CN113919080A - 一种基于机器学习的汽车发动机罩力学性能快速评估方法 - Google Patents

一种基于机器学习的汽车发动机罩力学性能快速评估方法 Download PDF

Info

Publication number
CN113919080A
CN113919080A CN202111333331.3A CN202111333331A CN113919080A CN 113919080 A CN113919080 A CN 113919080A CN 202111333331 A CN202111333331 A CN 202111333331A CN 113919080 A CN113919080 A CN 113919080A
Authority
CN
China
Prior art keywords
data set
initial
training data
central point
prediction
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.)
Pending
Application number
CN202111333331.3A
Other languages
English (en)
Inventor
张承霖
陈少伟
杨昊
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.)
Hunan University Aisheng Auto Technology Development Co ltd
Original Assignee
Hunan University Aisheng Auto Technology Development 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 Hunan University Aisheng Auto Technology Development Co ltd filed Critical Hunan University Aisheng Auto Technology Development Co ltd
Priority to CN202111333331.3A priority Critical patent/CN113919080A/zh
Publication of CN113919080A publication Critical patent/CN113919080A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本申请公开了一种基于机器学习的汽车发动机罩力学性能快速评估方法，该方法包括：基于原始数据集和多个初始算法模型，进行多次训练和测试，提取多个初始算法模型的初始特征向量和对应的预测数据集；根据初始特征向量和预测数据集，计算生成中间训练数据集；根据原始数据集的初始中心点集合与预设条件函数，计算预设条件函数收敛时初始中心点集合对应的终止中心点集合；根据终止中心点集合和中间训练数据集，生成训练数据集；根据训练数据集，计算目标函数取值最小时对应的混合智能模型，其中，混合智能模型用于进行汽车发动机罩力学性能快速评估。通过本申请中的技术方案，解决发动机罩的研发周期较长以及预测精度、稳定性偏低的问题。

