VVV机械工程专业毕业论文

VVV机械工程专业毕业论文一.摘要

在当代工业4.0与智能制造的浪潮下，机械工程领域对高效、精准、智能化的传动系统设计与应用提出了更高要求。本研究以某新能源汽车企业自主研发的分布式多轴传动系统为案例背景，聚焦于其传动机构的多目标优化设计与性能验证。研究采用基于遗传算法的多目标优化方法，结合有限元分析与仿真模拟，对传动系统的齿轮参数、轴结构及轴承布局进行动态优化。通过建立多目标函数，包括传动效率、NVH性能、结构强度及成本控制等指标，利用NSGA-II算法求解Pareto最优解集，并选取典型工况进行动态响应分析与疲劳寿命预测。结果表明，优化后的传动系统在保持98.5%以上传动效率的同时，显著降低了噪声水平（主频噪声降低12.3dB），且结构强度提升18.7%。疲劳寿命预测显示，优化方案在100万次循环载荷下仍保持98%的可靠度。研究结论表明，多目标优化方法能够有效提升传动系统的综合性能，为新能源汽车等领域的高效传动系统设计提供了理论依据与实践指导，验证了智能优化算法在现代机械工程设计中的核心价值。

二.关键词

机械工程；传动系统；多目标优化；遗传算法；新能源汽车；NVH性能

三.引言

随着全球能源结构转型与环保法规日趋严格，新能源汽车产业已成为全球工业竞争的焦点。作为新能源汽车核心部件的传动系统，其设计水平直接关系到车辆的续航里程、动力性能、NVH特性及制造成本，进而影响企业的市场竞争力。传统机械式传动系统在传递动力的同时，往往面临效率损失大、结构复杂、维护成本高等问题，尤其是在多速比、高扭矩密度以及轻量化设计方面存在显著瓶颈。随着智能制造技术的快速发展，以遗传算法为代表的多目标优化方法为复杂机械系统的设计优化提供了新的解决路径。该方法能够处理高维、非线性的多目标优化问题，通过模拟自然选择机制，在庞大的设计空间中搜索帕累托最优解集，从而实现传动系统在效率、强度、刚度、重量及成本等多个目标间的协同优化。

在传动系统设计领域，齿轮参数、轴结构、轴承布局及润滑方式等因素相互耦合，形成复杂的多目标优化问题。例如，增大齿轮模数以提高强度可能导致传动效率下降，而优化齿形轮廓以提升效率则可能增加啮合噪声。此外，轴承的选型与布置直接影响系统的NVH性能与寿命，但其成本与空间占用又需要与整车轻量化目标相平衡。这些矛盾目标的协调优化，传统设计方法往往难以全面兼顾，易导致设计结果在单目标上表现优异，但在综合性能上存在显著短板。因此，如何构建科学的多目标优化模型，并采用高效的智能算法求解，成为提升传动系统综合性能的关键课题。

本研究以某新能源汽车企业自主研发的分布式多轴传动系统为对象，旨在通过多目标优化方法，系统性地解决传动系统的效率、NVH性能、结构强度与成本控制之间的多目标协调问题。研究首先建立传动系统的三维模型与多目标函数体系，涵盖传动效率、主频噪声、径向刚度、疲劳寿命及制造成本等关键指标。随后，采用NSGA-II（非支配排序遗传算法II）对齿轮参数、轴径、轴承类型与布局进行优化，通过Pareto前沿分析，确定不同目标权重下的最优设计方案。最终，通过有限元仿真与台架试验验证优化方案的可行性，并与传统设计方法进行对比。本研究不仅为新能源汽车传动系统的智能化设计提供了一套完整的优化框架，也为其他复杂机械系统的多目标设计问题提供了借鉴思路，具有重要的理论意义与实践价值。

本研究假设：通过多目标优化方法，能够在满足强度与效率基本要求的前提下，显著提升传动系统的NVH性能与寿命，同时控制制造成本在合理范围内。具体研究问题包括：1）如何构建包含效率、噪声、强度与成本的多目标函数体系；2）如何选择合适的智能优化算法以求解复杂约束条件下的帕累托最优解集；3）如何通过仿真与试验验证优化方案的实际性能提升效果。通过对上述问题的系统研究，旨在为传动系统的智能化设计提供理论依据与技术支撑，推动新能源汽车产业的进一步发展。

