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 PDF

Info

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
Application number
CN202111296723.7A
Other languages
English (en)
Other versions
CN113740082A (zh
Inventor
丁鼎
韩广宇
张永仁
卢放
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lantu Automobile Technology Co Ltd
Original Assignee
Lantu Automobile Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lantu Automobile Technology Co Ltd filed Critical Lantu Automobile Technology Co Ltd
Priority to CN202111296723.7A priority Critical patent/CN113740082B/zh
Publication of CN113740082A publication Critical patent/CN113740082A/zh
Application granted granted Critical
Publication of CN113740082B publication Critical patent/CN113740082B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

车辆公共道路载荷与耐久试验载荷的转换方法和装置
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：
根据所述粒子群第
Figure 462765DEST_PATH_IMAGE001
次迭代时第
Figure 911064DEST_PATH_IMAGE002
个粒子的速度矩阵
Figure 707113DEST_PATH_IMAGE003
，计算所述粒子群在第
Figure 367901DEST_PATH_IMAGE004
次迭代时第
Figure 713432DEST_PATH_IMAGE002
个粒子的位置矩阵
Figure 67053DEST_PATH_IMAGE005
，具体计算公式包括：
Figure 865244DEST_PATH_IMAGE006
；
其中，
Figure 844571DEST_PATH_IMAGE007
为第
Figure 779029DEST_PATH_IMAGE008
次迭代时第
Figure 303551DEST_PATH_IMAGE009
个粒子的位置矩阵；
Figure 323459DEST_PATH_IMAGE010
为第
Figure 591630DEST_PATH_IMAGE011
次迭代时第
Figure 396906DEST_PATH_IMAGE009
个粒子的速度矩阵；
Figure 357909DEST_PATH_IMAGE012
为第
Figure 130693DEST_PATH_IMAGE008
次迭代时第
Figure 671395DEST_PATH_IMAGE009
个粒子的惯性参数；
Figure 580445DEST_PATH_IMAGE013
为第一学习参数；
Figure 696038DEST_PATH_IMAGE014
为0至1之间的第一随机数；
Figure 690539DEST_PATH_IMAGE015
为第二学习参数；
Figure 34932DEST_PATH_IMAGE016
为0至1之间的第二随机数；
Figure 798489DEST_PATH_IMAGE017
为第
Figure 101294DEST_PATH_IMAGE018
次迭代时第
Figure 317512DEST_PATH_IMAGE009
个粒子的个体最优位置；
Figure 216329DEST_PATH_IMAGE019
为所述粒子群在第
Figure 99971DEST_PATH_IMAGE020
次迭代时的全局最优位置；
Figure 308099DEST_PATH_IMAGE021
为设定最大惯性参数；
Figure 11613DEST_PATH_IMAGE022
为设定最小惯性参数；
Figure 963388DEST_PATH_IMAGE023
为设定最大迭代次数；
Figure 701537DEST_PATH_IMAGE008
为当前迭代次数。
在一种可能的实施例中，所述根据所述粒子群第
Figure 329833DEST_PATH_IMAGE024
次迭代时第
Figure 520643DEST_PATH_IMAGE009
个粒子的速度矩阵
Figure 276110DEST_PATH_IMAGE025
，计算所述粒子群在第
Figure 603186DEST_PATH_IMAGE024
次迭代时第
Figure 153116DEST_PATH_IMAGE009
个粒子的位置矩阵
Figure 96801DEST_PATH_IMAGE026
之前，所述方法还包括：
计算所述粒子群在第
Figure 141112DEST_PATH_IMAGE008
次迭代时的相对适应函数值；其中，在第
Figure 588273DEST_PATH_IMAGE008
次迭代时第
Figure 43526DEST_PATH_IMAGE009
个粒子的相对适应函数值
Figure 474507DEST_PATH_IMAGE027
的计算公式包括：
Figure 306197DEST_PATH_IMAGE028
；
其中，
Figure 873444DEST_PATH_IMAGE029
为所述粒子群在第
Figure 499598DEST_PATH_IMAGE030
次迭代时的粒子总数；
Figure 667143DEST_PATH_IMAGE031
为所述粒子群在第
Figure 302523DEST_PATH_IMAGE030
次迭代时第
Figure 458698DEST_PATH_IMAGE032
个粒子与第
Figure 786911DEST_PATH_IMAGE034
个粒子的欧式距离；
Figure 661326DEST_PATH_IMAGE035
为在第
Figure 100398DEST_PATH_IMAGE030
次迭代时第
Figure 392970DEST_PATH_IMAGE032
个粒子的适应函数值；
Figure 626505DEST_PATH_IMAGE036
为在第
Figure 988217DEST_PATH_IMAGE030
次迭代时第
Figure 230979DEST_PATH_IMAGE032
个粒子相对于第
Figure 361746DEST_PATH_IMAGE037
个粒子的小生境数；
Figure 766183DEST_PATH_IMAGE038
为设定小生境半径；
Figure 864458DEST_PATH_IMAGE039
为设定优化维度参数；
若所述粒子群在第
Figure 645332DEST_PATH_IMAGE030
次迭代时第
Figure 896185DEST_PATH_IMAGE040
个粒子满足全局最优位置判据，则将第
Figure 471522DEST_PATH_IMAGE030
次迭代时所述第
Figure 73405DEST_PATH_IMAGE040
个粒子的位置矩阵作为所述粒子群在第
Figure 392391DEST_PATH_IMAGE030
次迭代时的全局最优位置
Figure 248483DEST_PATH_IMAGE041
；其中，所述全局最优位置判据的表达式包括：
Figure 994722DEST_PATH_IMAGE042
；
其中，
Figure 940998DEST_PATH_IMAGE044
为0至1之间的第三随机数。
在一种可能的实施例中，所述计算所述粒子群在第
Figure 900864DEST_PATH_IMAGE046
次迭代时的相对适应函数值之前，所述方法还包括：
