強.某新型柴油機曲軸連桿活塞機構(gòu)動力學(xué)仿真分析［D］.東北大學(xué)，2011.（Yuwen Zhi-qiang.Dynamic simulation and analysis of crankshaft system in a new diesel engine［D］.Nourtheastern University，2011.）

［6］劉小月，木合塔爾·克力木，巨剛.基于ANSYS的曲柄搖桿機構(gòu)的優(yōu)化設(shè)計［J］.新疆大學(xué)學(xué)報：自然科學(xué)版，2015（2）：248-252.（Liu Xiao-yue，Muhetaer Kelimu，Ju Gang.Optimization design of crank rocker mechanism based on ANSYS［J］.Journal of Xinjiang University：Natural Science Edition，2015（2）：248-252.）

［7］李白雅，姜柏莊，龔明.基于PSO算法優(yōu)化的機械臂軌跡規(guī)劃研究［J］.信息技術(shù)，2014（9）：20-23+32.（Li Bai-ya，Jiang Bo-zuang，Gong Ming.Trajectory planning optimization of manipulator based on the PSO algorithm［J］.Information Technology，2014（9）：20-23+32.）

［8］陳鴻海，蔣增強，左樂.近親變異NSGA-Ⅱ算法求解多目標(biāo)柔性作業(yè)車間調(diào)度問題［J］.農(nóng)業(yè)機械學(xué)報，2015（4）：344-350.（Chen Hong-hai，Jiang Zeng-qiang，Zuo Le.Multi-objective flexible jobshop scheduling problem based on NSGA-Ⅱwith Close relative variation［J］.Journal of Agricultural Machinery，2015（4）：344-350.）

［9］彭建剛，劉明周，張銘鑫.基于改進非支配排序的云模型進化多目標(biāo)柔性作業(yè)車間調(diào)度［J］.機械工程學(xué)報，2014（12）：198-205.（Peng Jian-gang，Liu Ming-zhou，Zhang Ming-xin.Cloud model evolutionary multi-objective flexible job-shop scheduling based on improved non-dominated sorting［J］.Journal of Mechnical Engineering，2014（12）：198-205.）

［10］陳可嘉，周曉敏.多目標(biāo)置換流水車間調(diào)度的改進食物鏈算法［J］.中國機械工程，2015（3）：348-353+360.（Chen Ke-jia，Zhou Xiao-min.Improved food chain algorithm for mutiobjective permutation flow shop scheduling［J］.China Mechanical Engineering，2015（3）：348-353+360.）

［11］王南，劉慶陽，周莎莎.基于Isight平臺NSGA-Ⅱ方法的3-PRS并聯(lián)機構(gòu)多目標(biāo)優(yōu)化［J］.機械設(shè)計與制造，2015（12）：198-201.（Wang Nan，Liu Qing-yang，Zhou Sha-sha.Multi-objective optimization of 3-PRS parallel mechanism based on NSGA-Ⅱmethod of isight platform［J］.Machinery Design＆Manufacture，2015（12）：198-201.）

［12］周紅妮，馮櫻，胡群.多目標(biāo)遺傳算法NSGA-Ⅱ在某雙前橋轉(zhuǎn)向機構(gòu)優(yōu)化設(shè)計中的應(yīng)用［J］.機械設(shè)計與制造，2015（11）：140-143.（Zhou Hong-ni，Peng Yin，Hu Qun.Application of multi-objective genetic algorithm NSGA-II in optimal design on a dual-front-axle steering mechanism［J］.Machinery Design＆Manufacture，2015（11）：140-143.）

［13］K.J.Waldron，G.L.Kinzel，Kinematics，Dynamics，and Design of Machinery［M］.2nd edition John Wiley&Sons Inc，2004.

［14］DEB K，PARTAP A，AGARWAL S.A fast and elitist multi-objective genetic algorithm：NSGA-Ⅱ［J］.IEEE Transactionson Evolutionary Computation，2002，6（22）：182-197.