CN113740082B - 车辆公共道路载荷与耐久试验载荷的转换方法和装置 - Google Patents
车辆公共道路载荷与耐久试验载荷的转换方法和装置 Download PDFInfo
- Publication number
- CN113740082B CN113740082B CN202111296723.7A CN202111296723A CN113740082B CN 113740082 B CN113740082 B CN 113740082B CN 202111296723 A CN202111296723 A CN 202111296723A CN 113740082 B CN113740082 B CN 113740082B
- Authority
- CN
- China
- Prior art keywords
- matrix
- particle
- iteration
- time
- load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及车辆耐久试验技术领域,具体涉及一种车辆公共道路载荷与耐久试验载荷的转换方法和装置。该方法中,首先获取目标车辆的公共道路载荷数据和耐久试验载荷数据;然后以耐久试验载荷数据与粒子群的位置矩阵的乘积与公共道路载荷数据的偏差作为适应度函数,建立初始的粒子群算法模型;最后利用所述粒子群的速度矩阵更新所述粒子群的位置矩阵,迭代计算所述粒子群的位置矩阵,减少所述耐久试验载荷数据与所述粒子群的位置矩阵的乘积与所述公共道路载荷数据的偏差,获取公共道路载荷与耐久试验载荷的转化矩阵。本发明可以有效建立公共道路载荷与耐久试验载荷的转化关系,从而实现了车辆的耐久试验载荷转换与公共道路载荷的转换。
Description
技术领域
本发明涉及车辆耐久试验技术领域,具体涉及一种车辆公共道路载荷与耐久试验载荷的转换方法和装置。
背景技术
汽车的耐久性能作为汽车的最重要的性能之一受到各主机厂的广泛关注,主机厂在汽车的研发阶段会进行大量的整车耐久试验以验证整车的耐久性能。如果整车耐久试验的强度超过用户在公共道路上实际驾驶车辆的强度较大,则会导致汽车研发过设计。如果整车耐久试验的强度小于用户在公共道路上实际驾驶车辆的强度,则会导致汽车上市后出现开裂等耐久故障。因此,汽车试验场耐久试验的强度最好略超过用户在公共道路上实际驾驶车辆的强度,这样既能够保证汽车适度设计,又能保证规避汽车上市后的耐久问题。
当前一些针对汽车底盘系统、动力总成系统等的现有技术,重点讲述如何从获取市场用户载荷出发,到最后转化为整车耐久试验规范的全流程。但是在转化的过程中的核心算法,即如何将用户在公共道路上实际驾驶车辆的载荷转化为试验场耐久试验载荷的算法并未直接给出。
因此,如何将车辆的耐久试验载荷转换为公共道路载荷,是目前亟需解决的技术问题。
发明内容
本发明的目的是提供一种车辆公共道路载荷与耐久试验载荷的转换方法和装置,以将车辆的耐久试验载荷转换为公共道路载荷。
为实现上述目的,本发明实施例提供了以下方案:
第一方面,本发明实施例提供一种车辆公共道路载荷与耐久试验载荷的转换方法,所述方法包括:
获取目标车辆的公共道路载荷数据和耐久试验载荷数据;
设定粒子群的位置矩阵和速度矩阵,以转换数值与所述公共道路载荷数据的偏差作为适应度函数,建立初始的粒子群算法模型;其中,所述转换数值为所述耐久试验载荷数据与所述粒子群的位置矩阵的乘积;
以减少所述转换数值与所述公共道路载荷数据的偏差为目标,利用所述粒子群的速度矩阵更新所述粒子群的位置矩阵,以迭代计算所述粒子群的位置矩阵,并将满足迭代终止条件时的所述粒子群的位置矩阵作为所述公共道路载荷与所述耐久试验载荷的转化矩阵。
在一种可能的实施例中,所述公共道路载荷数据包括公共道路悬架系统载荷数据、公共道路转向系统载荷数据、公共道路制动系统载荷数据、公共道路车身系统载荷数据和公共道路动力系统载荷数据中的一种或多种;
所述耐久试验载荷数据包括耐久试验悬架系统载荷数据、耐久试验转向系统载荷数据、耐久试验制动系统载荷数据、耐久试验车身系统载荷数据和耐久试验动力系统载荷数据中的一种或多种。