计算所述粒子群在第
Figure 83583DEST_PATH_IMAGE047
次迭代时每个粒子的适应度函数值矩阵；其中，第
Figure 643747DEST_PATH_IMAGE047
次迭代时第
Figure 304535DEST_PATH_IMAGE048
个粒子的适应度函数值矩阵
Figure 118907DEST_PATH_IMAGE049
的计算公式包括：
Figure 738108DEST_PATH_IMAGE050
；
其中，
Figure 270720DEST_PATH_IMAGE051
为均方根正则化函数；
Figure 735199DEST_PATH_IMAGE052
为所述耐久试验载荷数据；
Figure 404078DEST_PATH_IMAGE053
为所述公共道路载荷数据；
利用第
Figure 944912DEST_PATH_IMAGE047
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
Figure 964821DEST_PATH_IMAGE047
次迭代时所述粒子群中不存在除第
Figure 967412DEST_PATH_IMAGE048
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
Figure 756376DEST_PATH_IMAGE054
的对应行数值，则认定第
Figure 717379DEST_PATH_IMAGE047
次迭代时第
Figure 959004DEST_PATH_IMAGE048
个粒子满足非支配解判据；
从所述粒子群中剔除不满足非支配解判据的粒子，更新所述粒子群在第
Figure 280133DEST_PATH_IMAGE047
次迭代时的粒子分布。
在一种可能的实施例中，所述利用第
Figure 189183DEST_PATH_IMAGE047
次迭代时满足非支配解判据的粒子构建非支配解集之后，所述方法还包括：
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。
在一种可能的实施例中，所述计算所述粒子群在第
Figure 789929DEST_PATH_IMAGE055
次迭代时第
Figure 50009DEST_PATH_IMAGE048
个粒子的位置矩阵
Figure 394403DEST_PATH_IMAGE056
之前，所述方法还包括：
若第
Figure 174271DEST_PATH_IMAGE047
次迭代时第
Figure 945918DEST_PATH_IMAGE048
个粒子的适应度函数值矩阵
Figure 427715DEST_PATH_IMAGE057
的每一行数值均小于该粒子在第
Figure 841379DEST_PATH_IMAGE058
次迭代时的适应度函数值矩阵的对应行数值，则将第
Figure 459442DEST_PATH_IMAGE047
次迭代时第
Figure 667569DEST_PATH_IMAGE048
个粒子的位置矩阵作为第
Figure 897649DEST_PATH_IMAGE047
次迭代时第
Figure 583845DEST_PATH_IMAGE048
个粒子的个体最优位置
Figure 321994DEST_PATH_IMAGE059
，否则，将该粒子在第
Figure 701023DEST_PATH_IMAGE058
次迭代时的位置矩阵作为第
Figure 891832DEST_PATH_IMAGE047
次迭代时第
Figure 381720DEST_PATH_IMAGE048
个粒子的个体最优位置
Figure 974375DEST_PATH_IMAGE060
。
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：
若所述粒子群在第
Figure 275037DEST_PATH_IMAGE047
次迭代时满足所述迭代终止条件中的任一条件，则将所述粒子群的位置矩阵
Figure 218723DEST_PATH_IMAGE061
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，所述迭代终止条件的表达式包括；
Figure 246722DEST_PATH_IMAGE062
；
其中，
Figure 693883DEST_PATH_IMAGE063
为所述耐久试验载荷数据；
Figure 680294DEST_PATH_IMAGE064
为所述公共道路载荷数据；
Figure 845696DEST_PATH_IMAGE065
为
Figure 926653DEST_PATH_IMAGE066
的子矩阵；
Figure 228322DEST_PATH_IMAGE067
为设定终止参数矩阵。
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：
第一计算模块，用于根据所述粒子群第
Figure 385634DEST_PATH_IMAGE068
次迭代时第
Figure 38332DEST_PATH_IMAGE069
个粒子的速度矩阵
Figure 408133DEST_PATH_IMAGE070
，计算所述粒子群在第
Figure 829887DEST_PATH_IMAGE071
次迭代时第
Figure 908833DEST_PATH_IMAGE072
个粒子的位置矩阵
Figure 783248DEST_PATH_IMAGE073
，具体计算公式包括：
Figure 222320DEST_PATH_IMAGE006
；
其中，
Figure 498580DEST_PATH_IMAGE074
为第
Figure 997695DEST_PATH_IMAGE075
次迭代时第
Figure 359406DEST_PATH_IMAGE069
个粒子的位置矩阵；
Figure 71010DEST_PATH_IMAGE076
为第
Figure 982203DEST_PATH_IMAGE077
次迭代时第
Figure 386639DEST_PATH_IMAGE069
个粒子的速度矩阵；
Figure 235647DEST_PATH_IMAGE078
为第
Figure 16521DEST_PATH_IMAGE079
次迭代时第
Figure 532953DEST_PATH_IMAGE069
个粒子的惯性参数；
Figure 859023DEST_PATH_IMAGE080
为第一学习参数；
Figure 460906DEST_PATH_IMAGE081
为0至1之间的第一随机数；
Figure 779892DEST_PATH_IMAGE082
为第二学习参数；
Figure 885251DEST_PATH_IMAGE083
为0至1之间的第二随机数；
Figure 631490DEST_PATH_IMAGE084
为第
Figure 455090DEST_PATH_IMAGE079
次迭代时第
Figure 827034DEST_PATH_IMAGE069
个粒子的个体最优位置；
Figure 786900DEST_PATH_IMAGE085
为所述粒子群在第
Figure 969619DEST_PATH_IMAGE079
次迭代时的全局最优位置；
Figure 280515DEST_PATH_IMAGE086
为设定最大惯性参数；
Figure 941303DEST_PATH_IMAGE087
为设定最小惯性参数；
Figure 21255DEST_PATH_IMAGE088
为设定最大迭代次数；
Figure 125608DEST_PATH_IMAGE079
为当前迭代次数。
在一种可能的实施例中，所述装置还包括：
第二计算模块，用于在所述第一计算模块工作之前，计算所述粒子群在第
Figure 658221DEST_PATH_IMAGE079
次迭代时的相对适应函数值；其中，在第
Figure 857121DEST_PATH_IMAGE079
次迭代时第
Figure 57158DEST_PATH_IMAGE089
个粒子的相对适应函数值
Figure 847260DEST_PATH_IMAGE090
的计算公式包括：
Figure 601589DEST_PATH_IMAGE028
；