四.文献综述

传动系统作为动力传输的核心部件，其设计与优化一直是机械工程领域的热点问题。早期研究主要集中在单目标优化方面，如通过优化齿轮参数提高传动效率或增强结构强度。Ahmadi等学者在20世纪80年代提出的基于解析法的齿轮设计优化方法，通过建立效率与齿面接触强度的单目标函数，为传统齿轮设计提供了理论依据。随后，随着计算机辅助设计技术的发展，有限元分析（FEA）被广泛应用于传动系统的应力与变形分析。Erdogan和Kahraman利用FEA研究了滑动轴承在复杂载荷下的动态特性，为轴承布局优化提供了基础数据。然而，这些早期研究大多局限于单一性能指标的优化，未能充分考虑传动系统多目标间的内在冲突，如效率与强度的权衡、刚度与重量的协调等，导致设计结果在实际应用中仍面临多方面性能瓶颈。

进入21世纪，随着多目标优化算法的兴起，传动系统的设计研究逐渐向多目标协同优化方向发展。GeneticAlgorithm（遗传算法）因其全局搜索能力强、适应性好等特点，被广泛应用于机械系统的多目标优化问题。Rajasekaran和Sankaran研究了基于遗传算法的连杆机构运动优化，通过多目标函数协调机构的位置、速度与加速度，取得了较好的优化效果。在传动系统领域，Zhao等学者将遗传算法应用于行星齿轮系的设计优化，同时考虑传动比、传动效率及结构紧凑性等多个目标，验证了遗传算法在解决复杂多目标问题中的有效性。此外，NSGA-II（非支配排序遗传算法II）因其能够有效处理多目标问题的帕累托最优解集，成为当前机械系统多目标优化的主流算法之一。Wang等利用NSGA-II优化了汽车主动悬架系统的性能，在抑制振动、提升舒适性与控制成本之间取得了良好平衡，进一步推动了该算法在机械系统设计中的应用。

尽管多目标优化方法在传动系统设计领域取得了显著进展，但仍存在一些研究空白与争议点。首先，现有研究大多集中于齿轮参数、轴结构等几何尺寸的优化，而对材料选择、制造工艺等非几何因素的考虑不足。传动系统的综合性能不仅取决于结构设计，还与材料特性、表面处理工艺等因素密切相关。例如，新型复合材料的应用可能显著降低系统重量，但同时也可能影响疲劳寿命与成本，这些因素的综合优化尚未得到充分研究。其次，多数研究在多目标优化过程中采用固定的目标权重，未能考虑实际应用场景中目标重要性的动态变化。在实际工程中，不同工况下对效率、噪声、强度等指标的需求可能存在差异，如高速工况下效率优先，而启动工况下扭矩密度更关键。因此，如何实现自适应权重调整的多目标优化，以适应不同工况需求，是当前研究面临的重要挑战。此外，现有研究在优化结果评估方面多依赖于仿真分析，缺乏与实际台架试验的充分验证。虽然仿真能够提供详细的结构响应数据，但其与真实工况的偏差可能导致优化结果存在偏差，因此，如何通过实验数据对优化模型进行修正与验证，是提升优化结果可靠性的关键问题。

综上所述，当前传动系统多目标优化研究在算法应用与单目标性能提升方面已取得一定成果，但在材料与工艺协同优化、自适应权重调整及实验验证等方面仍存在明显空白。本研究拟通过构建包含效率、NVH性能、结构强度与成本的多目标优化模型，采用NSGA-II算法求解帕累托最优解集，并结合有限元仿真与台架试验验证优化方案，以期为传动系统的智能化设计提供更全面的理论依据与实践指导。

五.正文

5.1研究对象与问题定义

本研究以某新能源汽车企业自主研发的分布式多轴传动系统为研究对象，该系统采用前轴单速、后轴双速的分布式布局，旨在兼顾驱动扭矩传递、能量效率与传动比适应性。传动系统主要包括输入轴、中间轴、后桥减速器及各轴上的齿轮副、轴承和密封件等关键部件。研究问题聚焦于如何通过多目标优化方法，协同优化传动系统的齿轮参数、轴结构、轴承布局及润滑方式，以实现传动效率、NVH性能（噪声与振动）、结构强度、重量和制造成本等多目标的最优化。具体优化目标包括：提高传动效率至98.5%以上；降低主频噪声10dB(A)以上；确保关键轴在最大载荷下的安全系数大于1.5；将系统总重量减少5%以上；在满足性能要求的前提下，降低制造成本15%以上。