Description

一种基于机器学习的汽车发动机罩力学性能快速评估方法
技术领域
本申请涉及汽车的技术领域，具体而言，涉及一种基于机器学习的汽车发动机罩力学性能快速评估方法。
背景技术
随着全球汽车行业的快速发展，汽车设计周期不断缩减，传统的汽车零部件设计手段很难满足市场的快速迭代，零件的快速设计方法可以为此问题提供解决思路。汽车发动机罩作为车身结构的重要组成部分，其性能的好坏直接影响着整车的使用性能，特别是发动机罩的刚度及模态等需要满足整车性能要求，故研究发动机罩的力学性能具有重要价值和意义。
而现有的发动机罩结构设计过程中，首先需要进行CAD正向设计，而后通过CAE仿真，对其扭转刚度和一阶模态进行验证，以确定其设计参数是否满足整车性能要求，不仅设计流程复杂、耗费大量的时间，而且，随着发动机罩结构中设计参数的增加，所耗费的时间将成指数增加。
另外，如果出现某一/些设计参数不能满足整车性能要求时，往往还需要依赖工程师丰富的工程经验进行调整，且仍然不可避免设计参数调整过程中的不确定性，延长了发动机罩的研发周期。
发明内容
本申请的目的在于：将多个机器学习算法模型的预测结果，采用融合的方式，运用到发动机罩力学性能评估上，以解决发动机罩的研发周期较长以及预测精度、稳定性偏低的问题。
本申请的技术方案是：提供了一种基于机器学习的汽车发动机罩力学性能快速评估方法，该方法包括：步骤1，基于原始数据集和多个初始算法模型，进行多次训练和测试，提取多个初始算法模型的初始特征向量和对应的预测数据集；步骤2，根据初始特征向量和预测数据集，计算生成中间训练数据集；步骤3，根据原始数据集的初始中心点集合与预设条件函数，计算预设条件函数收敛时初始中心点集合对应的终止中心点集合；步骤4，根据终止中心点集合和中间训练数据集，生成训练数据集；步骤5，根据训练数据集，计算目标函数取值最小时对应的混合智能模型，其中，混合智能模型用于进行汽车发动机罩力学性能快速评估。
上述任一项技术方案中，进一步地，步骤2中，根据初始特征向量和预测数据集，计算生成中间训练数据集，具体包括：步骤21，计算每一次训练和测试对应的预测数据集的预测均值以及预测均值中的最大值；步骤22，基于初始特征向量、初始特征向量中的最大值、预测数据集以及预测均值中的最大值，计算生成中间训练数据集。
上述任一项技术方案中，进一步地，步骤2中，中间训练数据集Dnew(n×k)对应的计算公式为：
Figure BDA0003349729970000021
SM＝Max{Rij}
Figure BDA0003349729970000022
式中，Dnew(n×k)为中间训练数据集，SM为初始特征向量{Rij}中的最大值，
Figure BDA0003349729970000023
为预测数据集{predij}的预测均值，VM为预测数据集中预测均值
Figure BDA0003349729970000024
的最大值，Rij为特征向量{Rij}中第i行第j列的元素。
上述任一项技术方案中，进一步地，步骤3中，具体包括：步骤31，采用聚类算法，确定原始数据集的初始中心点集合；步骤32，根据初始中心点集合，确定原始数据集中每一个训练数据的所属类别；步骤33，根据初始中心点集合和所属类别，采用迭代的方式，计算预设条件函数收敛时初始中心点集合对应的终止中心点集合。
上述任一项技术方案中，进一步地，步骤33中，终止中心点集合{E}new由多个中心点μe组成，终止中心点集合{E}new中心点μe的计算公式为：
Figure BDA0003349729970000031
Figure BDA0003349729970000032
Figure BDA0003349729970000033
式中，m为训练数据xm的编号，m＝1,2,…,M，cm为所属类别，J(c,μ)为预设条件函数。
上述任一项技术方案中，进一步地，步骤5之前，还包括：将训练数据集X在表达方式上进行转换，依次提取终止中心点集合{E}new和中间训练数据集Dnew(n×k)中对应位置的元素，组成数组形式，将训练数据集X转换为：
Figure BDA0003349729970000034
混合智能模型的计算公式为：
Figure BDA0003349729970000035
Figure BDA0003349729970000036
Figure BDA0003349729970000037
式中，
Figure BDA0003349729970000038
为混合智能模型的预测值，J(ω)为目标函数，ω为预设常数。
上述任一项技术方案中，进一步地，初始特征向量至少包括一阶模态特征向量和扭转刚度特征向量。
本申请的有益效果是：
本申请中的技术方案，将多个机器学习算法模型运用到发动机罩力学性能评估上，基于多个初始算法模型的初始特征向量，采用数据融合算法组成新的训练数据集，并通过限定目标函数和新的训练数据集融合为混合智能模型，该模型构建了发动机罩设计参数与力学性能的映射关系，能够快速、准确地预测发动机罩的一阶模态性能和扭转刚度性能。
在本申请的优选实现方式中，以汽车发动机罩为研究对象，充分利用初始特征向量和对应的预测数据集，并设定相应的预设条件函数，挖掘出发动机罩力学性能与其关键设计参数之间的映射关系，以确定最优的训练数据集，进而得到最终的混合智能模型，充分利用了多种机器学习算法的优势，适用于各类发动机罩的力学性能评估，且具有智能化、预测精度较高、稳定性较好的特点，实现了对发动机罩刚度、强度和模态的快速智能评估，能够帮助工程师快速确定最佳设计参数，为汽车发动机罩工程仿真的快速验证提供指导和借鉴意义。