其中，
Figure 119027DEST_PATH_IMAGE091
为所述粒子群在第
Figure 173571DEST_PATH_IMAGE092
次迭代时的粒子总数；
Figure 603415DEST_PATH_IMAGE093
为所述粒子群在第
Figure 110620DEST_PATH_IMAGE094
次迭代时第
Figure 182481DEST_PATH_IMAGE095
个粒子与第
Figure 825952DEST_PATH_IMAGE096
个粒子的欧式距离；
Figure 443009DEST_PATH_IMAGE097
为在第
Figure 171931DEST_PATH_IMAGE094
次迭代时第
Figure 47483DEST_PATH_IMAGE095
个粒子的适应函数值；
Figure 811039DEST_PATH_IMAGE098
为在第
Figure 848266DEST_PATH_IMAGE094
次迭代时第
Figure 330062DEST_PATH_IMAGE095
个粒子相对于第
Figure 727415DEST_PATH_IMAGE096
个粒子的小生境数；
Figure 611057DEST_PATH_IMAGE099
为设定小生境半径；
Figure 553605DEST_PATH_IMAGE100
为设定优化维度参数；
第三获取模块，用于在所述粒子群在第
Figure 257119DEST_PATH_IMAGE092
次迭代时第
Figure 208894DEST_PATH_IMAGE101
个粒子满足全局最优位置判据时，将第
Figure 947043DEST_PATH_IMAGE092
次迭代时所述第
Figure 76805DEST_PATH_IMAGE101
个粒子的位置矩阵作为所述粒子群在第
Figure 267614DEST_PATH_IMAGE092
次迭代时的全局最优位置
Figure 23081DEST_PATH_IMAGE102
；其中，所述全局最优位置判据的表达式包括：
Figure 615736DEST_PATH_IMAGE103
；
其中，
Figure 165666DEST_PATH_IMAGE104
为0至1之间的第三随机数。
在一种可能的实施例中，所述装置还包括：
第三计算模块，用于在所述第二计算模块工作前，计算所述粒子群在第
Figure 843772DEST_PATH_IMAGE105
次迭代时每个粒子的适应度函数值矩阵；其中，第
Figure 386618DEST_PATH_IMAGE105
次迭代时第
Figure 833780DEST_PATH_IMAGE106
个粒子的适应度函数值矩阵
Figure 554611DEST_PATH_IMAGE107
的计算公式包括：
Figure 985592DEST_PATH_IMAGE108
；
其中，
Figure 817282DEST_PATH_IMAGE109
为均方根正则化函数；
Figure 118951DEST_PATH_IMAGE110
为所述耐久试验载荷数据；
Figure 26995DEST_PATH_IMAGE111
为所述公共道路载荷数据；
第二建立模块，用于利用第
Figure 414114DEST_PATH_IMAGE112
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
Figure 49495DEST_PATH_IMAGE112
次迭代时所述粒子群中不存在除第
Figure 736828DEST_PATH_IMAGE113
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
Figure 799462DEST_PATH_IMAGE114
的对应行数值，则认定第
Figure 673877DEST_PATH_IMAGE115
次迭代时第
Figure 847369DEST_PATH_IMAGE113
个粒子满足非支配解判据；
第一更新模块，用于从所述粒子群中剔除不满足非支配解判据的粒子，更新所述粒子群在第
Figure 872012DEST_PATH_IMAGE112
次迭代时的粒子分布。
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
Figure 233723DEST_PATH_IMAGE117
次迭代时第
Figure 476485DEST_PATH_IMAGE118
个粒子的适应度函数值矩阵
Figure 872832DEST_PATH_IMAGE119
的每一行数值均小于该粒子在第
Figure 277268DEST_PATH_IMAGE120
次迭代时的适应度函数值矩阵的对应行数值时，将第
Figure 877008DEST_PATH_IMAGE121
次迭代时第
Figure 923461DEST_PATH_IMAGE118
个粒子的位置矩阵作为第
Figure 174314DEST_PATH_IMAGE117
次迭代时第
Figure 749652DEST_PATH_IMAGE118
个粒子的个体最优位置
Figure 85955DEST_PATH_IMAGE122
；还用于在第
Figure 665928DEST_PATH_IMAGE117
次迭代时第
Figure 36866DEST_PATH_IMAGE118
个粒子的适应度函数值矩阵
Figure 783105DEST_PATH_IMAGE123
的任一行数值不小于该粒子在第
Figure 606705DEST_PATH_IMAGE124
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
Figure 729382DEST_PATH_IMAGE124
次迭代时的位置矩阵作为第
Figure 954827DEST_PATH_IMAGE125
次迭代时第
Figure 622699DEST_PATH_IMAGE118
个粒子的个体最优位置
Figure 668016DEST_PATH_IMAGE126
。
在一种可能的实施例中，所述第二获取模块，还包括：
第六获取模块，用于在所述粒子群在第
Figure 328804DEST_PATH_IMAGE117
次迭代时满足所述迭代终止条件中的任一条件时，将所述粒子群的位置矩阵
Figure 674335DEST_PATH_IMAGE127
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，所述迭代终止条件的表达式包括；
Figure 762377DEST_PATH_IMAGE128
；
其中，
Figure 294989DEST_PATH_IMAGE129
为
Figure 274315DEST_PATH_IMAGE130
的子矩阵；
Figure 208773DEST_PATH_IMAGE131
为设定终止参数矩阵。
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。
在此基础上，公共道路载荷数据即为公共道路悬架系统载荷雨流信号曲线矩阵
Figure 467716DEST_PATH_IMAGE132
，耐久试验载荷数据即为耐久试验悬架系统载荷雨流信号曲线矩阵
Figure 753204DEST_PATH_IMAGE133
。
Figure 21374DEST_PATH_IMAGE134
可以具体表示为：
Figure 810339DEST_PATH_IMAGE135
；
其中，
Figure 256495DEST_PATH_IMAGE136
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；
Figure 763700DEST_PATH_IMAGE137
为公共道路悬架系统左前轮轮心侧向载荷雨流信号曲线；
Figure 569982DEST_PATH_IMAGE138
为公共道路悬架系统左前轮轮心垂向载荷雨流信号曲线；
Figure 479032DEST_PATH_IMAGE139
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；
Figure 345357DEST_PATH_IMAGE140