在一种可能的实施例中,所述公共道路载荷数据的数据形式包括时域雨流矩阵载荷信号、频域载荷信号、受力信号、力矩信号和位移信号中的一种或多种;
所述耐久试验载荷数据的数据形式包括时域雨流矩阵载荷信号、频域载荷信号、受力信号、力矩信号和位移信号中的一种或多种。
在一种可能的实施例中,所述利用所述粒子群的速度矩阵更新所述粒子群的位置矩阵,以迭代计算所述粒子群的位置矩阵,包括:
其中,为第次迭代时第个粒子的位置矩阵;为第次迭代时第个粒子的速度矩阵;为第次迭代时第个粒子的惯性参数;为第一学习参数;为0至1之间的第一随机数;为第二学习参数;为0至1之间的第二随机数;为第次迭代时第个粒子的个体最优位置;为所述粒子群在第次迭代时的全局最优位置;为设定最大惯性参数;为设定最小惯性参数;为设定最大迭代次数;为当前迭代次数。
其中,为所述粒子群在第次迭代时的粒子总数;为所述粒子群在第次迭代时第个粒子与第个粒子的欧式距离;为在第次迭代时第个粒子的适应函数值;为在第次迭代时第个粒子相对于第个粒子的小生境数;为设定小生境半径;为设定优化维度参数;
利用第次迭代时满足非支配解判据的粒子构建非支配解集;其中,若第次迭代时所述粒子群中不存在除第个粒子外的所有粒子的适应度函数值矩阵的每一行数值均小于的对应行数值,则认定第次迭代时第个粒子满足非支配解判据;
根据所述非支配解集的最大设定存储粒子数值,确定所述非支配解集中超过所述最大设定存储粒子数值的粒子的统计数值;
将所述非支配解集的粒子按照适应函数值由小到大排序,获取粒子序列;
将所述粒子序列中排列靠前的统计数值的粒子剔除,更新所述非支配解集。
若第次迭代时第个粒子的适应度函数值矩阵的每一行数值均小于该粒子在第次迭代时的适应度函数值矩阵的对应行数值,则将第次迭代时第个粒子的位置矩阵作为第次迭代时第个粒子的个体最优位置,否则,将该粒子在第次迭代时的位置矩阵作为第次迭代时第个粒子的个体最优位置。
在一种可能的实施例中,所述将满足迭代终止条件时的所述粒子群的位置矩阵作为所述公共道路载荷与所述耐久试验载荷的转化矩阵,包括:
第二方面,本发明实施例提供了一种车辆公共道路载荷与耐久试验载荷的转换装置,所述装置包括:
第一获取模块,用于获取目标车辆的公共道路载荷数据和耐久试验载荷数据;
第一建立模块,用于设定粒子群的位置矩阵和速度矩阵,以转换数值与所述公共道路载荷数据的偏差作为适应度函数,建立初始的粒子群算法模型;其中,所述转换数值为所述耐久试验载荷数据与所述粒子群的位置矩阵的乘积;
第二获取模块,用于以减少转换数值与所述公共道路载荷数据的偏差为目标,利用所述粒子群的速度矩阵更新所述粒子群的位置矩阵,以迭代计算所述粒子群的位置矩阵,并将满足迭代终止条件时的所述粒子群的位置矩阵作为所述公共道路载荷与所述耐久试验载荷的转化矩阵;其中,所述转换数值为所述耐久试验载荷数据与所述粒子群的位置矩阵的乘积。
在一种可能的实施例中,所述公共道路载荷数据包括公共道路悬架系统载荷数据、公共道路转向系统载荷数据、公共道路制动系统载荷数据、公共道路车身系统载荷数据和公共道路动力系统载荷数据中的一种或多种;
所述耐久试验载荷数据包括耐久试验悬架系统载荷数据、耐久试验转向系统载荷数据、耐久试验制动系统载荷数据、耐久试验车身系统载荷数据和耐久试验动力系统载荷数据中的一种或多种。
在一种可能的实施例中,所述公共道路载荷数据的数据形式包括时域雨流矩阵载荷信号、频域载荷信号、受力信号、力矩信号和位移信号中的一种或多种;
所述耐久试验载荷数据的数据形式包括时域雨流矩阵载荷信号、频域载荷信号、受力信号、力矩信号和位移信号中的一种或多种。
在一种可能的实施例中,所述第二获取模块,包括:
其中,为第次迭代时第个粒子的位置矩阵;为第次迭代时第个粒子的速度矩阵;为第次迭代时第个粒子的惯性参数;为第一学习参数;为0至1之间的第一随机数;为第二学习参数;为0至1之间的第二随机数;为第次迭代时第个粒子的个体最优位置;为所述粒子群在第次迭代时的全局最优位置;为设定最大惯性参数;为设定最小惯性参数;为设定最大迭代次数;为当前迭代次数。
在一种可能的实施例中,所述装置还包括:
