CN111222199A

CN111222199A - 用户与试验场关联时关键指标选择与等效计算方法

Info

Publication number: CN111222199A
Application number: CN201911106729.6A
Authority: CN
Inventors: 郑国峰; 肖攀; 曾敬; 林鑫; 马媛媛
Original assignee: China Automotive Engineering Research Institute Co Ltd
Current assignee: China Automotive Engineering Research Institute Co Ltd
Priority date: 2019-11-13
Filing date: 2019-11-13
Publication date: 2020-06-02
Anticipated expiration: 2039-11-13
Also published as: CN111222199B

Abstract

本发明涉及汽车试验场设计技术领域，具体涉及用户与试验场关联时关键指标选择与等效计算方法，包括以下步骤：S100分别对车辆在用户道路和试验场预设工况中的道路载荷谱进行采集；S200对采集的道路载荷谱进行预处理；S300选择时域方法或频域方法对用户道路与试验场预设工况的道路载荷谱的特征进行对比与等效；S400对试验场预设工况的等效指标进行等效组合，使试验场预设工况与用户道路的等效指标一致。本发明提高试验场相对于用户道路的真实性，让车辆在试验场中进行耐久性试验时采集的数据更准确。

Description

用户与试验场关联时关键指标选择与等效计算方法

技术领域

本发明涉及汽车试验场设计技术领域，具体涉及用户与试验场关联时关键指标选择与等效计算方法。

背景技术

汽车部件的疲劳失效主要由循环交变载荷引起的，根据疲劳理论的损伤等效原理，在已知用户使用环境下的汽车载荷输入，理论上可通过在试验场里按照一定比例混合各种强化路面，复现出用户道路的载荷输入。通过试验场的强化路面，可以在较短的时间内完成寿命加速试验，达到减少试验时间、缩短研发周期的目的。

现有技术中，目标用户的工况信息采集将花费大量的人力和物力，其过程包括用户工况调研、用户典型工况载荷采集等工作，目前对该工作还未系统性的开展。另用户工况与试验场典型工况关联目前仅停留在时域幅值-循环的关联或者损伤值等效关联上，对频域关联的方法鲜有研究和运用。因此，提出了频域基于加速度、位移信号的疲劳损伤谱的等效方法，该方法同时考虑了载荷谱损伤信息和频域信息的等效，能够有效地将用户工况与试验场典型工况等效起来，准确的制定出试验场规范。

发明内容

本发明意在提供一种用户与试验场关联时关键指标选择与等效计算方法，以提高试验场制定的准确性。

本方案中的用户与试验场关联时关键指标选择与等效计算方法，包括以下步骤：

S100，通过传感器分别对车辆在用户道路和试验场预设工况中的道路载荷谱进行采集；

S200，对采集的道路载荷谱进行预处理，所述预处理包括漂移毛刺确认及处理、路面工况分割、载荷特征分析和载荷分布形态的确定；

S300，选择时域方法或频域方法对用户道路与试验场预设工况的道路载荷谱的特征进行对比与等效；

S400，对试验场预设工况的等效指标进行等效组合，使试验场预设工况与用户道路的等效指标一致。

本方案的有益效果是：通过采集用户道路与试验场的道路载荷谱进行对比等效，让车辆在试验场进行耐久性试验时就能采集到车辆相对于在实际道路行驶时的路谱，提高试验场相对于用户道路的真实性，让车辆在试验场中进行耐久性试验时采集的数据更准确。

进一步，所述步骤S100中，通过三向加速度传感器、位移传感器、应变等传感器和轮端六分力对车辆道路载荷谱进行采集。

有益效果是：多种传感器进行相应数据的采集，保持车辆耐久性试验过程中采集数据的完整性。

进一步，所述步骤S300中，通过应变、加速度、位移和力载荷谱的伪损伤、雨流矩阵和幅值分布指标，将用户道路的工况信息与试验场预设工况的工况信息以时域方法进行关联。

有益效果是：从不同方面对用户道路与试验场进行关联，提高试验场与用户道路的关联性，让试验场更接近于用户道路。

进一步，所述步骤S300包括关联步骤如下，

S310，分析车辆在用户目标里程下采集的道路载荷谱，获取用户道路的雨流矩阵幅值特征Y；

S320，分析车辆在试验场预设工况中采集的道路载荷谱，获取试验场预设工况的雨流矩阵幅值特征X；

S330，根据信号特征等效的原则，按照时域预设比例叠加试验场预设工况路面的信号特征，使其符合用户道路载荷信号特征，用数学方法计算各种路面的时域比例式如下：

上式中X_ni为试验场预设工况第i种道路雨流矩阵幅值在第n区间的时域伪损伤，β_i为试验场预设工况第i种道路循环次数，Y_n为用户道路雨流矩阵幅值在第n区间的时域伪损伤，i为试验场预设工况路况总数。