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；
Figure 74278DEST_PATH_IMAGE141
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；
Figure 199098DEST_PATH_IMAGE142
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；
Figure 697075DEST_PATH_IMAGE143
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；
Figure 734301DEST_PATH_IMAGE144
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；
Figure 216098DEST_PATH_IMAGE145
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；
Figure 364183DEST_PATH_IMAGE146
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；
Figure 982246DEST_PATH_IMAGE147
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，
Figure 206685DEST_PATH_IMAGE148
可以具体表述为：
Figure 910199DEST_PATH_IMAGE149
；
其中，
Figure 861974DEST_PATH_IMAGE150
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；
Figure 600123DEST_PATH_IMAGE151
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；
Figure 979152DEST_PATH_IMAGE152
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；
Figure 169962DEST_PATH_IMAGE153
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；
Figure 174696DEST_PATH_IMAGE154
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；
Figure 767351DEST_PATH_IMAGE155
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；
Figure 51702DEST_PATH_IMAGE156
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；
Figure 729808DEST_PATH_IMAGE157
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；
Figure 288965DEST_PATH_IMAGE158
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；
Figure 736127DEST_PATH_IMAGE159
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；
Figure 456959DEST_PATH_IMAGE160
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；
Figure 107514DEST_PATH_IMAGE161
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。
这里定义公共道路载荷与耐久试验载荷的转化矩阵
Figure 939204DEST_PATH_IMAGE162
：
Figure 772031DEST_PATH_IMAGE163
；
其中，
Figure 663763DEST_PATH_IMAGE164
为第1种特征路面的耐久试验的循环次数，
Figure 50882DEST_PATH_IMAGE165
为第2种特征路面的耐久试验的循环次数，
Figure 686263DEST_PATH_IMAGE166
为第a种特征路面的耐久试验的循环次数。
因此，有如下关系：
Figure 622864DEST_PATH_IMAGE167
。
这样，当获得转化矩阵
Figure 685498DEST_PATH_IMAGE168
后，就可以根据耐久试验悬架系统载荷雨流信号曲线矩阵
Figure 559913DEST_PATH_IMAGE169
，直接获得公共道路悬架系统载荷雨流信号曲线矩阵
Figure 998984DEST_PATH_IMAGE170
。
本实施例采用粒子群算法来迭代计算转化矩阵
Figure 275245DEST_PATH_IMAGE168
，以下为具体实现过程。
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21，设定粒子群的初始粒子数
Figure 508780DEST_PATH_IMAGE171
。
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。
以粒子群初始时第
Figure 870491DEST_PATH_IMAGE172
个粒子为例：
其初始位置矩阵
Figure 863986DEST_PATH_IMAGE173
表示为：
Figure 994753DEST_PATH_IMAGE174
；
其中，
Figure 399190DEST_PATH_IMAGE175
代表粒子群初始时第
Figure 248197DEST_PATH_IMAGE176
个粒子对应的第1种特征路面的耐久试验的循环次数；
Figure 294651DEST_PATH_IMAGE177
代表粒子群初始时第
Figure 279924DEST_PATH_IMAGE176
个粒子对应的第2种特征路面的耐久试验的循环次数；
Figure 104530DEST_PATH_IMAGE178
代表粒子群初始时第
Figure 706412DEST_PATH_IMAGE176
个粒子对应的第a种特征路面的耐久试验的循环次数；
Figure 25398DEST_PATH_IMAGE179
为粒子群的设定最小位置矩阵；
Figure 130757DEST_PATH_IMAGE180
为粒子群的设定最大位置矩阵；
其初始速度矩阵
Figure 142576DEST_PATH_IMAGE181
表示为：
Figure 966175DEST_PATH_IMAGE182
；
其中，
Figure 574005DEST_PATH_IMAGE183
为
Figure 533871DEST_PATH_IMAGE184
对应的速度；
Figure 982170DEST_PATH_IMAGE185
为
Figure 27486DEST_PATH_IMAGE186
对应的速度；
Figure 953854DEST_PATH_IMAGE187
为
Figure 33805DEST_PATH_IMAGE188
对应的速度；
Figure 371115DEST_PATH_IMAGE189
为粒子群的设定最大速度矩阵；
Figure 903727DEST_PATH_IMAGE190
为比例系数矩阵。
其适应度函数
Figure 633786DEST_PATH_IMAGE191
表示为：
Figure 568244DEST_PATH_IMAGE192
；
其中，
Figure 827187DEST_PATH_IMAGE193
为均方根正则化函数。
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。
步骤31，根据所述粒子群第
Figure 112675DEST_PATH_IMAGE194
次迭代时第