其中,为所述粒子群在第次迭代时的粒子总数;为所述粒子群在第次迭代时第个粒子与第个粒子的欧式距离;为在第次迭代时第个粒子的适应函数值;为在第次迭代时第个粒子相对于第个粒子的小生境数;为设定小生境半径;为设定优化维度参数;
在一种可能的实施例中,所述装置还包括:
第二建立模块,用于利用第次迭代时满足非支配解判据的粒子构建非支配解集;其中,若第次迭代时所述粒子群中不存在除第个粒子外的所有粒子的适应度函数值矩阵的每一行数值均小于的对应行数值,则认定第次迭代时第个粒子满足非支配解判据;
在一种可能的实施例中,所述装置还包括:
第一确定模块,用于在所述第二建立模块工作之后,根据所述非支配解集的最大设定存储粒子数值,确定所述非支配解集中超过所述最大设定存储粒子数值的粒子的统计数值;
第四获取模块,用于将所述非支配解集的粒子按照适应函数值由小到大排序,获取粒子序列;
第二更新模块,用于将所述粒子序列中排列靠前的统计数值的粒子剔除,更新所述非支配解集。
在一种可能的实施例中,所述装置还包括:
第五获取模块,用于在所述第一计算模块工作前,在第次迭代时第个粒子的适应度函数值矩阵的每一行数值均小于该粒子在第次迭代时的适应度函数值矩阵的对应行数值时,将第次迭代时第个粒子的位置矩阵作为第次迭代时第个粒子的个体最优位置;还用于在第次迭代时第个粒子的适应度函数值矩阵的任一行数值不小于该粒子在第次迭代时的适应度函数值矩阵的对应行数值时,将该粒子在第次迭代时的位置矩阵作为第次迭代时第个粒子的个体最优位置。
在一种可能的实施例中,所述第二获取模块,还包括:
本发明与现有技术相比,具有如下的优点和有益效果:
本发明首先获取目标车辆的公共道路载荷数据和耐久试验载荷数据;然后以耐久试验载荷数据与粒子群的位置矩阵的乘积与公共道路载荷数据的偏差作为适应度函数,建立初始的粒子群算法模型;最后利用所述粒子群的速度矩阵更新所述粒子群的位置矩阵,迭代计算所述粒子群的位置矩阵,减少所述耐久试验载荷数据与所述粒子群的位置矩阵的乘积与所述公共道路载荷数据的偏差,获取公共道路载荷与耐久试验载荷的转化矩阵。本发明通过粒子群算法模型获取公共道路载荷与耐久试验载荷的转化矩阵,可以有效建立公共道路载荷与耐久试验载荷的转化关系,从而实现了车辆的耐久试验载荷转换与公共道路载荷的转换。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种车辆公共道路载荷与耐久试验载荷的转换方法的流程图;
图2是本发明实施例提供的一种车辆公共道路载荷与耐久试验载荷的转换装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明实施例保护的范围。
请参阅图1,图1为本发明实施例提供的一种车辆公共道路载荷与耐久试验载荷的转换方法的流程图,具体包括步骤11至步骤13。
步骤11,获取目标车辆的公共道路载荷数据和耐久试验载荷数据。
具体的,目标车辆可以为基于车辆的排气量、型号、底盘类型等设定类型划分依据所获得的车辆。通过实际的公共道路的行驶测试,可以获得目标车辆的公共道路载荷数据;通过试验场中的耐久试验,可以获得目标车辆的耐久试验载荷数据。
具体的,公共道路载荷数据可以包括公共道路悬架系统载荷数据、公共道路转向系统载荷数据、公共道路制动系统载荷数据、公共道路车身系统载荷数据和公共道路动力系统载荷数据中的一种或多种。
公共道路悬架系统载荷数据可以包括目标车辆在公路测试中每个车轮的轮心分别在垂向、侧向和纵向的载荷数据。
公共道路转向系统载荷数据可以包括目标车辆在公路测试中方向盘输入力矩载荷、横向横拉杆力载荷和转向横拉杆外点垂向位置等数据。
公共道路制动系统载荷数据可以包括目标车辆在公路测试中制动踏板力载荷、制动盘制动扭矩、制动盘制动转速和制动盘温度等数据。
公共道路车身系统载荷数据可以包括目标车辆在公路测试中每个车轮的轮心垂向力载荷和底盘与车身的相对位置等数据。
公共道路动力系统载荷数据可以包括目标车辆在公路测试中传动轴扭矩和传动轴转速等数据。
公共道路载荷数据的数据形式可以包括时域雨流矩阵载荷信号、频域载荷信号、受力信号、力矩信号和位移信号中的一种或多种,在此不予以限制。
耐久试验悬架系统载荷数据可以包括目标车辆在试验场的耐久试验中每个车轮的轮心分别在垂向、侧向和纵向的载荷数据。