有益效果是：通过不同种类的工况的多次试验进行用户道路与试验场预设工况的关联，提高试验场预设工况的真实性。

进一步，所述步骤S300还包括时域方法的关联步骤S340，分别通过A类算法、B类算法、C类算法和D类算法对时域比例式进行求解，选择结果最小的算法作为雨流吻合的试验场工况进行关联。

有益效果是：通过多种算法对时域比例式进行求解，从求解结果中选择最优的结果进行关联，减小试验场工况与用户道路的区别，车辆无需行驶至实际道路上进行疲劳试验并采集数据，车辆的疲劳试验更方便。

进一步，所述A类算法的目标函数为：min_0≤β{([X][β]-[Y_n])}

约束条件为：(a)试验场预设工况运行的总里程小于L，即：β_i≤l_i；(b)试验场预设工况路面的循环的最小次数为0与最大次数为1000000，即0≤β_i≤1000000；

所述B类算法的目标函数：min_0≤β{log([X][β]/[Y_n])}

约束条件：(a)试验场预设工况运行的总里程小于L，即：β_il_i≤L；(b)试验场预设工况路面的循环的最小次数为0与最大次数为1000000，即0≤β_i≤1000000；

所述C类算法的目标函数为：min_0≤β{[β]}

约束条件：(a)([X][β]-[Y_n])≥0；(b)试验场预设工况运行的总里程小于L，即：β_il_i≤L；(c)试验场预设工况路面的循环的最小次数为0与最大次数为1000000，即0≤β_i≤1000000；

所述D类算法求解时域比例式的约束条件：(a)_log([X][β]/[Y_n])≥0；(b)试验场预设工况运行的总里程小于L，即：β_il_i≤L；(c)试验场预设工况路面的循环的最小次数为0与最大次数为1000000，即0≤β_i≤1000000。

有益效果是：将各种算法的计算限定在一定的约束条件下进行求解，提高计算结果的准确性。

进一步，所述步骤S300中，通过加速度和位移载荷谱的疲劳损伤谱指标，将用户道路与试验场预设工况以频域方法进行关联，选择结果最小的算法作为雨流吻合的试验场工况进行关联。

有益效果是：以频域方法来进行用户道路与试验场的关联，结果更准确，同时便于与时域方法进行对比。

进一步，所述步骤S300包括关联步骤如下，

S301，分析车辆在用户目标里程下采集的载荷，获取用户道路疲劳损伤谱特征FDS_-customer，其中疲劳损伤谱的频域范围选择1～50Hz；

S302，分析车辆在试验场典型工况下采集的载荷，获取试验场典型工况疲劳损伤谱特征FDS_-X；

S303，根据信号特征等效的原则，按照频域预设比例叠加试验场预设工况路面的信号特征，使其符合用户道路载荷信号特征，用数学方法计算各种路面的频域比例式如下：

式中FDS_-Xni为试验场第i种道路雨流矩阵幅值在第n区间的频域损伤，α_i为试验场第i种道路循环次数，FDS_-Yn为用户道路雨流矩阵幅值在第n区间的频域损伤，i为试验场路况总数。

有益效果是：通过频域比例式的数学表达方式表征关联，量化的结果更准确。

进一步，所述步骤S300还包括频域方法的关联步骤S304，分别通过a类算法、b类算法、c类算法和d类算法对频域比例式进行求解，选择结果最小的算法作为雨流吻合的试验场工况进行关联。

有益效果是：通过不同算法求解频域比例式，并从求解的结果中选择最优的，提高试验场预设工况的准确性。

进一步，所述a类算法的目标函数：min_0≤α{([FDS_-X][α]-[FDS_-customer])²}

约束条件为：(a)试验场运行的总里程小于L，即：α_il_i≤L；(b)试验场典型路面的循环的最小次数为0与最大次数为1000000，即0≤α_i≤1000000；