附图说明
本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本申请的一个实施例的基于机器学习的汽车发动机罩力学性能快速评估方法的示意流程图；
图2是根据本申请的一个实施例的设计参数及其在发动机罩位置的示意图；
图3是根据本申请的一个实施例的初始算法模型进行训练的预测结果的示意图；
图4是根据本申请的一个实施例的计算混合智能模型的框图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。
在下面的描述中，阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。
通常情况下，发动机罩结构具有10个以上关键参数。经统计，在发动机罩结构设计过程中，修改一个设计参数所耗费的时间约为20秒，修改一组设计参数耗时约3分钟，完成一组设计参数的性能仿真时间约为2分钟。综合下来，每修改一组设计参数并验证其性能的时间约为5分钟，这往往还需要依赖工程师丰富的工程经验。因此，为了提高发动机罩设计效率，本实施例能够实现对各类发动机罩力学性能的智能评估，从而缩短其开发周期。
如图1所示，本实施例提供了一种基于机器学习的汽车发动机罩力学性能快速评估方法，通过融合了其他机器学习算法的优势，并智能化地对各个优势进行匹配处理，最终构建混合学习模型。该方法具体包括：
步骤1，基于原始数据集{Dn×m}和多个初始算法模型，进行多次训练和测试，提取多个初始算法模型的初始特征向量{Rij}和对应的预测数据集{Predij}，其中，初始特征向量至少包括一阶模态特征向量{Rij}M和扭转刚度特征向量{Rij}T；
具体的，选择任意算法模型，如：极端梯度提升机(XGBoost)、深度神经网络(DNN)、随机森林(RF)、支持训练回归机(SVR)和K近邻算法(KNN)等机器学习算法，作为初始算法模型，对原始数据集{Dn×m}进行多次模型的训练和测试。
设定原训练数据集{Dn×m}为N×M的矩阵，由发动机罩设计过程中的各设计参数确定，其对应的性能数据集为{Pn×k}，为N×K的矩阵。
如图2所示，本实施例中，原训练数据集{Dn×m}中包括的设计参数如表1所示。
表1
Figure BDA0003349729970000051
Figure BDA0003349729970000061
本实施例中，设定进行仿真实验的仿真条件为：CPU，AMD Ryzen-74800H(2.90GHz)；RAM，16.0GB，Windows10。
本实施例中，利用Abaqus与Isight软件进行联合仿真，由于发动机罩的轮廓尺寸必须满足整车的装配关系而无法变动，所以选取发动机罩内部结构的11个关键尺寸参数作为影响发动机罩力学性能的因变量。
另外，本领域技术人员能够理解的是，扭转刚度反映了汽车相关零构件抗变形的能力，扭转刚度的提高能够减少整车车架受载荷时的变形程度。
发动机舱盖处于前舱位置是影响车辆NVH性能的关键因素，发动机舱盖一阶模态值的大小是设计的关键，因此，如何有效提高一阶模态值是工程设计的关键。
所以，本实例中将发动机罩的扭转刚度和一阶模态以数据标签的方式作为研究指标，能够研究发动机罩设计参数对其影响，优化提升该项指标能够提升整车力学、NVH性能。
本实施例中，通过拉丁超立方抽样的方法获取11个设计参数的组合并仿真求解出其对应的标签值，创建一个具有6959个样本数据的发动机罩力学性能预测数据集，作为原训练数据集{Dn×m}，即{D6959×11}。相应的，性能数据集{Pn×k}为{Pn6959×2}。
对各个初始算法模型进行多次训练和测试后，对每一次训练和测试的结果进行提取，提取训练完成的模型的特征向量，作为初始特征向量{Rij}，并将其对应的原训练数据集作为该初始特征向量{Rij}对应的预测数据集{Predij}。
本实施例中涉及W个机器学习算法，如：极端梯度提升机(XGBoost)、深度神经网络(DNN)、随机森林(RF)、支持训练回归机(SVR)和K近邻(KNN)等，将机器学习算法依次记作Wi，i＝1,2,…,W。
设定每个算法模型进行10次由原训练数据集{Dn×m}到性能数据集{Pn×k}的训练和测试，每一次均可得到对应的算法性能指标R2、平均绝对误差MAE以及均方根误差RMSE，即这三个参数构成该算法模型输出的特征向量，即初始特征向量{Rij}，其中，记一阶模态的特征向量为{Rij}M，扭转刚度的特征向量为{Rij}T，i表示第i个机器学习算法的模型，j表示第j次训练和测试，j＝1,2,…,10。
需要说明的是，本实施例对每个机器学习算法的具体实现过程并不限定。
如图3所示，以上述五个机器学习算法为例，在第j次训练和测试时，得到的各模型特征向量中一阶模态对应的预测性能如表2所示，扭转刚度对应的预测性能如表3所示。
表2
预测模型 R<sup>2</sup> MAE RMSE
KNN 0.8816 4.00624 5.11298
SVR 0.9214 3.27109 4.16501
RF 0.9625 1.55750 2.46483
DNN 0.9717 1.38608 2.21335
XGBoost 0.9821 0.82268 1.83339
表3
预测模型 R<sup>2</sup> MAE RMSE