耐久试验转向系统载荷数据可以包括目标车辆在试验场的耐久试验中方向盘输入力矩载荷、横向横拉杆力载荷和转向横拉杆外点垂向位置等数据。
耐久试验制动系统载荷数据可以包括目标车辆在试验场的耐久试验中制动踏板力载荷、制动盘制动扭矩、制动盘制动转速和制动盘温度等数据。
耐久试验车身系统载荷数据可以包括目标车辆在试验场的耐久试验中每个车轮的轮心垂向力载荷和底盘与车身的相对位置等数据。
耐久试验动力系统载荷数据可以包括目标车辆在试验场的耐久试验中传动轴扭矩和传动轴转速等数据。
耐久试验载荷数据的数据形式可以包括时域雨流矩阵载荷信号、频域载荷信号、受力信号、力矩信号和位移信号中的一种或多种,在此不予以限制。
步骤12,设定粒子群的位置矩阵和速度矩阵,以转换数值与所述公共道路载荷数据的偏差作为适应度函数,建立初始的粒子群算法模型。
其中,所述转换数值为所述耐久试验载荷数据与所述粒子群的位置矩阵的乘积。
具体的,粒子群算法是典型的寻优算法,其分为全局最优和局部最优,通过模拟自然界生物捕食的策略,群体迭代,粒子在解空间追随最优的例子进行搜索。
本步骤利用目标车辆的公共道路载荷数据和耐久试验载荷数据,以及公共道路载荷数据和耐久试验载荷数据的转化矩阵,构建粒子群算法模型,能够利用粒子群算法的特性,准确高效地确定出转化矩阵。
具体的,本步骤所设定的位置矩阵和速度矩阵,包括初始位置矩阵和初始速度矩阵。在迭代计算之前,需要先构建初始位置矩阵和初始速度矩阵,并基于此进行迭代计算。初始位置矩阵和初始速度矩阵在后续具有介绍,在此不再赘述。
步骤13,以减少所述转换数值与所述公共道路载荷数据的偏差为目标,利用所述粒子群的速度矩阵更新所述粒子群的位置矩阵,以迭代计算所述粒子群的位置矩阵,并将满足迭代终止条件时的所述粒子群的位置矩阵作为所述公共道路载荷与所述耐久试验载荷的转化矩阵。
具体的,每使用粒子群的速度矩阵更新粒子群的位置矩阵后,均对当前的粒子群的位置矩阵进行计算,使转换数值不断贴近公共道路载荷数据,从而实现对粒子群的位置矩阵的迭代计算。
具体的,本步骤通过粒子群算法模型获取公共道路载荷与耐久试验载荷的转化矩阵,可以有效建立公共道路载荷与耐久试验载荷的转化关系,从而实现了车辆的耐久试验载荷转换与公共道路载荷的转换。
这里以载荷雨流信号曲线矩阵作为公共道路载荷数据和耐久试验载荷数据的数据形式,以目标车辆的悬架系统为例,具体说明本实施例的实现过程。
其中,为公共道路悬架系统左前轮轮心纵向载荷雨流信号曲线矩阵;为公共道路悬架系统左前轮轮心侧向载荷雨流信号曲线;为公共道路悬架系统左前轮轮心垂向载荷雨流信号曲线;为公共道路悬架系统右前轮轮心纵向载荷雨流信号曲线矩阵;为公共道路悬架系统右前轮轮心侧向载荷雨流信号曲线矩阵;为公共道路悬架系统右前轮轮心垂向载荷雨流信号曲线矩阵;为公共道路悬架系统左后轮轮心纵向载荷雨流信号曲线矩阵;为公共道路悬架系统左后轮轮心侧向载荷雨流信号曲线矩阵;为公共道路悬架系统左后轮轮心垂向载荷雨流信号曲线矩阵;为公共道路悬架系统右后轮轮心纵向载荷雨流信号曲线矩阵;为公共道路悬架系统右后轮轮心侧向载荷雨流信号曲线矩阵;为公共道路悬架系统右后轮轮心垂向载荷雨流信号曲线矩阵。
选择试验场共计a种特征路面,假设已获取目标车辆悬架系统在试验场每种特征路面上的轮心载荷雨流信号曲线,此信号曲线包括:左前/右前/左后/右后的轮心垂向力/侧向力/纵向力的载荷雨流信号曲线,可以具体表述为:
其中,为耐久试验第1种特征路面悬架系统载荷雨流信号曲线矩阵;为耐久试验第1种特征路面悬架系统左前轮轮心侧向载荷雨流信号曲线;为耐久试验第1种特征路面悬架系统左前轮轮心垂向载荷雨流信号曲线;为耐久试验第1种特征路面悬架系统右前轮轮心纵向载荷雨流信号曲线矩阵;为耐久试验第1种特征路面悬架系统右前轮轮心侧向载荷雨流信号曲线矩阵;为耐久试验第1种特征路面悬架系统右前轮轮心垂向载荷雨流信号曲线矩阵;为耐久试验第1种特征路面悬架系统左后轮轮心纵向载荷雨流信号曲线矩阵;为耐久试验第1种特征路面悬架系统左后轮轮心侧向载荷雨流信号曲线矩阵;为耐久试验第1种特征路面悬架系统左后轮轮心垂向载荷雨流信号曲线矩阵;为耐久试验第1种特征路面悬架系统右后轮轮心纵向载荷雨流信号曲线矩阵;为耐久试验第1种特征路面悬架系统右后轮轮心侧向载荷雨流信号曲线矩阵;为耐久试验第1种特征路面悬架系统右后轮轮心垂向载荷雨流信号曲线矩阵。第2种特征路面至第a中特征路面的相关数据可以基于上述第1种特征路面的相关数据来理解定义。