所述b类算法的目标函数：min_0≤α{log([FDS_-X][α]/[FDS_-custo_mer])}

所述c类算法的目标函数：min_0≤α{[α]}

约束条件为：(a)([FDS_-X][α]-[FDS_-custo_mer])≥0；(b)试验场运行的总里程小于L，即：α_il_i≤L；(c)试验场典型路面的循环的最小次数为0与最大次数为1000000，即0≤α_i≤1000000；

所述d类算法求解频域比例式的约束条件：(a)log([FDS_-X][α]/[FDS_-custo_mer])≥0；(b)试验场运行的总里程小于L，即：α_il_i≤L；(c)试验场典型路面的循环的最小次数为0与最大次数为1000000，即0≤α_i≤1000000。

有益效果是：将求解过程限定在一定约束条件的范围内，提高计算结果的准确性。

附图说明

图1为本发明用户与试验场关联时关键指标选择与等效计算方法实施例一的流程框图。

具体实施方式

下面通过具体实施方式进一步详细说明。

实施例一

用户与试验场关联时关键指标选择与等效计算方法，如图1所示：包括以下步骤：

S100，通过传感器分别对车辆在用户道路和试验场预设工况中的道路载荷谱进行采集，可以针对其中的某一种路况进行采集，传感器包括三向加速度传感器、位移传感器、应变传感器和轮端六分力传感器，三向加速度传感器可用现有8396A型号的加速度传感器，位移传感器可用ZLDS100型号的传感器，应变传感器可用T型号的应变花，轮端六分力传感器可用LW-2T-300K型号的传感器；

S200，对采集的道路载荷谱进行预处理，预处理包括漂移毛刺确认及处理、载荷特征分析和载荷分布形态的确定，漂移毛刺确认及处理可用现有的滤波算法进行；

S300，通过应变、加速度、位移和力载荷谱的伪损伤、雨流矩阵和幅值分布指标，本实施例一通过加速度和位移载荷谱的疲劳损伤谱指标，将用户道路与试验场预设工况以频域方法进行关联，选择频域方法对用户道路与试验场预设工况的道路载荷谱的特征进行对比与等效；

步骤S300中的关联过程如下：

S301，分析车辆在用户目标里程下采集的载荷，用户目标里程是车辆损伤时的里程数，基于振动疲劳的理论获取用户道路疲劳损伤谱特征FDS_-customer，其中疲劳损伤谱的频域范围选择1～50Hz；

S302，分析车辆在试验场典型工况下采集的载荷，基于振动疲劳的理论获取试验场典型工况疲劳损伤谱特征FDS_-X；

S303，根据信号特征等效的原则，按照频域预设比例叠加试验场预设工况路面的信号特征，预设比例为α_i，使其符合用户道路载荷信号特征，用数学方法计算各种路面的频域比例式如下：

上述频域比例式中FDS_-Xni为试验场第i种道路雨流矩阵幅值在第n区间的频域损伤，α_i为试验场第i种道路循环次数，FDS_-Yn为用户道路雨流矩阵幅值在第n区间的频域损伤，i为试验场路况总数；

S304，分别通过a类算法、b类算法、c类算法和d类算法对频域比例式进行求解，根据目标，选择计算结果最小的或者用户载荷谱与试验场雨流矩阵最接近的结果作为最终的优化结果，获取用于与试验场关联结果。

上述步骤S304中，a类算法的目标函数为：min_0≤α{([FDS_-X][α]-[FDS_-customer])²}

a类算法目标函数的约束条件为：(a)试验场运行的总里程小于L，即：α_il_i≤L；(b)试验场典型路面的循环的最小次数为0与最大次数为1000000，即0≤α_i≤1000000；

b类算法的目标函数为：min_0≤α{log([FDS_-X][α]/[FDS_-custo_mer])}

b类算法目标函数的约束条件为：(a)试验场运行的总里程小于L，即：α_il_i≤L；(b)试验场典型路面的循环的最小次数为0与最大次数为1000000，即0≤α_i≤1000000；

c类算法的目标函数为：min_0≤α{[α]}

c类算法目标函数的约束条件为：(a)([FDS_-X][α]-[FDS_-custo_mer])≥0；(b)试验场运行的总里程小于L，即：α_il_i≤L；(c)试验场典型路面的循环的最小次数为0与最大次数为1000000，即0≤α_i≤1000000；

d类算法求解频域比例式的约束条件：(a)log([FDS_-X][α]/[FDS_-customer])≥0；(b)试验场运行的总里程小于L，即：α_il_i≤L；(c)试验场典型路面的循环的最小次数为0与最大次数为1000000，即0≤α_i≤1000000。