KNN 0.8998 0.05350 0.06693
SVR 0.9333 0.43550 0.04569
RF 0.9549 0.03543 0.03889
DNN 0.9643 0.02259 0.02853
XGBoost 0.9756 0.01117 0.01802
针对一阶模态性能，各个模型第j次训练和测试对应的一阶模态的特征向量{Rij}M为：
{R1j}M＝{0.8816，4.00624，5.11298}
{R2j}M＝{0.9214，3.27109，4.16501}
{R3j}M＝{0.9625，1.55750，2.46483}
{R4j}M＝{0.9717，1.38608，2.21335}
{R5j}M＝{0.9821，0.82268，1.83339}
针对扭转刚度性能，各个模型第j次训练和测试对应的扭转刚度的特征向量{Rij}T为：
{R1j}T＝{0.8998，0.05350，0.06693}
{R2j}T＝{0.9333，0.43550，0.04569}
{R3j}T＝{0.9549，0.03543，0.03889}
{R4j}T＝{0.9643，0.02259，0.02853}
{R5j}T＝{0.9756，0.01117，0.01802}
需要说明的是，由于本实施例中的初始特征向量至少包括一阶模态特征向量{Rij}M和扭转刚度特征向量{Rij}T，因此，在生成后续的训练数据集X时，可以分别根据一阶模态特征向量{Rij}M和扭转刚度特征向量{Rij}T生成对应的训练数据集X，以便在混合智能模型中，针对一阶模态训练算法模型时，用到一阶模态特征向量{Rij}M；针对扭转刚度训练算法模型时，用到扭转刚度特征向量{Rij}T。也可以根据一阶模态特征向量{Rij}M和扭转刚度特征向量{Rij}T生成一个训练数据集X，以便在混合智能模型中进行训练，具体训练过程本实施例并不限定。
步骤2，根据初始特征向量{Rij}和预测数据集{predij}，计算生成中间训练数据集Dnew(n×k)；
本实施例中，每个机器学习算法完成任一次训练和测试后，均会针对原训练数据集{Dn×m}进行数据预测，得到该算法针对原训练数据集{Dn×m}得到的输出结果，进而获得一组相应的预测值Predij，其中，预测值Predij为一组
Figure BDA0003349729970000091
的矩阵，N和K为性能数据集{Pn×k}的行数和列数。
待10次训练和测试完成后，基于10组预测值Predij，将形成预测数据集{Predij}，预测数据集{Predij}为一个N×K的矩阵，该矩阵中的数据是通过训练好的各个机器学习算法对发动机罩的一阶模态和扭转刚度的预测值。
该步骤2中具体包括：
步骤21，计算每一次训练和测试对应的预测数据集{Predij}的预测均值
Figure BDA0003349729970000092
以及预测均值
Figure BDA0003349729970000093
中的最大值VM；
步骤22，基于初始特征向量{Rij}、初始特征向量{Rij}中的最大值SM、预测数据集{Predij}以及预测均值
Figure BDA0003349729970000094
中的最大值VM，计算生成中间训练数据集Dnew(n×k)。
具体的，基于预测数据集{Predij}和特征向量{Rij}，生成中间训练数据集Dnew(n×k)，对应的计算公式为：
Figure BDA0003349729970000095
SM＝Max{Rij}
Figure BDA0003349729970000096
式中，Dnew(n×k)为中间训练数据集，SM为初始特征向量{Rij}中的最大值，
Figure BDA0003349729970000097
为预测数据集{Predij}的预测均值，VM为预测数据集中预测均值
Figure BDA0003349729970000098
的最大值，Rij为特征向量{Rij}中第i行第j列的元素。
步骤3，根据原始数据集{Dn×m}的初始中心点集合{E}与预设条件函数，计算预设条件函数收敛时，初始中心点集合{E}对应的终止中心点集合{E}new；
该步骤3中具体包括：
步骤31，采用聚类算法，确定原始数据集{Dn×m}的初始中心点集合{E}；
步骤32，根据初始中心点集合{E}，确定原始数据集{Dn×m}中每一个训练数据xm的所属类别cm；
具体的，确定原训练数据集{Dn×m}的初始中心点集合{E}，其中，每个中心点记作{μ1,μ2,...,μe,…,μE}，μe为初始中心点集合{E}的中心点，e为初始中心点集合中第e个中心点。
设定原训练数据集{Dn×m}＝{x1,x2,...,xm,…,xM}，其中，xm为第m个训练数据，xm∈R。采用聚类算法的思想，将某点与周边中心点的欧氏距离作为参考依据，进行聚类。以便计算原训练数据集{Dn×m}中所有训练数据的所属类别cm，表示第m个训练数据所归属的类别。对应的计算公式为：
Figure BDA0003349729970000101
步骤33，根据初始中心点集合{E}和所属类别cm，采用迭代的方式，计算预设条件函数收敛时，初始中心点集合{E}对应的终止中心点集合{E}new。
具体的，根据计算出的所属类别cm，更新中心点集合{E}中的每个中心点μe，对应的计算公式为：
Figure BDA0003349729970000102
重复上述过程，直至条件函数收敛，确定终止中心点集合{E}new，其中，预设条件函数J(c,μ)的计算公式为：