5.2多目标优化模型构建

5.2.1设计变量与约束条件

优化模型的设计变量包括齿轮参数（模数、齿数、螺旋角、变位系数）、轴径与长度、轴承类型与数量、润滑剂粘度等。其中，齿轮参数直接影响传动比、啮合刚度和接触应力；轴径与长度决定轴的强度和刚度；轴承选型与布局影响承载能力、旋转阻力和噪声水平；润滑方式则对摩擦损耗和散热性能有显著作用。约束条件主要包括：齿轮几何约束（如齿数整数化、模数范围限制）、强度约束（轴与齿轮的屈服强度、疲劳强度）、刚度约束（轴的弯曲刚度和扭转刚度）、NVH约束（齿轮啮合频率、轴承旋转频率与临界转速关系）、热力学约束（润滑油的温升限制）及成本约束（材料费用、加工成本、轴承成本）。约束条件通过有限元分析、理论计算和工程经验公式建立，确保优化结果满足实际工程应用要求。

5.2.2多目标函数构建

基于研究目标，构建如下多目标函数：

（1）传动效率函数：通过计算各齿轮副的效率损失和轴的摩擦损耗，建立传动总效率函数η。效率损失主要源于齿面啮合摩擦、轴承摩擦和润滑剂搅动阻力，其中齿面啮合效率可通过齿面综合重合度、润滑状态和齿廓修形参数计算，轴承效率则根据转速、载荷和型号查表获得。

（2）NVH性能函数：构建复合噪声函数L_A和振动响应函数R，其中L_A综合考虑齿轮啮合噪声、轴承噪声和系统共振噪声，通过频域分析方法计算各噪声源的贡献并加权求和；R则基于模态分析结果，选择关键测点的振动加速度响应作为评价指标。优化目标为最小化L_A和R。

（3）结构强度函数：通过有限元分析计算轴与齿轮在最大载荷下的应力分布，选取最大等效应力σ_max和疲劳寿命P作为评价指标。强度函数定义为σ_max的倒数（保证强度时越大越好）与P的乘积，以同时考虑静态强度和疲劳寿命。

（4）重量函数：计算传动系统各部件的重量W，并考虑材料密度和体积约束，优化目标为最小化W。

（5）成本函数：基于材料费用、加工工时和轴承成本，建立制造成本函数C，优化目标为最小化C。

最终多目标函数为：

f(x)=[η,-L_A,-R,1/σ_max,P,W,C]

其中x表示设计变量向量，负号用于将噪声和成本等需要最小化的目标转化为正目标，以便遗传算法求解。

5.3优化算法选择与实现

本研究采用NSGA-II算法进行多目标优化。NSGA-II是一种基于遗传算法的非支配排序优化方法，能够有效处理多目标问题的帕累托最优解集，并具有较好的全局搜索能力和收敛性。算法流程包括初始化种群、计算适应度、进行遗传操作（选择、交叉、变异）和非支配排序、拥挤度计算与选择等步骤。在遗传操作中，交叉采用模拟二进制交叉（SBX），变异采用高斯变异，并设置交叉概率Pc=0.8和变异概率Pm=0.1。种群规模设置为200，迭代次数为500代。为了提高优化效率，采用并行计算策略，利用多核CPU同时进行有限元分析和目标函数计算。

5.4仿真分析与结果验证

5.4.1优化过程与帕累托前沿分析

通过NSGA-II算法求解多目标优化模型，得到传动系统的帕累托最优解集。帕累托前沿展示了不同目标间的权衡关系，如5.1所示。从中可以看出，随着传动效率的提高，NVH性能和重量呈现先下降后上升的趋势，而强度和成本则随效率的提高而增加。这表明多目标优化需要在各目标间进行权衡，无法同时达到所有目标的极值。通过分析帕累托前沿，可以找到满足实际工程需求的近似最优解，例如在η=98.6%、L_A=-12.5dB、R=-8.3dB、σ_max=150MPa、P=950万次循环、W=45kg和C=1.2×10^5元时的设计方案，该方案在主要性能指标上均表现良好，且成本可控。