在具体试验时，用户道路的工况包括高速、国道、省道、城市路、山路和烂路的路况，试验场预设工况包括铁轨路、浅滩、长波路、搓板路、车身扭转路、路条路、振动路、接缝路、坑洼路、左侧倾斜车道、弹跳路和卵石路等，试验过程中驾驶员按照驾驶习惯正常行驶即可，且试验场路面行驶车辆使用专业驾驶员，按照路面的限速要求进行驾驶，并且试验路面也有一定的顺序，该顺序按照常规试验的顺序进行设置即可，在此仅不赘述。

采用布置好传感器的试验车，分别对用户道路路面和试验场典型工况路面的载荷进行采集，通过对采集结果的深入分析，实现试验场典型工况与模拟工况的关联。其中传感器的选择与布置，如表1所示。

表1传感器的选择与布置关系

通过外推法，将用户道路所采集的载荷外推至目标里程下，获取用户目标总里程载荷分布情况。

采用频域的关联方法，以轴头加速度、塔顶加速度载荷谱的疲劳损伤谱FDS等指标，将用户工况与试验场典型工况关联起来，采用A、B、C、D四类算法，获得试验场的优化组合结果如表2，表2中的数值以循环次数为单位，即每种路面上的循环次数，将每种路面以路面序号的方式进行表示，未给出相应路面的名称，方便记录。

表2基于频域关联方法四类不同优化算法的试验场优化组合结果

根据以上优化组合结果，通过与用户工况下通道间的损伤情况进行对比，选择试验场工况与用户工况下通道间的损伤比值接近1的组合方式，作为最终获取试验场参考规范。

从上述表2的结果可知，针对相同种类的路面使用四种算法进行计算，并选取其中值最小的进行关联，能够在不同路面情况下得到最准确的用户道路与试验场路面的关联信息，避免单种算法计算时只能在部分用户道路上获得准确试验场工况的问题。。

本实施例一通过不同传感器采集用户道路与试验场的道路载荷谱进行对比等效，保证车辆数据采集的完整性，让车辆在试验场进行耐久性试验时就能采集到车辆相对于在实际道路行驶时的路谱，提高试验场相对于用户道路的真实性，减少在实际道路上试验的时间，缩短车辆的研发周期，让车辆在试验场中进行耐久性试验时采集的数据更准确，并且通过频域方法进行频域比例式的求解来等效试验场预设工况和用户道路，提高试验场的规范性。

实施例二

与实施例一的区别在于，在步骤S300中，选择时域方法对用户道路与试验场预设工况的道路载荷谱的特征进行对比与等效，步骤S300包括的时域方法关联步骤如下，

S310，分析车辆在用户目标里程下采集的道路载荷谱，基于雨流计数的原理获取用户道路的雨流矩阵幅值特征Y；

S320，分析车辆在试验场预设工况中采集的道路载荷谱，基于雨流计数的原理获取试验场预设工况的雨流矩阵幅值特征X；

上式中X_ni为试验场预设工况第i种道路雨流矩阵幅值在第n区间的时域伪损伤，β_i为试验场预设工况第i种道路循环次数，Y_n为用户道路雨流矩阵幅值在第n区间的时域伪损伤，i为试验场预设工况路况总数；

S340，分别通过A类算法、B类算法、C类算法和D类算法对时域比例式进行求解，选择结果最小的算法作为雨流吻合的试验场工况进行关联。

上述步骤S340中，A类算法的目标函数为：min_0≤β{([X][β]-[Y_n])}

A类算法目标函数的约束条件为：(a)试验场预设工况运行的总里程小于L，即：β_i≤l_i；(b)试验场预设工况路面的循环的最小次数为0与最大次数为1000000，即0≤β_i≤1000000；

B类算法的目标函数为：min_0≤β{log([X][β]/[Y_n])}

B类算法目标函数的约束条件：(a)试验场预设工况运行的总里程小于L，即：β_il_i≤L；(b)试验场预设工况路面的循环的最小次数为0与最大次数为1000000，即0≤β_i≤1000000；