Figure BDA0003349729970000111
式中，
Figure BDA0003349729970000117
为第m个数据所在类别的中心点位置，c为第m个数据所属类别，μ为中心位置。
因此，终止中心点集合{E}new中，中心点μe的计算公式为：
Figure BDA0003349729970000112
Figure BDA0003349729970000113
Figure BDA0003349729970000114
式中，m为训练数据xm的编号，m＝1,2,…,M，cm为所属类别，
步骤4，根据终止中心点集合{E}new和中间训练数据集Dnew(n×k)，采用矩阵拼接的方式，生成训练数据集X，对应的训练数据集的计算公式为X＝{Enew，Dnew}。
步骤5，根据训练数据集X，计算目标函数取值最小时对应的混合智能模型，其中，混合智能模型用于进行汽车发动机罩力学性能快速评估。
具体的，如图4所示，通过智能融合算法，将模型特征值及数据集进行特征值融合，实现数据和特征值的“智适应”选择和保留，生成新的混合智能模型。
在融合过程中，将训练数据集X在表达方式上进行转换，依次提取终止中心点集合{E}new和中间训练数据集Dnew(n×k)中对应位置的元素，组成数组形式，将训练数据集X转换为：
Figure BDA0003349729970000115
其中，xi′＝(xi′1,xi′2,...,xi′d)，为终止中心点集合{E}new中的数据，yi为中间训练数据集Dnew(n×k)中数据。
在计算过程中，设f(x)＝ωTxi′+b，yi′＝ωTxi′+εi′，其中，
Figure BDA0003349729970000116
式中，i′为行数，m为总行数，d为第i′行元素的列数，xi′为终止中心点集合{E}new中第i′行元素，yi′为中间训练数据集Dnew(n×k)中数据中第i′行元素，ω为预设常数，εi′为利用第i′行元素进行第i′次预测时真实值与预测值的误差值，σ为正态分布的标准差。
因此，可计算出：
Figure BDA0003349729970000121
设目标函数为：
Figure BDA0003349729970000122
令目标函数取得最小值，可以获得模型：
Figure BDA0003349729970000123
式中，
Figure BDA0003349729970000124
是模型输出，即该混合智能模型建立后对输入数据(训练数据集)的预测值，z是输入数据所对应的CAE软件仿真值。
因此，本实施例中混合智能模型的计算公式为：
Figure BDA0003349729970000125
Figure BDA0003349729970000126
Figure BDA0003349729970000127
利用上述混合智能模型，对新生成的训练数据集X进行性能预测评估，可分别得到一阶模态的预测性能以及扭转刚度的预测性能，分别如表4和表5所示。
表4
预测模型 R<sup>2</sup> MAE RMSE
融合模型 0.9969 0.63871 1.32185
表5
Figure BDA0003349729970000128
Figure BDA0003349729970000131
由表4和表5可以看出，在本实例中所构建的混合智能模型，其对于汽车发动机罩力学性能的预测值的算法性能指标R2值，即模型决定系数分别为0.9969和0.9877，平均绝对误差MAE分别为0.63871和0.00783，表明该混合智能模型预测的准确度较高高，且均方根误差RMSE分别为1.32185和0.00989，表明由该混合智能模型所预测的汽车发动机罩力学性能中异常值的异常幅度不大，说明模型预测的稳定性较好。
并且，通过测算，该混合智能模型运行一组数据所需的时间仅为0.04秒，而通过传统CAE仿真方法，在相同的仿真环境中，运行一组相同的数据，达到相似的仿真效果，则需要花费20分钟左右。因此，本实施例中混合智能模型能够在保证仿真精度的同时，大幅度提高工程人员的设计效率。
以上结合附图详细说明了本申请的技术方案，本申请提出了一种基于机器学习的汽车发动机罩力学性能快速评估方法，该方法包括：步骤1，基于原始数据集和多个初始算法模型，进行多次训练和测试，提取多个初始算法模型的初始特征向量和对应的预测数据集，其中，初始特征向量至少包括一阶模态特征向量和扭转刚度特征向量；步骤2，根据初始特征向量和预测数据集，计算生成中间训练数据集；步骤3，根据原始数据集的初始中心点集合与预设条件函数，计算预设条件函数收敛时初始中心点集合对应的终止中心点集合；步骤4，根据终止中心点集合和中间训练数据集，生成训练数据集；步骤5，根据训练数据集，计算目标函数取值最小时对应的混合智能模型，其中，混合智能模型用于进行汽车发动机罩力学性能快速评估。通过本申请中的技术方案，解决发动机罩的研发周期较长以及预测精度、稳定性偏低的问题。
本申请中的步骤可根据实际需求进行顺序调整、合并和删减。
本申请装置中的单元可根据实际需求进行合并、划分和删减。
尽管参考附图详地公开了本申请，但应理解的是，这些描述仅仅是示例性的，并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定，并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。