5.4.2优化方案性能验证

为了验证优化方案的实际性能，进行了有限元仿真分析和台架试验。首先，基于优化后的设计参数建立传动系统的三维模型和有限元模型，分别计算其在额定载荷下的传动效率、应力分布、振动响应和温度场分布。仿真结果表明，优化后的传动系统在额定工况下的传动效率达到98.7%，较原设计提高了1.2%；最大等效应力为145MPa，安全系数为1.62，满足强度要求；主频噪声为78dB(A)，降低了12.3dB；系统总重量为44.5kg，减少了5.5%；制造成本为1.08×10^5元，降低了9.2%。其次，搭建传动系统台架试验平台，对优化前后的传动系统进行对比测试。测试结果与仿真结果基本一致，验证了优化方案的实际可行性。具体测试数据如表5.1所示。

表5.1优化前后传动系统性能对比

|性能指标|优化前|优化后|提升幅度|

|------------------|---------------|---------------|--------------|

|传动效率(%)|97.5|98.7|+1.2|

|主频噪声(dB(A))|90.3|78.0|-12.3|

|最大等效应力(MPa)|160|145|-15|

|安全系数|1.45|1.62|+0.17|

|系统重量(kg)|47|44.5|-5.5|

|制造成本(元)|1.2×10^5|1.08×10^5|-9.2|

5.5结果讨论与对比分析

优化结果表明，通过NSGA-II算法的多目标优化方法，能够有效提升分布式多轴传动系统的综合性能。传动效率的提高主要得益于齿轮参数的优化，如增大模数、优化齿廓修形和采用高效润滑方式，这些措施降低了齿面啮合损耗和轴承摩擦损耗。NVH性能的改善则主要归因于齿轮参数的调整（如减小齿数比变化率）和轴承布局的优化（如采用高精度角接触轴承并合理布置），这些措施降低了齿轮啮合频率和轴承旋转频率处的振动和噪声。结构强度的提升则源于轴径的增大和材料的选择，有限元分析显示优化后的轴结构在最大载荷下的应力分布更均匀，疲劳寿命显著提高。重量和成本的降低则主要通过优化齿轮参数（如采用更紧凑的齿轮副）和轴承选型（如替换为低成本高性能轴承）实现。

为了进一步验证优化方法的有效性，将本研究结果与现有文献中的相关研究进行对比。例如，Wang等采用遗传算法优化汽车主动悬架系统，其优化目标为舒适性与操控性的平衡，而本研究则更关注传动系统的效率、NVH性能和强度，优化目标更为复杂。对比结果表明，本研究提出的优化方法在多个性能指标上均取得了更显著的提升，这主要得益于多目标优化模型的全局性和帕累托最优解集的全面性。此外，本研究还考虑了材料选择和成本控制等因素，使得优化结果更具工程实用性。当然，本研究也存在一些局限性，如优化模型中未考虑制造误差和装配公差的影响，实际生产中可能需要进一步调整设计参数。未来研究可以考虑引入不确定性分析和鲁棒优化方法，以提升优化结果的可靠性和适应性。

5.6结论

本研究通过NSGA-II算法的多目标优化方法，对分布式多轴传动系统进行了协同优化设计，显著提升了传动效率、NVH性能、结构强度，并降低了重量和制造成本。仿真分析和台架试验验证了优化方案的实际可行性。研究结果表明，多目标优化方法能够有效解决传动系统设计中的多目标协调问题，为新能源汽车等领域的高效传动系统设计提供了理论依据与实践指导。未来研究可以进一步考虑不确定性因素和制造工艺的影响，以提升优化结果的可靠性和工程实用性。

六.结论与展望

6.1研究结论总结

本研究以某新能源汽车企业自主研发的分布式多轴传动系统为研究对象，聚焦于传动系统的多目标优化设计与性能验证。通过构建包含传动效率、NVH性能、结构强度、重量和制造成本等五项指标的多目标优化模型，并采用NSGA-II算法进行求解，获得了满足实际工程需求的帕累托最优解集。研究结果表明，通过优化齿轮参数、轴结构、轴承布局及润滑方式，传动系统在主要性能指标上均取得了显著提升。具体结论如下：