因此,有如下关系:
步骤12为构建初始的粒子群算法模型的过程,具体的可以包括步骤21至步骤22。
步骤22,随机生成粒子群中每个粒子的初始位置矩阵和初始速度矩阵。
其中,代表粒子群初始时第个粒子对应的第1种特征路面的耐久试验的循环次数;代表粒子群初始时第个粒子对应的第2种特征路面的耐久试验的循环次数;代表粒子群初始时第个粒子对应的第a种特征路面的耐久试验的循环次数;为粒子群的设定最小位置矩阵;为粒子群的设定最大位置矩阵;
在此基础上,步骤13中粒子的位置矩阵的迭代计算过程可以包括步骤31。
其中,为第次迭代时第个粒子的位置矩阵;为第次迭代时第个粒子的速度矩阵;为第次迭代时第个粒子的惯性参数;为第一学习参数;为0至1之间的第一随机数;为第二学习参数;为0至1之间的第二随机数;为第次迭代时第个粒子的个体最优位置;为所述粒子群在第次迭代时的全局最优位置;为设定最大惯性参数;为设定最小惯性参数;为设定最大迭代次数;t为当前迭代次数。
其中,为所述粒子群在第次迭代时的粒子总数;为所述粒子群在第次迭代时第个粒子与第个粒子的欧式距离;为在第次迭代时第个粒子的适应函数值;为在第次迭代时第个粒子相对于第个粒子的小生境数;为设定小生境半径;为设定优化维度参数。
在步骤41之前,本实施例还需要对粒子群中的粒子分布进行更新,具体包括步骤51至步骤53。
步骤52,利用第次迭代时满足非支配解判据的粒子构建非支配解集;其中,若第次迭代时所述粒子群中不存在除第个粒子外的所有粒子的适应度函数值矩阵的每一行数值均小于的对应行数值,则认定第次迭代时第个粒子满足非支配解判据。
为防止非支配解集的大小超过其承载能力,需要对非支配解集进行规模设置和大小剪辑,在步骤53之后,本实施例还包括步骤61至步骤63。
步骤61,根据所述非支配解集的最大设定存储粒子数值,确定所述非支配解集中超过所述最大设定存储粒子数值的粒子的统计数值。
步骤62,将所述非支配解集的粒子按照适应函数值由小到大排序,获取粒子序列。
步骤63,将所述粒子序列中排列靠前的统计数值的粒子剔除,更新所述非支配解集。
步骤71,若第次迭代时第个粒子的适应度函数值矩阵的每一行数值均小于该粒子在第次迭代时的适应度函数值矩阵的对应行数值,则将第次迭代时第个粒子的位置矩阵作为第次迭代时第个粒子的个体最优位置,否则,将该粒子在第次迭代时的位置矩阵作为第次迭代时第个粒子的个体最优位置。
这里,本实施例还给出了迭代计算的终止判据,具体包括步骤81。
本实施例中是选择的是车辆悬架系统的强相关载荷(即:左前/右前/左后/右后的轮心垂向力/侧向力/纵向力载荷)为载荷转化对象,因此中常数通常取值0~10%;若本实施例中纳入一些车辆悬架系统的次相关载荷,则只需将次相关载荷对应的中常数取的稍大一些,通常取20%~40%;因此本实施例进行转化的载荷可以仅仅包括汽车受到的强相关载荷,也可以包括汽车受到的强度相关载荷和次相关载荷,应用的可扩展性强。
本实施例中是选择的迭代约束条件为:
也即是公共道路载荷数据与耐久试验载荷数据转换误差最小;而在实际应用中,可以添加更多的约束条件,比如:公共道路载荷数据伪损伤与耐久试验载荷数据伪损伤转换误差最小,由于计算原理与上述步骤一致,就不再赘述。
基于与方法同样的发明构思,本发明实施例还提供了一种车辆公共道路载荷与耐久试验载荷的转换装置,如图2所示为该装置实施例的结构示意图,所述装置包括:
第一获取模块91,用于获取目标车辆的公共道路载荷数据和耐久试验载荷数据;
第一建立模块92,用于设定粒子群的位置矩阵和速度矩阵,以转换数值与所述公共道路载荷数据的偏差作为适应度函数,建立初始的粒子群算法模型;其中,所述转换数值为所述耐久试验载荷数据与所述粒子群的位置矩阵的乘积;
第二获取模块93,用于以减少所述转换数值与所述公共道路载荷数据的偏差为目标,利用所述粒子群的速度矩阵更新所述粒子群的位置矩阵,以迭代计算所述粒子群的位置矩阵,并将满足迭代终止条件时的所述粒子群的位置矩阵作为所述公共道路载荷与所述耐久试验载荷的转化矩阵。