Figure 865998DEST_PATH_IMAGE195
个粒子的速度矩阵
Figure 654962DEST_PATH_IMAGE196
，计算所述粒子群在第
Figure 350386DEST_PATH_IMAGE197
次迭代时第
Figure 123170DEST_PATH_IMAGE195
个粒子的位置矩阵
Figure 663873DEST_PATH_IMAGE198
，具体计算公式包括：
Figure 572923DEST_PATH_IMAGE199
；
其中，
Figure 173669DEST_PATH_IMAGE200
为第
Figure 683016DEST_PATH_IMAGE201
次迭代时第
Figure 27410DEST_PATH_IMAGE202
个粒子的位置矩阵；
Figure 790966DEST_PATH_IMAGE203
为第
Figure 93772DEST_PATH_IMAGE204
次迭代时第
Figure 309990DEST_PATH_IMAGE202
个粒子的速度矩阵；
Figure 458074DEST_PATH_IMAGE205
为第
Figure 826870DEST_PATH_IMAGE204
次迭代时第
Figure 34997DEST_PATH_IMAGE202
个粒子的惯性参数；
Figure 4090DEST_PATH_IMAGE206
为第一学习参数；
Figure 690286DEST_PATH_IMAGE207
为0至1之间的第一随机数；
Figure 428435DEST_PATH_IMAGE208
为第二学习参数；
Figure 73043DEST_PATH_IMAGE209
为0至1之间的第二随机数；
Figure 524839DEST_PATH_IMAGE210
为第
Figure 14727DEST_PATH_IMAGE201
次迭代时第
Figure 341803DEST_PATH_IMAGE202
个粒子的个体最优位置；
Figure 157312DEST_PATH_IMAGE211
为所述粒子群在第
Figure 100997DEST_PATH_IMAGE201
次迭代时的全局最优位置；
Figure 394575DEST_PATH_IMAGE212
为设定最大惯性参数；
Figure 592470DEST_PATH_IMAGE213
为设定最小惯性参数；
Figure 313301DEST_PATH_IMAGE214
为设定最大迭代次数；t为当前迭代次数。
具体的，粒子群第
Figure 310393DEST_PATH_IMAGE216
次迭代时第
Figure 143220DEST_PATH_IMAGE217
个粒子可以理解为粒子群在第
Figure 769373DEST_PATH_IMAGE216
次迭代时中的任一粒子，所有粒子均需要采用步骤31的方式进行循环计算，以完成对粒子群第
Figure 671339DEST_PATH_IMAGE216
次时所有粒子的位置矩阵的更新计算。
在步骤31之前，需要计算
Figure 306720DEST_PATH_IMAGE218
的值，具体包括步骤41至步骤42。
步骤41，计算所述粒子群在第
Figure 728474DEST_PATH_IMAGE204
次迭代时的相对适应函数值；其中，在第
Figure 791108DEST_PATH_IMAGE204
次迭代时第
Figure 665523DEST_PATH_IMAGE202
个粒子的相对适应函数值
Figure 370173DEST_PATH_IMAGE219
的计算公式包括：
Figure 397166DEST_PATH_IMAGE220
；
其中，
Figure 630702DEST_PATH_IMAGE221
为所述粒子群在第
Figure 992413DEST_PATH_IMAGE222
次迭代时的粒子总数；
Figure 235175DEST_PATH_IMAGE223
为所述粒子群在第
Figure 365942DEST_PATH_IMAGE224
次迭代时第
Figure 770379DEST_PATH_IMAGE225
个粒子与第
Figure 134233DEST_PATH_IMAGE226
个粒子的欧式距离；
Figure 649528DEST_PATH_IMAGE227
为在第
Figure 900381DEST_PATH_IMAGE224
次迭代时第
Figure 741298DEST_PATH_IMAGE225
个粒子的适应函数值；
Figure 77601DEST_PATH_IMAGE228
为在第
Figure 396587DEST_PATH_IMAGE224
次迭代时第
Figure 501946DEST_PATH_IMAGE225
个粒子相对于第
Figure 264497DEST_PATH_IMAGE226
个粒子的小生境数；
Figure 822517DEST_PATH_IMAGE229
为设定小生境半径；
Figure 210773DEST_PATH_IMAGE230
为设定优化维度参数。
具体的，第
Figure 170639DEST_PATH_IMAGE222
次迭代时第
Figure 87780DEST_PATH_IMAGE225
个粒子可以理解为粒子群在第
Figure 398675DEST_PATH_IMAGE222
次迭代时中的任一粒子，所有均需要采用步骤41的方式进行循环计算，完成对粒子群第
Figure 574311DEST_PATH_IMAGE222
次时所有粒子的相对适应函数值的更新计算。
步骤42，若所述粒子群在第
Figure 388683DEST_PATH_IMAGE222
次迭代时第
Figure 742304DEST_PATH_IMAGE231
个粒子满足全局最优位置判据，则将第
Figure 274916DEST_PATH_IMAGE222
次迭代时所述第
Figure 4975DEST_PATH_IMAGE231
个粒子的位置矩阵作为所述粒子群在第
Figure 673854DEST_PATH_IMAGE222
次迭代时的全局最优位置
Figure 949108DEST_PATH_IMAGE232
；其中，所述全局最优位置判据的表达式包括：
Figure 234596DEST_PATH_IMAGE233
；
其中，
Figure 237187DEST_PATH_IMAGE234
为0至1之间的第三随机数。
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51，计算所述粒子群在第
Figure 26152DEST_PATH_IMAGE235
次迭代时每个粒子的适应度函数值矩阵；其中，第
Figure 721575DEST_PATH_IMAGE235
次迭代时第
Figure 228780DEST_PATH_IMAGE236
个粒子的适应度函数值矩阵
Figure 284329DEST_PATH_IMAGE237
的计算公式包括：
Figure 193380DEST_PATH_IMAGE238
；
其中，
Figure 59704DEST_PATH_IMAGE239
为均方根正则化函数；
Figure 54205DEST_PATH_IMAGE240
为所述耐久试验载荷数据；
Figure 398599DEST_PATH_IMAGE241
为所述公共道路载荷数据。
步骤52，利用第
Figure 427735DEST_PATH_IMAGE222
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
Figure 950114DEST_PATH_IMAGE222
次迭代时所述粒子群中不存在除第
Figure 697490DEST_PATH_IMAGE242
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
Figure 845575DEST_PATH_IMAGE243
的对应行数值，则认定第
Figure 463638DEST_PATH_IMAGE222
次迭代时第
Figure 671765DEST_PATH_IMAGE242
个粒子满足非支配解判据。
步骤53，从所述粒子群中剔除不满足非支配解判据的粒子，更新所述粒子群在第