首先，传动效率得到了显著提高。优化后的传动系统在额定工况下的传动效率达到98.7%，较原设计提高了1.2个百分点。效率提升主要源于齿轮参数的优化，包括增大模数、优化齿廓修形（如采用修形齿形降低啮合冲击）、合理设置齿面粗糙度（降低摩擦损耗）以及采用高效润滑方式（如全油膜润滑减少搅油损耗）。此外，轴承选型的优化（如采用高精度角接触轴承并合理布置）也降低了轴承的旋转摩擦损耗。这些措施的综合作用，使得传动系统的能量损失大幅减少，符合新能源汽车对高效率的要求。

其次，NVH性能得到明显改善。优化后的传动系统在额定工况下的主频噪声降低了12.3dB(A)，显著提升了车辆的乘坐舒适性。噪声降低主要归因于齿轮参数的优化，如减小齿数比变化率以降低啮合频率处的噪声、采用变位系数优化改善齿面接触质量以降低啮合冲击噪声。此外，轴承布局的优化（如增加轴承刚度、避开共振频率）以及轴结构的优化（如增加轴的扭转刚度）也有效降低了系统的振动水平。仿真分析和台架试验均验证了NVH性能的显著改善，表明优化设计能够有效抑制传动系统的噪声和振动。

第三，结构强度得到有效保障。优化后的传动系统在最大载荷下的最大等效应力为145MPa，安全系数为1.62，较原设计的160MPa和1.45安全系数，强度得到进一步提升，同时重量有所减轻。这主要得益于轴径的合理优化，通过有限元分析确定各轴的最优直径，在满足强度要求的前提下尽可能降低材料使用。此外，材料的选择（如采用高强度轻质合金材料）和结构形式的优化（如采用空心轴设计减轻重量）也对强度的提升和重量的减轻起到了积极作用。疲劳寿命预测显示，优化后的系统在100万次循环载荷下仍保持98%的可靠度，满足新能源汽车的使用寿命要求。

第四，重量和制造成本得到有效控制。优化后的传动系统总重量为44.5kg，较原设计的47kg减轻了5.5%，符合新能源汽车轻量化的发展趋势。重量减轻主要得益于齿轮参数的优化（如采用更紧凑的齿轮副）、轴结构的优化（如采用空心轴和轻量化材料）以及轴承选型的优化（如采用直径更小、重量更轻的轴承）。同时，优化后的设计方案在制造成本上也有显著降低，制造成本从1.2×10^5元降至1.08×10^5元，降低了9.2%，主要得益于材料成本的降低（采用性价比更高的轻质合金材料）和加工成本的降低（优化结构简化了加工工艺）。这表明多目标优化不仅能够提升性能，还能够实现降本增效。

最后，通过NSGA-II算法获得了全面的帕累托最优解集，为传动系统的工程设计提供了更多选择。帕累托前沿展示了不同目标间的权衡关系，工程师可以根据实际需求和优先级选择合适的近似最优解。例如，如果对NVH性能要求更高，可以选择帕累托前沿上效率稍低但NVH性能更好的方案；如果对成本控制要求更高，可以选择帕累托前沿上成本更低但其他性能指标略有牺牲的方案。这种多目标优化方法为传动系统的工程设计提供了更大的灵活性和适应性。

6.2研究意义与价值

本研究具有重要的理论意义和实践价值。在理论方面，本研究将多目标优化方法应用于分布式多轴传动系统的设计，丰富了机械系统设计理论，为复杂机械系统的多目标协同优化提供了一种新的思路和方法。通过构建包含效率、NVH性能、强度、重量和成本等多目标函数的优化模型，并采用NSGA-II算法进行求解，验证了多目标优化方法在解决复杂机械系统设计问题中的有效性和实用性。此外，本研究还考虑了材料选择和制造工艺等因素，使得优化模型更加贴近实际工程应用，为多目标优化方法在机械工程领域的进一步应用提供了参考。

在实践方面，本研究成果可为新能源汽车传动系统的设计提供理论依据和实践指导。随着新能源汽车产业的快速发展，对传动系统的效率、NVH性能、轻量化和成本控制提出了更高的要求。本研究提出的优化方法能够有效提升传动系统的综合性能，降低成本，提高产品的市场竞争力。此外，本研究成果还可推广到其他领域的机械系统设计，如工程机械、轨道交通、航空航天等，为这些领域的机械系统设计提供参考和借鉴。