Claims (7)

1.一种基于机器学习的汽车发动机罩力学性能快速评估方法，其特征在于其特征在于，该方法包括：
步骤1，基于原始数据集和多个初始算法模型，进行多次训练和测试，提取多个所述初始算法模型的初始特征向量和对应的预测数据集；
步骤2，根据所述初始特征向量和所述预测数据集，计算生成中间训练数据集；
步骤3，根据所述原始数据集的初始中心点集合与预设条件函数，计算所述预设条件函数收敛时所述初始中心点集合对应的所述终止中心点集合；
步骤4，根据所述终止中心点集合和所述中间训练数据集，生成训练数据集；
步骤5，根据所述训练数据集，计算目标函数取值最小时对应的混合智能模型，其中，所述混合智能模型用于进行汽车发动机罩力学性能快速评估。
2.如权利要求1所述的基于机器学习的汽车发动机罩力学性能快速评估方法，其特征在于，所述步骤2中，所述根据所述初始特征向量和所述预测数据集，计算生成中间训练数据集，具体包括：
步骤21，计算每一次训练和测试对应的所述预测数据集的预测均值以及所述预测均值中的最大值；
步骤22，基于所述初始特征向量、所述初始特征向量中的最大值、所述预测数据集以及所述预测均值中的最大值，计算生成所述中间训练数据集。
3.如权利要求1或2所述的基于机器学习的汽车发动机罩力学性能快速评估方法，其特征在于，所述步骤2中，所述中间训练数据集Dnew(n×k)对应的计算公式为：
Figure FDA0003349729960000011
SM＝Max{Rij}
Figure FDA0003349729960000012
式中，Dnew(n×k)为所述中间训练数据集，SM为所述初始特征向量{Rij}中的最大值，
Figure FDA0003349729960000021
为所述预测数据集{Predij}的预测均值，VM为所述预测数据集中预测均值
Figure FDA0003349729960000022
的最大值，Rij为所述特征向量{Rij}中第i行第j列的元素。
4.如权利要求1或3所述的基于机器学习的汽车发动机罩力学性能快速评估方法，其特征在于，所述步骤3中，具体包括：
步骤31，采用聚类算法，确定所述原始数据集的初始中心点集合；
步骤32，根据所述初始中心点集合，确定所述原始数据集中每一个训练数据的所属类别；
步骤33，根据所述初始中心点集合和所述所属类别，采用迭代的方式，计算所述预设条件函数收敛时所述初始中心点集合对应的终止中心点集合。
5.如权利要求4所述的基于机器学习的汽车发动机罩力学性能快速评估方法，其特征在于，所述步骤33中，所述终止中心点集合{E}new由多个中心点μe组成，所述终止中心点集合{E}new中心点μe的计算公式为：
Figure FDA0003349729960000023
Figure FDA0003349729960000024
Figure FDA0003349729960000025
式中，m为训练数据xm的编号，m＝1,2,…,M，cm为所属类别，J(c,μ)为所述预设条件函数。
6.如权利要求1至5中任一项所述的基于机器学习的汽车发动机罩力学性能快速评估方法，其特征在于，所述步骤5之前，还包括：
将所述训练数据集X在表达方式上进行转换，依次提取所述终止中心点集合{E}new和所述中间训练数据集Dnew(n×k)中对应位置的元素，组成数组形式，将所述训练数据集X转换为：
Figure FDA0003349729960000026
所述混合智能模型的计算公式为：
Figure FDA0003349729960000031
Figure FDA0003349729960000032
Figure FDA0003349729960000033
式中，
Figure FDA0003349729960000034
为所述混合智能模型的预测值，J(ω)为所述目标函数，ω为预设常数。
7.如权利要求1至5中任一项所述的基于机器学习的汽车发动机罩力学性能快速评估方法，其特征在于，所述初始特征向量至少包括一阶模态特征向量和扭转刚度特征向量。
CN202111333331.3A 2021-11-11 2021-11-11 一种基于机器学习的汽车发动机罩力学性能快速评估方法 Pending CN113919080A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111333331.3A CN113919080A (zh) 2021-11-11 2021-11-11 一种基于机器学习的汽车发动机罩力学性能快速评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111333331.3A CN113919080A (zh) 2021-11-11 2021-11-11 一种基于机器学习的汽车发动机罩力学性能快速评估方法