Figure 640858DEST_PATH_IMAGE222
次迭代时的粒子分布。
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。
在步骤31之前，需要计算
Figure 576322DEST_PATH_IMAGE244
的值，具体包括步骤71。
步骤71，若第
Figure 314471DEST_PATH_IMAGE245
次迭代时第
Figure 693500DEST_PATH_IMAGE246
个粒子的适应度函数值矩阵
Figure 884310DEST_PATH_IMAGE247
的每一行数值均小于该粒子在第
Figure 374197DEST_PATH_IMAGE248
次迭代时的适应度函数值矩阵的对应行数值，则将第
Figure 232432DEST_PATH_IMAGE245
次迭代时第
Figure 533094DEST_PATH_IMAGE246
个粒子的位置矩阵作为第
Figure 211200DEST_PATH_IMAGE245
次迭代时第
Figure 504778DEST_PATH_IMAGE246
个粒子的个体最优位置
Figure 951940DEST_PATH_IMAGE249
，否则，将该粒子在第
Figure 672771DEST_PATH_IMAGE250
次迭代时的位置矩阵作为第
Figure 103753DEST_PATH_IMAGE245
次迭代时第
Figure 184710DEST_PATH_IMAGE246
个粒子的个体最优位置
Figure 486378DEST_PATH_IMAGE251
。
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。
步骤81，若所述粒子群在第
Figure 378111DEST_PATH_IMAGE245
次迭代时满足所述迭代终止条件中的任一条件，则将所述粒子群的位置矩阵
Figure 296388DEST_PATH_IMAGE252
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，所述迭代终止条件的表达式包括；
Figure 666190DEST_PATH_IMAGE253
；
其中，
Figure 87944DEST_PATH_IMAGE254
为
Figure 166890DEST_PATH_IMAGE255
的子矩阵；
Figure 41305DEST_PATH_IMAGE256
为设定终止参数矩阵。
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
Figure 480376DEST_PATH_IMAGE256
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
Figure 756637DEST_PATH_IMAGE258
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：
Figure 255751DEST_PATH_IMAGE259
；
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：
第一计算模块，用于根据所述粒子群第
Figure 617462DEST_PATH_IMAGE260
次迭代时第
Figure 329067DEST_PATH_IMAGE261
个粒子的速度矩阵
Figure 240260DEST_PATH_IMAGE262
，计算所述粒子群在第
Figure 644696DEST_PATH_IMAGE260
次迭代时第
Figure 493703DEST_PATH_IMAGE261
个粒子的位置矩阵
Figure 8998DEST_PATH_IMAGE263
，具体计算公式包括：
Figure 525430DEST_PATH_IMAGE264
；
其中，
Figure 100768DEST_PATH_IMAGE265
为第
Figure 453383DEST_PATH_IMAGE266
次迭代时第
Figure 772369DEST_PATH_IMAGE267
个粒子的位置矩阵；
Figure 143308DEST_PATH_IMAGE268
为第
Figure 889547DEST_PATH_IMAGE266
次迭代时第
Figure 713146DEST_PATH_IMAGE267
个粒子的速度矩阵；
Figure 159126DEST_PATH_IMAGE269
为第
Figure 118992DEST_PATH_IMAGE266
次迭代时第
Figure 36132DEST_PATH_IMAGE267
个粒子的惯性参数；
Figure 363340DEST_PATH_IMAGE270
为第一学习参数；
Figure 24128DEST_PATH_IMAGE271
为0至1之间的第一随机数；
Figure 838500DEST_PATH_IMAGE272
为第二学习参数；
Figure 457701DEST_PATH_IMAGE273
为0至1之间的第二随机数；
Figure 990313DEST_PATH_IMAGE274
为第
Figure 189213DEST_PATH_IMAGE266
次迭代时第
Figure 123671DEST_PATH_IMAGE267
个粒子的个体最优位置；
Figure 163040DEST_PATH_IMAGE275
为所述粒子群在第
Figure 917370DEST_PATH_IMAGE266
次迭代时的全局最优位置；
Figure 185540DEST_PATH_IMAGE276
为设定最大惯性参数；
Figure 240084DEST_PATH_IMAGE277
为设定最小惯性参数；
Figure 669928DEST_PATH_IMAGE278
为设定最大迭代次数；
Figure 177133DEST_PATH_IMAGE279
为当前迭代次数。
在一种可能的实施例中，所述装置还包括：
第二计算模块，用于在所述第一计算模块工作之前，计算所述粒子群在第
Figure 999726DEST_PATH_IMAGE279
次迭代时的相对适应函数值；其中，在第
Figure 643197DEST_PATH_IMAGE279
次迭代时第
Figure 509522DEST_PATH_IMAGE280
个粒子的相对适应函数值
Figure 504023DEST_PATH_IMAGE281
的计算公式包括：
Figure 113996DEST_PATH_IMAGE028
；
其中，
Figure 877552DEST_PATH_IMAGE282
为所述粒子群在第
Figure 164046DEST_PATH_IMAGE283
次迭代时的粒子总数；
Figure 645843DEST_PATH_IMAGE284
为所述粒子群在第
Figure 59507DEST_PATH_IMAGE283
次迭代时第
Figure 677570DEST_PATH_IMAGE285
个粒子与第
Figure 885697DEST_PATH_IMAGE286
个粒子的欧式距离；
Figure 339944DEST_PATH_IMAGE287
为在第
Figure 557298DEST_PATH_IMAGE283
次迭代时第
Figure 29868DEST_PATH_IMAGE285
个粒子的适应函数值；
Figure 408897DEST_PATH_IMAGE288
为在第
Figure 865286DEST_PATH_IMAGE290
次迭代时第
Figure 355173DEST_PATH_IMAGE285
个粒子相对于第
Figure 197096DEST_PATH_IMAGE286
个粒子的小生境数；
Figure 425132DEST_PATH_IMAGE292
为设定小生境半径；
Figure 984289DEST_PATH_IMAGE293
为设定优化维度参数；
第三获取模块，用于在所述粒子群在第
Figure 431451DEST_PATH_IMAGE283
次迭代时第
Figure 152283DEST_PATH_IMAGE294
个粒子满足全局最优位置判据时，将第
Figure 333996DEST_PATH_IMAGE283