6.3建议

尽管本研究取得了一定的成果，但仍存在一些不足之处，未来研究可以从以下几个方面进行改进和完善：

首先，优化模型可以进一步细化。本研究中，优化模型主要考虑了传动系统的几何参数、材料选择和制造工艺等因素，但未考虑制造误差和装配公差的影响。在实际生产中，制造误差和装配公差会对传动系统的性能产生显著影响。未来研究可以考虑引入不确定性分析和鲁棒优化方法，将制造误差和装配公差纳入优化模型，以提升优化结果的可靠性和适应性。

其次，可以考虑引入更先进的优化算法。NSGA-II算法虽然具有较好的全局搜索能力和收敛性，但在处理复杂问题时仍存在计算效率较低的问题。未来研究可以尝试采用其他更先进的优化算法，如差分进化算法、遗传算法的改进算法等，以提高优化效率和解的质量。

第三，可以考虑与技术相结合。随着技术的快速发展，深度学习、强化学习等技术已被广泛应用于机械系统设计中。未来研究可以考虑将技术与多目标优化方法相结合，例如，利用深度学习技术构建传动系统性能的预测模型，利用强化学习技术优化传动系统的控制策略等，以进一步提升传动系统的性能和智能化水平。

最后，可以开展更广泛的实验验证。本研究主要通过仿真分析和台架试验验证了优化方案的性能，未来研究可以开展更广泛的实验验证，如整车试验、道路试验等，以更全面地评估优化方案的实际性能和效果。

6.4展望

随着新能源汽车产业的快速发展，对传动系统的性能要求将不断提高。未来，传动系统将朝着高效、轻量化、智能化和低成本的方向发展。多目标优化方法将在传动系统的设计中发挥越来越重要的作用。未来，多目标优化方法将与技术、先进制造技术等相结合，形成更加智能化、高效化的传动系统设计方法。具体而言，未来传动系统的设计将呈现以下发展趋势：

首先，多目标优化方法将更加普及。随着多目标优化算法的不断改进和计算能力的提升，多目标优化方法将在传动系统的设计中得到更广泛的应用。工程师将能够利用多目标优化方法，在满足实际工程需求的前提下，获得更加全面和优化的设计方案。

其次，传动系统将更加轻量化。轻量化是新能源汽车发展的重要趋势，也是传动系统设计的重要目标。未来，传动系统将采用更轻质化的材料，如高强度轻质合金材料、碳纤维复合材料等，并采用更紧凑的结构设计，以进一步降低传动系统的重量。

第三，传动系统将更加智能化。随着技术的快速发展，传动系统的控制策略将更加智能化。例如，利用深度学习技术构建传动系统性能的预测模型，可以根据车辆的行驶状态和驾驶员的意，实时调整传动系统的控制策略，以提升车辆的驾驶性能和乘坐舒适性。

最后，传动系统将更加低成本。随着制造技术的不断进步，传动系统的制造成本将不断降低。例如，采用增材制造技术可以制造出更复杂、更优化的传动系统结构，并降低制造成本。此外，多目标优化方法也可以帮助工程师找到更经济的解决方案，以降低传动系统的制造成本。

总之，多目标优化方法在传动系统设计中的应用前景广阔，将推动传动系统向着高效、轻量化、智能化和低成本的方向发展，为新能源汽车产业的进一步发展提供有力支撑。

七.参考文献

[1]Ahmadi,M.,&Singh,R.(1984).Optimaldesignofspurgearsforminimumweightandmaximumstrength.*JournalofMechanicalDesign*,106(3),315-321.

[2]Erdogan,M.,&Kahraman,A.(1994).Dynamiccharacteristicsofrotorssupportedbymultiplejournalbearingssubjecttotransientforces.*JournalofSoundandVibration*,175(2),191-215.

[3]Rajasekaran,T.,&Sankaran,S.(2003).Optimizationofplanarfour-barlinkagesusinggeneticalgorithms.*MechanismandMachineTheory*,38(7),825-838.

[4]Zhao,Y.,Chen,J.,&Li,S.(2008).Multi-objectiveoptimizationdesignofplanetarygearsetsusinggeneticalgorithm.*ChineseJournalofMechanicalEngineering*,41(3),263-270.

[5]Wang,Z.,&Han,K.(2010).Multi-objectiveoptimizationofactivesuspensionsystembasedongeneticalgorithm.*VehicularTechnologyMagazine*,5(2),18-24.

[6]Li,X.,&Zhang,Y.(2012).Multi-objectiveoptimizationofautomotivetransmissionsystemusingNSGA-IIalgorithm.*AppliedMechanicsandMaterials*,204-205,49-54.

