3. 参数化建模基础与协同优化框架
NVH性能与轻量化在车身结构上往往是一对相互制约的目标：增加板厚、加强筋或材料刚度可以改善振动噪声表现，但会直接抬高整备质量；减薄或替换轻质材料能降重，却可能让某些模态频率下移、动刚度不足，从而恶化车内噪声与方向盘、座椅的振动水平。参数化优化要解决的，正是把这种"此消彼长"的关系放到一个可计算、可迭代的框架里，让设计变量、NVH响应和质量响应在同一模型上同步变化、同步提取，最终由优化算法在约束下寻找折中解。本节围绕参数化几何与有限元建模流程、设计变量定义、NVH与质量响应同步提取、多目标协同优化框架搭建四个环节展开。
参数化几何与有限元建模流程
参数化建模的核心思想是：几何不是一次性画死的，而是由一组可调参数驱动。以白车身前地板总成或前纵梁为例，常见的驱动参数包括板厚 t、加强筋高度 h、筋间距 s、翻边宽度 b、材料牌号与屈服强度等。在CAD侧，这些参数通过尺寸约束、表达式或骨架模型关联到几何特征；在CAE侧，则通过几何接口或网格映射把参数传递到有限元模型。
实际流程通常分四步。第一步，建立参数化几何模板：把关键截面、加强筋位置、搭接翻边做成受控特征，避免自由曲面随意变动导致网格失败。第二步，抽取中面并划分壳单元：车身薄板件多用壳单元，单元尺寸建议在5～10 mm之间，过渡区与圆角处适当加密，保证模态与刚度计算稳定。第三步，建立连接与边界：焊点用CWELD或ACM单元模拟，粘接用实体单元或等效弹簧，约束按整车工况或自由模态工况设定。第四步，把几何参数与网格、材料、属性绑定，形成"改参数—自动重划网格—自动更新属性"的闭环。若网格随参数变化频繁失败，可改用网格变形（morphing）方式，让节点位置随参数平滑移动，而不重新划分拓扑。
设计变量定义
设计变量不是越多越好。变量过多会显著增加采样与寻优成本，且容易引入弱相关甚至冗余变量。定义时应遵循三条原则：一是可制造，变量取值范围必须落在工艺可实现区间内，例如板厚通常取0.6～2.0 mm，且按0.05 mm或0.1 mm离散；二是可测量，变量应能对应到图纸或工艺卡上的实际尺寸；三是敏感，优先选择对目标响应影响大的参数。
以某前地板为例，可定义如下设计变量：
| 变量 | 含义 | 下限 | 上限 | 离散步长 |
|---|---|---|---|---|
| x1 | 前地板板厚 | 0.7 mm | 1.4 mm | 0.05 mm |
| x2 | 纵梁加强筋高度 | 4 mm | 12 mm | 1 mm |
| x3 | 横梁板厚 | 0.8 mm | 1.6 mm | 0.05 mm |
| x4 | 加强筋间距 | 60 mm | 120 mm | 10 mm |
连续变量（如板厚）可用实数编码，离散变量（如筋数量、材料牌号）用整数编码。若采用代理模型优化，还需给出变量的采样范围与分布假设，通常默认均匀分布。
NVH响应与质量响应的同步提取
协同优化的关键，是让NVH响应与质量响应来自同一次求解或同一套模型，避免"各算各的"造成数据错位。质量响应相对简单：在有限元模型中统计各部件质量并求和，得到总质量 m；若考虑非结构质量（如内饰、座椅），可按区域附加集中质量。NVH响应则需根据目标选取：
- 模态频率：提取前若干阶整车或白车身模态，关注一阶扭转、一阶弯曲频率是否落在目标区间；
- 动刚度：在悬置安装点、方向盘接附点施加单位力，读取原点加速度导纳，换算为动刚度；
- 声压级：在驾驶员右耳位置布置场点，做频响分析，读取200～500 Hz范围内的声压级峰值；
- 传递函数：计算接附点到车内场点的振动传递率，判断路径贡献。
同步提取的实现方式有两种。一是"一次求解、多响应输出"：在求解器输入文件中同时定义模态、频响、质量输出请求，一次提交即可得到全部响应。二是"参数—响应映射表"：每改变一组设计变量，自动提交一次计算，把变量值与各响应值写入同一张表。后者更适合与优化算法耦合。无论哪种方式，都要保证变量、响应、约束三者的命名与单位统一，例如频率用Hz、质量用kg、动刚度用N/mm，避免后续代理模型训练时量纲混乱。
多目标协同优化框架搭建
框架搭建要回答四个问题：优化什么、约束什么、怎么算、何时停。
目标函数。轻量化目标为最小化总质量 m；NVH目标通常为最大化一阶扭转频率 f1、最大化接附点动刚度 Kd、最小化场点声压级峰值 SPL。多目标之间量纲不同，需归一化处理，例如把质量、频率、声压级分别除以各自的基准值，再按权重或Pareto前沿方式处理。
约束条件。常见约束包括：一阶扭转频率不低于目标值（如≥38 Hz）、动刚度不低于目标值（如≥8000 N/mm）、板厚落在工艺区间、质量不高于上限。约束既可以是硬约束，也可以转化为惩罚项加入目标函数。
求解策略。当单次有限元计算耗时较长时，直接调用有限元做优化不现实，通常先构建代理模型（响应面、Kriging、径向基神经网络），用拉丁超立方或最优拉丁超立方采样，在代理模型上做多目标遗传算法（NSGA-II）寻优，得到Pareto前沿后，再挑选若干代表解回代有限元验证。若模型规模较小，也可用梯度类算法直接寻优。
收敛与停止。停止条件可设为：Pareto前沿在连续若干代内不再改善、设计变量变化量小于阈值、或达到最大迭代次数。收敛后应检查最优解是否满足全部约束，并做一次独立工况复核。
需要强调的是，参数化建模与协同优化不是一次性的"跑一遍"，而是随着车型开发阶段不断细化的过程。概念设计阶段变量可以粗、代理模型可以简；详细设计阶段则应引入更真实的连接、材料与工况，并逐步收紧约束。只有把几何、有限元、响应提取和优化算法串成一条自动化的数据链，NVH与轻量化的协同才真正具备工程可执行性。