C类算法的目标函数为：min_0≤β{[β]}

C类算法目标函数的约束条件：(a)([X][β]-[Y_n])≥0；(b)试验场预设工况运行的总里程小于L，即：β_il_i≤L；(c)试验场预设工况路面的循环的最小次数为0与最大次数为1000000，即0≤β_i≤1000000；

D类算法求解时域比例式的约束条件为：(a)log([X][β]/[Y_n])≥0；(b)试验场预设工况运行的总里程小于L，即：β_il_i≤L；(c)试验场预设工况路面的循环的最小次数为0与最大次数为1000000，即0≤β_i≤1000000。

本实施例二通过时域方法的多种算法进行用户道路与试验场预设工况的关联与等效，方便多种算法的对比，以选择最合适的方法进行用户道路与试验场预设工况进行关联与等效。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims

1.用户与试验场关联时关键指标选择与等效计算方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的用户与试验场关联时关键指标选择与等效计算方法，其特征在于：所述步骤S100中，通过三向加速度传感器、位移传感器、应变等传感器和轮端六分力对车辆道路载荷谱进行采集。

3.根据权利要求1所述的用户与试验场关联时关键指标选择与等效计算方法，其特征在于：所述步骤S300中，通过应变、加速度、位移和力载荷谱的伪损伤、雨流矩阵和幅值分布指标，将用户道路的工况信息与试验场预设工况的工况信息以时域方法进行关联。

4.根据权利要求3所述的用户与试验场关联时关键指标选择与等效计算方法，其特征在于：所述步骤S300包括关联步骤如下，

5.根据权利要求4所述的用户与试验场关联时关键指标选择与等效计算方法，其特征在于：所述步骤S300还包括时域方法的关联步骤S340，分别通过A类算法、B类算法、C类算法和D类算法对时域比例式进行求解，选择结果最小的算法作为雨流吻合的试验场工况进行关联。

6.根据权利要求5所述的用户与试验场关联时关键指标选择与等效计算方法，其特征在于：所述A类算法的目标函数为：min_0≤β{([X][β]-[Y_n])}

所述B类算法的目标函数：min_0≤β{log([X][β]/[Y_n])}

所述C类算法的目标函数为：min_0≤β{[β]}

所述D类算法求解时域比例式的约束条件：(a)log([X][β]/[Y_n])≥0；(b)试验场预设工况运行的总里程小于L，即：β_il_i≤L；(c)试验场预设工况路面的循环的最小次数为0与最大次数为1000000，即0≤β_i≤1000000。

7.根据权利要求1所述的用户与试验场关联时关键指标选择与等效计算方法，其特征在于：所述步骤S300中，通过加速度和位移载荷谱的疲劳损伤谱指标，将用户道路与试验场预设工况以频域方法进行关联，选择结果最小的算法作为雨流吻合的试验场工况进行关联。

8.根据权利要求7所述的用户与试验场关联时关键指标选择与等效计算方法，其特征在于：所述步骤S300包括关联步骤如下，

式中FDS_-Xni为试验场第i种道路雨流矩阵幅值在第n区间的频域损伤，α_i为试验场第i种道路循环次数，FDS_-Yn为用户道路雨流矩阵幅值在第n区间的频域算，i为试验场路况总数。

9.根据权利要求8所述的用户与试验场关联时关键指标选择与等效计算方法，其特征在于：所述步骤S300还包括频域方法的关联步骤S304，分别通过a类算法、b类算法、c类算法和d类算法对频域比例式进行求解，选择结果最小的算法作为雨流吻合的试验场工况进行关联。

10.根据权利要求9所述的用户与试验场关联时关键指标选择与等效计算方法，其特征在于：所述a类算法的目标函数：min_0≤α{([FDS_-X][α]-[FDS_-customer])²}

所述c类算法的目标函数：min_0≤α{[α]}

约束条件为：(a)([FDS_-X][α]-[FDS_-customer])≥0；(b)试验场运行的总里程小于L，即：α_il_i≤L；(c)试验场典型路面的循环的最小次数为0与最大次数为1000000，即0≤α_i≤1000000；

所述d类算法求解频域比例式的约束条件：(a)log([FDS_-X][α]/[FDS_-customer])≥0；(b)试验场运行的总里程小于L，即：α_il_i≤L；(c)试验场典型路面的循环的最小次数为0与最大次数为1000000，即0≤α_i≤1000000。