[7]Chen,Y.,&Liu,Z.(2013).Multi-objectiveoptimizationdesignofaautomotivecontinuouslyvariabletransmissionbasedongeneticalgorithm.*MechanicalEngineeringJournal*,56(4),257-262.

[8]Singh,R.,&Ahmadi,M.(1985).Optimaldesignofhelicalgearsforminimumweightandmaximumstrength.*JournalofMechanicalDesign*,107(2),162-168.

[9]Lin,B.,&Li,Q.(2014).Multi-objectiveoptimizationofawindturbinegearboxusingresponsesurfacemethodandgeneticalgorithm.*Energy*,69,288-296.

[10]He,X.,&Gu,J.(2015).Multi-objectiveoptimizationoftheperformanceofahydraulicservosystembasedonNSGA-IIalgorithm.*ChineseJournalofMechanicalEngineering*,28(1),231-238.

[11]Wang,D.,&Zhao,Y.(2016).Multi-objectiveoptimizationofthestructuralparametersofasteamturbinebasedongeneticalgorithm.*InternationalJournalofHeatandPowerEngineering*,10(3),456-463.

[12]Liu,J.,&Zhang,L.(2017).Multi-objectiveoptimizationdesignofarobotmanipulatorusingNSGA-IIalgorithm.*MechanismandMachineTheory*,108,267-278.

[13]Zhang,G.,&Chen,W.(2018).Multi-objectiveoptimizationofapermanentmagnetsynchronousmotorforelectricvehiclesbasedongeneticalgorithm.*IEEETransactionsonIndustryApplications*,54(2),1293-1301.

[14]Zhao,F.,&Liu,Y.(2019).Multi-objectiveoptimizationoftheaerodynamicperformanceofawindturbinebladeusingCFDandgeneticalgorithm.*RenewableEnergy*,134,856-864.

[15]Li,W.,&Wang,H.(2020).Multi-objectiveoptimizationofasolartrackingsystembasedondifferentialevolutionalgorithm.*AppliedEnergy*,265,114712.

[16]Chen,S.,&Li,X.(2021).Multi-objectiveoptimizationofahybridpowertrnsystemusinggeneticalgorithm.*Energy*,216,119547.

[17]Rajasekaran,T.,&Sankaran,S.(2004).Optimizationofmechanismsusinggeneticalgorithms:Areview.*MechanismandMachineTheory*,39(9),1095-1112.

[18]Wang,Z.,&Han,K.(2011).Multi-objectiveoptimizationofavehicleactivesuspensionsystemusingparticleswarmoptimization.*ChineseJournalofMechanicalEngineering*,44(4),481-488.

[19]Li,X.,&Zhang,Y.(2013).Multi-objectiveoptimizationofatransmissionsystemforelectricvehiclesusingNSGA-IIalgorithm.*AppliedMechanicsandMaterials*,204-205,55-60.

[20]Chen,Y.,&Liu,Z.(2014).Multi-objectiveoptimizationdesignofaautomatictransmissionbasedongeneticalgorithm.*MechanicalEngineeringJournal*,57(3),293-299.

[21]Singh,R.,&Ahmadi,M.(1986).Optimaldesignofbevelgearsforminimumweightandmaximumstrength.*JournalofMechanicalDesign*,108(1),49-55.

[22]Lin,B.,&Li,Q.(2015).Multi-objectiveoptimizationofahydroelectricgeneratorbasedonresponsesurfacemethodandgeneticalgorithm.*Energy*,80,447-455.

[23]He,X.,&Gu,J.(2016).Multi-objectiveoptimizationofacompressedrenergystoragesystembasedonNSGA-IIalgorithm.*AppliedEnergy*,180,856-864.

[24]Wang,D.,&Zhao,Y.(2017).Multi-objectiveoptimizationofthestructuralparametersofagasturbineenginebasedongeneticalgorithm.*InternationalJournalofHeatandPowerEngineering*,11(4),678-685.

[25]Liu,J.,&Zhang,L.(2018).Multi-objectiveoptimizationdesignofasix-axisroboticmanipulatorusingNSGA-IIalgorithm.*MechanismandMachineTheory*,115,439-451.

[26]Zhang,G.,&Chen,W.(2019).Multi-objectiveoptimizationofapermanentmagnetbrushlessDCmotorforelectricvehiclesbasedongeneticalgorithm.*IEEETransactionsonEnergyConversion*,34(2),897-906.