在一种可能的实施例中,所述公共道路载荷数据包括公共道路悬架系统载荷数据、公共道路转向系统载荷数据、公共道路制动系统载荷数据、公共道路车身系统载荷数据和公共道路动力系统载荷数据中的一种或多种;
所述耐久试验载荷数据包括耐久试验悬架系统载荷数据、耐久试验转向系统载荷数据、耐久试验制动系统载荷数据、耐久试验车身系统载荷数据和耐久试验动力系统载荷数据中的一种或多种。
在一种可能的实施例中,所述公共道路载荷数据的数据形式包括时域雨流矩阵载荷信号、频域载荷信号、受力信号、力矩信号和位移信号中的一种或多种;
所述耐久试验载荷数据的数据形式包括时域雨流矩阵载荷信号、频域载荷信号、受力信号、力矩信号和位移信号中的一种或多种。
在一种可能的实施例中,所述第二获取模块,包括:
其中,为第次迭代时第个粒子的位置矩阵;为第次迭代时第个粒子的速度矩阵;为第次迭代时第个粒子的惯性参数;为第一学习参数;为0至1之间的第一随机数;为第二学习参数;为0至1之间的第二随机数;为第次迭代时第个粒子的个体最优位置;为所述粒子群在第次迭代时的全局最优位置;为设定最大惯性参数;为设定最小惯性参数;为设定最大迭代次数;为当前迭代次数。
在一种可能的实施例中,所述装置还包括:
其中,为所述粒子群在第次迭代时的粒子总数;为所述粒子群在第次迭代时第个粒子与第个粒子的欧式距离;为在第次迭代时第个粒子的适应函数值;为在第次迭代时第个粒子相对于第个粒子的小生境数;为设定小生境半径;为设定优化维度参数;
在一种可能的实施例中,所述装置还包括:
第二建立模块,用于利用第次迭代时满足非支配解判据的粒子构建非支配解集;其中,若第次迭代时所述粒子群中不存在除第个粒子外的所有粒子的适应度函数值矩阵的每一行数值均小于的对应行数值,则认定第次迭代时第个粒子满足非支配解判据;
在一种可能的实施例中,所述装置还包括:
第一确定模块,用于在所述第二建立模块工作之后,根据所述非支配解集的最大设定存储粒子数值,确定所述非支配解集中超过所述最大设定存储粒子数值的粒子的统计数值;
第四获取模块,用于将所述非支配解集的粒子按照适应函数值由小到大排序,获取粒子序列;
第二更新模块,用于将所述粒子序列中排列靠前的统计数值的粒子剔除,更新所述非支配解集。
在一种可能的实施例中,所述装置还包括:
第五获取模块,用于在所述第一计算模块工作前,在第次迭代时第个粒子的适应度函数值矩阵的每一行数值均小于该粒子在第次迭代时的适应度函数值矩阵的对应行数值时,将第次迭代时第个粒子的位置矩阵作为第次迭代时第个粒子的个体最优位置;还用于在第次迭代时第个粒子的适应度函数值矩阵的任一行数值不小于该粒子在第次迭代时的适应度函数值矩阵的对应行数值时,将该粒子在第次迭代时的位置矩阵作为第次迭代时第个粒子的个体最优位置。
在一种可能的实施例中,所述第二获取模块,还包括:
本发明实施例中提供的技术方案,至少具有如下技术效果或优点:
本发明实施例首先获取目标车辆的公共道路载荷数据和耐久试验载荷数据;然后以耐久试验载荷数据与粒子群的位置矩阵的乘积与公共道路载荷数据的偏差作为适应度函数,建立初始的粒子群算法模型;最后利用所述粒子群的速度矩阵更新所述粒子群的位置矩阵,迭代计算所述粒子群的位置矩阵,减少所述耐久试验载荷数据与所述粒子群的位置矩阵的乘积与所述公共道路载荷数据的偏差,获取公共道路载荷与耐久试验载荷的转化矩阵。本发明实施例通过粒子群算法模型获取公共道路载荷与耐久试验载荷的转化矩阵,可以有效建立公共道路载荷与耐久试验载荷的转化关系,从而实现了车辆的耐久试验载荷转换与公共道路载荷的转换。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种车辆公共道路载荷与耐久试验载荷的转换方法,其特征在于,所述方法包括:
获取目标车辆的公共道路载荷数据和耐久试验载荷数据;
设定粒子群的位置矩阵和速度矩阵,以转换数值与所述公共道路载荷数据的偏差作为适应度函数,建立初始的粒子群算法模型;其中,所述转换数值为所述耐久试验载荷数据与所述粒子群的位置矩阵的乘积;