Publications (1)

Publication Number Publication Date
CN113919080A true CN113919080A (zh) 2022-01-11

Family

ID=79246175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111333331.3A Pending CN113919080A (zh) 2021-11-11 2021-11-11 一种基于机器学习的汽车发动机罩力学性能快速评估方法

Country Status (1)

Country Link
CN (1) CN113919080A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926705A (zh) * 2022-05-12 2022-08-19 网易（杭州）网络有限公司 封面设计模型训练方法、介质、装置和计算设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926705A (zh) * 2022-05-12 2022-08-19 网易（杭州）网络有限公司 封面设计模型训练方法、介质、装置和计算设备
CN114926705B (zh) * 2022-05-12 2024-05-28 网易（杭州）网络有限公司 封面设计模型训练方法、介质、装置和计算设备

Similar Documents

Publication Publication Date Title
CN108959794B (zh) 一种基于深度学习的结构频响动力学模型修正方法
CN110640982A (zh) 一种薄壁注塑件的注塑工艺参数多目标优化方法
Papalambros The optimization paradigm in engineering design: promises and challenges
CN112231839B (zh) 针对高耗时约束的飞行器追峰采样智能探索方法
CN116090111B (zh) 一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法
CN114297779A (zh) 一种飞行器气动力系数快速预测方法、系统及设备
CN113919080A (zh) 一种基于机器学习的汽车发动机罩力学性能快速评估方法
CN113103535A (zh) 一种基于ga-elm-ga的注塑件模具参数优化方法
CN113946911B (zh) 一种基于灰色关联分析法的驾驶室结构优化方法
van Huijgevoort et al. Temporal logic control of nonlinear stochastic systems using a piecewise-affine abstraction
CN113919221A (zh) 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质
JP7147479B2 (ja) 構造体の設計支援方法
CN110210072B (zh) 基于近似模型及差分进化算法求解高维优化问题的方法
CN111639388A (zh) 一种汽车弹性元件参数仿真方法及系统
Zeng et al. Machine learning enabled fusion of CAE data and test data for vehicle crashworthiness performance evaluation by analysis
CN112241811B (zh) “互联网+”环境下定制产品的分层混合性能预测方法
Wang et al. An improved system for efficient shape optimization of vehicle aerodynamics with “noisy” computations
Sharma et al. Multidisciplinary design optimization of automobile tail door
CN116384258B (zh) 一种轮毂-轮胎一体化车轮冲击动力学仿真方法
Mihaylova et al. On the improvement of concept modeling of joints within simplified finite element models with application to structural dynamics
CN115422663B (zh) 一种基于两阶段进化优化的汽车多胞结构吸能盒设计方法及系统
Laili et al. Pattern-based validation metric for simulation models
Hametner et al. An advanced algorithm for partitioning and parameter estimation in local model networks and its application to vehicle vertical dynamics
CN117235477B (zh) 基于深度神经网络的用户群组评估方法和系统
CN116522510B (zh) 一种用于车轮性能仿真的轮胎材料参数的反演方法及系统

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