次迭代时所述第
Figure 165686DEST_PATH_IMAGE294
个粒子的位置矩阵作为所述粒子群在第
Figure 467354DEST_PATH_IMAGE283
次迭代时的全局最优位置
Figure 359087DEST_PATH_IMAGE295
；其中，所述全局最优位置判据的表达式包括：
Figure 11785DEST_PATH_IMAGE296
；
其中，
Figure 647166DEST_PATH_IMAGE297
为0至1之间的第三随机数。
在一种可能的实施例中，所述装置还包括：
第三计算模块，用于在所述第二计算模块工作前，计算所述粒子群在第
Figure 583767DEST_PATH_IMAGE298
次迭代时每个粒子的适应度函数值矩阵；其中，第
Figure 646401DEST_PATH_IMAGE298
次迭代时第
Figure 520816DEST_PATH_IMAGE299
个粒子的适应度函数值矩阵
Figure 694308DEST_PATH_IMAGE300
的计算公式包括：
Figure 236148DEST_PATH_IMAGE301
；
其中，
Figure 469683DEST_PATH_IMAGE302
为均方根正则化函数；
Figure 582127DEST_PATH_IMAGE303
为所述耐久试验载荷数据；
Figure 824889DEST_PATH_IMAGE304
为所述公共道路载荷数据；
第二建立模块，用于利用第
Figure 221236DEST_PATH_IMAGE305
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
Figure 625672DEST_PATH_IMAGE305
次迭代时所述粒子群中不存在除第
Figure 474680DEST_PATH_IMAGE306
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
Figure 255554DEST_PATH_IMAGE307
的对应行数值，则认定第
Figure 755674DEST_PATH_IMAGE305
次迭代时第
Figure 596591DEST_PATH_IMAGE306
个粒子满足非支配解判据；
第一更新模块，用于从所述粒子群中剔除不满足非支配解判据的粒子，更新所述粒子群在第
Figure 667315DEST_PATH_IMAGE305
次迭代时的粒子分布。
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
Figure 986301DEST_PATH_IMAGE308
次迭代时第
Figure 357240DEST_PATH_IMAGE309
个粒子的适应度函数值矩阵
Figure 103479DEST_PATH_IMAGE310
的每一行数值均小于该粒子在第
Figure 943390DEST_PATH_IMAGE311
次迭代时的适应度函数值矩阵的对应行数值时，将第
Figure 800488DEST_PATH_IMAGE308
次迭代时第
Figure 25932DEST_PATH_IMAGE309
个粒子的位置矩阵作为第
Figure 208652DEST_PATH_IMAGE308
次迭代时第
Figure 253969DEST_PATH_IMAGE309
个粒子的个体最优位置
Figure 914757DEST_PATH_IMAGE312
；还用于在第
Figure 509555DEST_PATH_IMAGE308
次迭代时第
Figure 597597DEST_PATH_IMAGE309
个粒子的适应度函数值矩阵
Figure 130210DEST_PATH_IMAGE313
的任一行数值不小于该粒子在第
Figure 860268DEST_PATH_IMAGE311
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
Figure 794726DEST_PATH_IMAGE311
次迭代时的位置矩阵作为第
Figure 69981DEST_PATH_IMAGE308
次迭代时第
Figure 89889DEST_PATH_IMAGE309
个粒子的个体最优位置
Figure 358060DEST_PATH_IMAGE314
。
在一种可能的实施例中，所述第二获取模块，还包括：
第六获取模块，用于在所述粒子群在第
Figure 412603DEST_PATH_IMAGE308
次迭代时满足所述迭代终止条件中的任一条件时，将所述粒子群的位置矩阵
Figure 842448DEST_PATH_IMAGE315
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，所述迭代终止条件的表达式包括；
Figure 349652DEST_PATH_IMAGE316
；
其中，
Figure 155934DEST_PATH_IMAGE317
为
Figure 48673DEST_PATH_IMAGE318
的子矩阵；
Figure 180577DEST_PATH_IMAGE319
为设定终止参数矩阵。
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。
4.根据权利要求3所述的转换方法，其特征在于，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：
根据所述粒子群第
Figure 24914DEST_PATH_IMAGE002
次迭代时第
Figure 879737DEST_PATH_IMAGE004
个粒子的速度矩阵
Figure 862737DEST_PATH_IMAGE006
，计算所述粒子群在第
Figure 195629DEST_PATH_IMAGE002
次迭代时第
Figure 213264DEST_PATH_IMAGE004
个粒子的位置矩阵
Figure 238989DEST_PATH_IMAGE008
，具体计算公式包括：
Figure DEST_PATH_IMAGE009
；
其中，
Figure DEST_PATH_IMAGE011
为第
Figure DEST_PATH_IMAGE013
次迭代时第
Figure 787913DEST_PATH_IMAGE004
个粒子的位置矩阵；
Figure DEST_PATH_IMAGE015
为第
Figure 393338DEST_PATH_IMAGE013
次迭代时第
Figure 265479DEST_PATH_IMAGE004
个粒子的速度矩阵；
Figure DEST_PATH_IMAGE017
为第
Figure 665367DEST_PATH_IMAGE013
次迭代时第
Figure 622959DEST_PATH_IMAGE004
个粒子的惯性参数；
Figure DEST_PATH_IMAGE019
为第一学习参数；
Figure DEST_PATH_IMAGE021
为0至1之间的第一随机数；
Figure DEST_PATH_IMAGE023
为第二学习参数；
Figure DEST_PATH_IMAGE025
为0至1之间的第二随机数；
Figure DEST_PATH_IMAGE027
为第
Figure DEST_PATH_IMAGE029
次迭代时第
Figure DEST_PATH_IMAGE031
个粒子的个体最优位置；
Figure DEST_PATH_IMAGE033
为所述粒子群在第
Figure 454911DEST_PATH_IMAGE029
次迭代时的全局最优位置；
Figure DEST_PATH_IMAGE035
为设定最大惯性参数；
Figure DEST_PATH_IMAGE037
为设定最小惯性参数；
Figure DEST_PATH_IMAGE039
为设定最大迭代次数；
Figure 791346DEST_PATH_IMAGE029
为当前迭代次数。
5.根据权利要求4所述的转换方法，其特征在于，所述根据所述粒子群第
Figure DEST_PATH_IMAGE041
次迭代时第
Figure DEST_PATH_IMAGE043
个粒子的速度矩阵
Figure DEST_PATH_IMAGE045