以减少所述转换数值与所述公共道路载荷数据的偏差为目标,利用所述粒子群的速度矩阵更新所述粒子群的位置矩阵,以迭代计算所述粒子群的位置矩阵,并将满足迭代终止条件时的所述粒子群的位置矩阵作为所述公共道路载荷与所述耐久试验载荷的转化矩阵。
2.根据权利要求1所述的转换方法,其特征在于,所述公共道路载荷数据包括公共道路悬架系统载荷数据、公共道路转向系统载荷数据、公共道路制动系统载荷数据、公共道路车身系统载荷数据和公共道路动力系统载荷数据中的一种或多种;
所述耐久试验载荷数据包括耐久试验悬架系统载荷数据、耐久试验转向系统载荷数据、耐久试验制动系统载荷数据、耐久试验车身系统载荷数据和耐久试验动力系统载荷数据中的一种或多种。
3.根据权利要求2所述的转换方法,其特征在于,所述公共道路载荷数据的数据形式包括时域雨流矩阵载荷信号、频域载荷信号、受力信号、力矩信号和位移信号中的一种或多种;
所述耐久试验载荷数据的数据形式包括时域雨流矩阵载荷信号、频域载荷信号、受力信号、力矩信号和位移信号中的一种或多种。
其中,为所述粒子群在第次迭代时的粒子总数;为所述粒子群在第次迭代时第个粒子与第个粒子的欧式距离;为在第次迭代时第个粒子的适应函数值;为在第次迭代时第个粒子相对于第个粒子的小生境数;为设定小生境半径;为设定优化维度参数;
10.一种车辆公共道路载荷与耐久试验载荷的转换装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标车辆的公共道路载荷数据和耐久试验载荷数据;
第一建立模块,用于设定粒子群的位置矩阵和速度矩阵,以转换数值与所述公共道路载荷数据的偏差作为适应度函数,建立初始的粒子群算法模型;其中,所述转换数值为所述耐久试验载荷数据与所述粒子群的位置矩阵的乘积;
第二获取模块,用于以减少所述转换数值与所述公共道路载荷数据的偏差为目标,利用所述粒子群的速度矩阵更新所述粒子群的位置矩阵,以迭代计算所述粒子群的位置矩阵,并将满足迭代终止条件时的所述粒子群的位置矩阵作为所述公共道路载荷与所述耐久试验载荷的转化矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296723.7A CN113740082B (zh) | 2021-11-04 | 2021-11-04 | 车辆公共道路载荷与耐久试验载荷的转换方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296723.7A CN113740082B (zh) | 2021-11-04 | 2021-11-04 | 车辆公共道路载荷与耐久试验载荷的转换方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113740082A CN113740082A (zh) | 2021-12-03 |
CN113740082B true CN113740082B (zh) | 2022-02-01 |
Family
ID=78727213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111296723.7A Active CN113740082B (zh) | 2021-11-04 | 2021-11-04 | 车辆公共道路载荷与耐久试验载荷的转换方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113740082B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114778141B (zh) * | 2022-06-17 | 2022-10-21 | 岚图汽车科技有限公司 | 汽车电驱动总成台架耐久试验制定方法、装置及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7287040B2 (en) * | 2003-10-21 | 2007-10-23 | American Express Travel Related Services Company, Inc. | Test strategy system and method for accounts held direct at-fund |