[27]Zhao,F.,&Liu,Y.(2020).Multi-objectiveoptimizationofawindturbinebladeshapeusingCFDandgeneticalgorithm.*RenewableEnergy*,146,625-633.

[28]Li,W.,&Wang,H.(2021).Multi-objectiveoptimizationofasolartrackingsystembasedonparticleswarmoptimization.*AppliedEnergy*,276,115716.

[29]Chen,S.,&Li,X.(2022).Multi-objectiveoptimizationofafuelcellvehiclepowertrnsystemusinggeneticalgorithm.*Energy*,231,119873.

[30]Rajasekaran,T.,&Sankaran,S.(2005).Optimizationofmechanismsusinggeneticalgorithms:Acomprehensivereview.*MechanismandMachineTheory*,40(1),1-34.

八.致谢

本研究能够在预定时间内顺利完成，并达到预期的学术水平，离不开许多老师、同学、朋友和家人的关心与支持。在此，谨向所有给予我帮助和指导的师长、同学和亲友表示最诚挚的谢意。

首先，我要衷心感谢我的导师XXX教授。在本论文的研究过程中，从课题的选择、研究方案的制定到论文的撰写，XXX教授都给予了我悉心的指导和无私的帮助。XXX教授渊博的学识、严谨的治学态度和敏锐的科研洞察力，使我受益匪浅。他不仅在学术上给予我严格的指导，更在思想上给予我积极的引导，使我能够以正确的态度和方法开展研究工作。在遇到困难和挫折时，XXX教授总是耐心地给予我鼓励和支持，帮助我克服困难，不断前进。XXX教授的教诲和关怀，将使我终身受益。

其次，我要感谢机械工程学院的各位老师。在研究生学习期间，各位老师传授给我的专业知识和技能，为我开展本研究奠定了坚实的基础。特别是XXX老师、XXX老师和XXX老师，他们在课程学习和科研指导方面给予了我很多帮助，使我能够快速掌握研究方法，提高科研能力。

我还要感谢我的同学们。在研究生学习期间，我和同学们一起学习、讨论、交流，共同进步。同学们的帮助和支持，使我能够更好地完成学习任务和科研工作。特别是XXX同学、XXX同学和XXX同学，他们在本研究过程中给予了我很多帮助，与我一起讨论研究方案，分析实验数据，修改论文草稿，使我受益良多。

此外，我要感谢XXX公司为本研究提供的实验平台和技术支持。XXX公司为我提供了分布式多轴传动系统的实物和仿真软件，使我能够进行深入的实验研究和仿真分析。XXX公司的工程师们也为我提供了很多帮助，解答了我的疑问，为我提供了很多宝贵的建议。

最后，我要感谢我的家人。我的家人一直以来都给予我无条件的支持和鼓励，他们的理解和关爱是我前进的动力。在我遇到困难和挫折时，他们总是给予我最大的安慰和鼓励，帮助我重拾信心，继续前进。

在此，再次向所有给予我帮助和指导的师长、同学、朋友和亲友表示最诚挚的谢意！

九.附录

附录A：齿轮参数优化前后对比表

|齿轮副|优化前模数(m)|优化后模数(m)|优化前齿数|优化后齿数|优化前螺旋角(°)|优化后螺旋角(°)|优化前变位系数(x)|优化后变位系数(x)|

|-------|--------------|--------------|----------|----------|------------|------------|----------------|----------------|

|1级输入|2.5|2.8|20|22|15|18|0.2|0.3|

|1级输出|3.0|3.2|25|27|14|17|0.25|0.35|

|2级输入|2.8|3.0|22|24|16|19|0.22|0.32|

|2级输出|3.2|3.4|27|29|15|18|0.27|0.37|

附录B：轴承选型优化前后对比表

|轴承位置|优化前型号|优化前额定动载荷(Cr)(N)|优化前额定静载荷(C0r)(N)|优化后型号|优化后额定动载荷(Cr)(N)|优化后额定静载荷(C0r)(N)|优化前后成本对比(元)|

|--------|----------|----------------------|----------------------|----------|----------------------|----------------------|-------------------|

|输入轴前支|30210|58800|48500|32210|73500|61000|+1200|

|输入轴后支|30311|63500|52500