，计算所述粒子群在第
Figure 34239DEST_PATH_IMAGE041
次迭代时第
Figure 479127DEST_PATH_IMAGE043
个粒子的位置矩阵
Figure DEST_PATH_IMAGE047
之前，所述方法还包括：
计算所述粒子群在第
Figure 149056DEST_PATH_IMAGE029
次迭代时的相对适应函数值；其中，在第
Figure 995790DEST_PATH_IMAGE029
次迭代时第
Figure 534218DEST_PATH_IMAGE043
个粒子的相对适应函数值
Figure DEST_PATH_IMAGE049
的计算公式包括：
Figure 669665DEST_PATH_IMAGE050
；
其中，
Figure 951741DEST_PATH_IMAGE052
为所述粒子群在第
Figure 918560DEST_PATH_IMAGE054
次迭代时的粒子总数；
Figure 893470DEST_PATH_IMAGE056
为所述粒子群在第
Figure 47370DEST_PATH_IMAGE054
次迭代时第
Figure 133138DEST_PATH_IMAGE058
个粒子与第
Figure 688884DEST_PATH_IMAGE060
个粒子的欧式距离；
Figure 834695DEST_PATH_IMAGE062
为在第
Figure 475892DEST_PATH_IMAGE054
次迭代时第
Figure 99771DEST_PATH_IMAGE058
个粒子的适应函数值；
Figure 775603DEST_PATH_IMAGE064
为在第
Figure 92315DEST_PATH_IMAGE054
次迭代时第
Figure 486387DEST_PATH_IMAGE058
个粒子相对于第
Figure 913958DEST_PATH_IMAGE060
个粒子的小生境数；
Figure 913138DEST_PATH_IMAGE066
为设定小生境半径；
Figure 400751DEST_PATH_IMAGE068
为设定优化维度参数；
若所述粒子群在第
Figure 16540DEST_PATH_IMAGE054
次迭代时第
Figure 513380DEST_PATH_IMAGE070
个粒子满足全局最优位置判据，则将第
Figure 898225DEST_PATH_IMAGE054
次迭代时所述第
Figure 291160DEST_PATH_IMAGE070
个粒子的位置矩阵作为所述粒子群在第
Figure 394246DEST_PATH_IMAGE054
次迭代时的全局最优位置
Figure 163619DEST_PATH_IMAGE072
；其中，所述全局最优位置判据的表达式包括：
Figure 668549DEST_PATH_IMAGE074
；
其中，
Figure 232386DEST_PATH_IMAGE076
为0至1之间的第三随机数。
6.根据权利要求5所述的转换方法，其特征在于，所述计算所述粒子群在第
Figure 822767DEST_PATH_IMAGE078
次迭代时的相对适应函数值之前，所述方法还包括：
计算所述粒子群在第
Figure 395831DEST_PATH_IMAGE078
次迭代时每个粒子的适应度函数值矩阵；其中，第
Figure 489689DEST_PATH_IMAGE078
次迭代时第
Figure 490006DEST_PATH_IMAGE080
个粒子的适应度函数值矩阵
Figure 302104DEST_PATH_IMAGE082
的计算公式包括：
Figure DEST_PATH_IMAGE084
；
其中，
Figure DEST_PATH_IMAGE086
为均方根正则化函数；
Figure DEST_PATH_IMAGE088
为所述耐久试验载荷数据；
Figure DEST_PATH_IMAGE090
为所述公共道路载荷数据；
利用第
Figure 757487DEST_PATH_IMAGE078
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
Figure 971431DEST_PATH_IMAGE078
次迭代时所述粒子群中不存在除第
Figure DEST_PATH_IMAGE092
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
Figure DEST_PATH_IMAGE094
的对应行数值，则认定第
Figure 549174DEST_PATH_IMAGE078
次迭代时第
Figure 848568DEST_PATH_IMAGE092
个粒子满足非支配解判据；
从所述粒子群中剔除不满足非支配解判据的粒子，更新所述粒子群在第
Figure 763435DEST_PATH_IMAGE078
次迭代时的粒子分布。
7.根据权利要求6所述的转换方法，其特征在于，所述利用第
Figure 843604DEST_PATH_IMAGE078
次迭代时满足非支配解判据的粒子构建非支配解集之后，所述方法还包括：
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。
8.根据权利要求6所述的转换方法，其特征在于，所述计算所述粒子群在第
Figure DEST_PATH_IMAGE096
次迭代时第
Figure DEST_PATH_IMAGE098
个粒子的位置矩阵
Figure DEST_PATH_IMAGE100
之前，所述方法还包括：
若第
Figure DEST_PATH_IMAGE102
次迭代时第
Figure 998773DEST_PATH_IMAGE098
个粒子的适应度函数值矩阵
Figure DEST_PATH_IMAGE104
的每一行数值均小于该粒子在第
Figure DEST_PATH_IMAGE106
次迭代时的适应度函数值矩阵的对应行数值，则将第
Figure 191988DEST_PATH_IMAGE102
次迭代时第
Figure 910545DEST_PATH_IMAGE098
个粒子的位置矩阵作为第
Figure 99081DEST_PATH_IMAGE102
次迭代时第
Figure 346522DEST_PATH_IMAGE098
个粒子的个体最优位置
Figure DEST_PATH_IMAGE108
，否则，将该粒子在第
Figure DEST_PATH_IMAGE110
次迭代时的位置矩阵作为第
Figure 292613DEST_PATH_IMAGE102
次迭代时第
Figure 549282DEST_PATH_IMAGE098
个粒子的个体最优位置
Figure DEST_PATH_IMAGE112
。
9.根据权利要求8所述的转换方法，其特征在于，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：
若所述粒子群在第
Figure 795587DEST_PATH_IMAGE102
次迭代时满足所述迭代终止条件中的任一条件，则将所述粒子群的位置矩阵
Figure DEST_PATH_IMAGE114
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，所述迭代终止条件的表达式包括；
Figure DEST_PATH_IMAGE116
；
其中，
Figure DEST_PATH_IMAGE118
为
Figure DEST_PATH_IMAGE120
的子矩阵；
Figure DEST_PATH_IMAGE122
为设定终止参数矩阵。
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。
CN202111296723.7A 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 Active CN113740082B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

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