CN101510230A (zh) * | 2009-03-11 | 2009-08-19 | 同济大学 | 车辆道路载荷的仿真方法 |
CN107038311B (zh) * | 2017-04-21 | 2020-04-21 | 中国科学院工程热物理研究所 | 一种风力机叶片共振式疲劳试验载荷配置方法 |
CN110823561B (zh) * | 2019-11-13 | 2021-03-26 | 南京工业大学 | 一种基于材料模型库的非稳态载荷下轧机传动轴系统关键件疲劳寿命实时监控的方法 |
CN113607392B (zh) * | 2021-07-05 | 2023-10-13 | 岚图汽车科技有限公司 | 一种弹簧臂耐久试验方法及装置 |
-
2021
- 2021-11-04 CN CN202111296723.7A patent/CN113740082B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113740082A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110091751B (zh) | 基于深度学习的电动汽车续航里程预测方法、设备及介质 | |
CN110341690B (zh) | 一种基于确定性策略梯度学习的phev能量管理方法 | |
CN113740082B (zh) | 车辆公共道路载荷与耐久试验载荷的转换方法和装置 | |
US20190339707A1 (en) | Automobile Image Processing Method and Apparatus, and Readable Storage Medium | |
CN114556248A (zh) | 用于确定传感器配置的方法 | |
CN112597610B (zh) | 机械臂结构轻量化设计的优化方法、装置及设备 | |
CN113537580B (zh) | 一种基于自适应图学习的公共交通客流预测方法及系统 | |
CN111645685B (zh) | 一种经济车速的规划方法、装置、存储介质及设备 | |
CN107491571A (zh) | 一种整车性能仿真的方法及系统 | |
CN110427690A (zh) | 一种基于全局粒子群算法生成ato速度曲线的方法及装置 | |
CN111681258A (zh) | 基于混合灰狼优化svm的混合增强智能轨迹预测方法和装置 | |
CN116189123A (zh) | 目标检测模型的训练方法、装置及目标检测方法、装置 | |
CN110481538B (zh) | 分配混合动力车辆转矩的方法及装置、智能网联车辆系统 | |
WO2024074023A1 (zh) | 一种基于改进粒子群优化算法的任务调度方法 | |
CN115828438A (zh) | 汽车极限性能预测方法、介质、设备 | |
JP2019510293A5 (zh) | ||
CN113219968B (zh) | 自动驾驶控制方法及装置 | |
WO2021258847A1 (zh) | 一种驾驶决策方法、装置及芯片 | |
CN114547954A (zh) | 物流配送中心选址方法、装置、计算机设备 | |
CN111737462A (zh) | 海量数据实体相似对确定方法和系统 | |
CN117806175B (zh) | 分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统 | |
CN110263968A (zh) | 一种新的时间序列的预测方法 | |
CN118153745A (zh) | 一种车辆轨迹预测方法、系统、设备及计算机可读介质 | |
CN115952932B (zh) | 基于行驶路线的车辆电耗和氢耗预测方法 | |
CN115273456B (zh) | 一种两轮电动车违规行驶的判定方法、系统和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |