CN114323672A - 一种基于深度学习的汽车耐候性零部件温度预测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的汽车耐候性零部件温度预测方法，通过用夜晚训练数据集对深度学习模型进行训练，得到夜晚天空温度估计模型；并且，通过该夜晚天空温度估计模型预测出耐候性试验车辆汽车曝晒试验场在夜晚目标时刻的夜晚天空温度估计值，再通过公式二预测出任意目标车辆的任意目标汽车外部部件在任意夜晚目标时刻的温度。通过用白天训练数据集对深度学习模型进行训练，得到白天太阳辐照量矫正系数预测模型；并且，通过该白天太阳辐照量矫正系数预测模型预测出耐候性试验车辆汽车曝晒试验场在白天目标时刻的白天太阳辐照量矫正系数，再通过公式四预测出任意目标车辆的任意目标汽车外部部件在任意白天目标时刻的温度。

Description

一种基于深度学习的汽车耐候性零部件温度预测方法

技术领域

本发明涉及汽车耐候性试验，具体的说是一种基于深度学习的汽车耐候性零部件温度预测方法。

背景技术

乘用车作为一种使用频率较高的户外交通工具，在服役期内会遭遇阳光暴晒、高温、潮湿、雨水、气候骤变等各种气候环境，从而产生老化、腐蚀等失效现象，不仅影响消费者对汽车的观感和使用舒适性，还会影响到汽车的使用寿命，严重时可导致汽车功能失效，对消费者生命和财产的安全形成隐患。

目前，汽车零部件既可以通过长时间在真实自然环境中进行场试而测得其耐候性，也可以通过如阿伦尼乌兹公式、TNR模型、湿热老化模型、光热老化模型等材料老化评估模型，快速、低成本的实现对大多数高分子材料的汽车零部件的老化程度评估，其中，TRN模型主要是考虑太阳辐照和温度对材料老化的影响，湿热老化模型主要是考虑到水汽和温度对材料老化的影响，光热老化模型主要是考虑光照和温度对材料老化的影响，由此可见，汽车零部件的温度预测对前述材料老化评估模型至关重要。

现有技术中，采用传统的汽车部件温度传热模型实现汽车零部件的温度预测，该汽车部件温度传热模型，包括三种形式：传导、对流和辐射，三种不同的换热方式；对于给定的天气气候数据和汽车整车的几何模型，结合有限元方法和计算机仿真算法，可以建立汽车整体温度场数学模型，能够得到较为不错的温度预测效果。

然而，上述汽车部件温度传热模型存在以下不足：

对于实际的试验情况，对数据和获取和测量往往不能绝对的顺利，例如，汽车的几何模型不好测量，气候数据的测量有误差，某部分天气数据类型没办法获取等。因此，尽管传统的汽车部件温度计算模型有合理的物理背景，但是解决实际问题往往有一定的局限性。

发明内容

本发明所要解决的技术问题是：提供一种基于深度学习的汽车耐候性零部件温度预测方法。

解决上述技术问题，本发明所采用的技术方案如下：

一种基于深度学习的汽车耐候性零部件温度预测方法，其特征在于，包括：

步骤S1、将试验车辆放置于耐候性试验车辆汽车曝晒试验场中进行数据采集，并从采集到的数据中提取出夜晚训练数据集；

所述夜晚训练数据集包含数量能够满足步骤S2训练所需的多组夜晚训练数据，每一组夜晚训练数据均包含属于同一夜晚采样时刻的夜晚气候数据和夜晚天空温度估计值，所述夜晚采样时刻属于太阳辐照度为零的夜间时刻，所述夜晚气候数据包含瞬时温度(℃)、瞬时相对湿度(％RH)、瞬时气压(HPa)、1.5m瞬时风速(m/s)、10m瞬时风速(m/s)、降水量(mm)和降水时数(h)；

其中，所述1.5m瞬时风速和10m瞬时风速分别是指离放置所述试验车辆的地面分别相距1.5m高度和10.m高度的空中位置的瞬时风速；所述降水量和降水时数分别是指所述耐候性试验车辆汽车曝晒试验场从试验开始时刻到采样时刻的累计降水量和累计降水时数；

其中，所述夜晚训练数据集中，任意一个夜晚采样时刻t_j的夜晚天空温度估计值

均按公式一计算得到：

式中，X_sky和X_sur分别表示所述试验车辆的试验汽车外部部件分别对天空和对周围环境的表面角系数，也即X_sky＝(1+cosβ)/2，X_sur＝(1-cosβ)/2，α、ρ、δ、C和ε依次表示所述试验汽车外部部件的辐射吸收率、密度、厚度、比热容和辐射发射率，σ表示stefan-Boltzman常数，Δt_j为相邻两个所述夜晚采样时刻的时间间隔(单位：秒)；

表示所述试验汽车外部部件在所述夜晚采样时刻t_j通过温度传感器测量得到的实际温度，

表示所述试验汽车外部部件在所述夜晚采样时刻t_j的下一个夜晚采样时刻t_j+1通过温度传感器测量得到的实际温度，C₁和C₂的取值分别为5.7W/(m²·K)和3.8W/(m²·K)，V(t_j)表示所述试验车辆在所述夜晚采样时刻t_j的车外气流相对速度也即车外实时风速，Te(t_j)和T_sur(t_j)分别表示所述耐候性试验车辆汽车曝晒试验场在所述夜晚采样时刻t_j的环境温度和地面温度；其中，所述试验汽车外部部件可以是试验车辆上任意面向太阳的外部部件，例如车顶、引擎盖和车尾箱盖等。

步骤S2、用所述夜晚训练数据集对深度学习模型进行训练，以得到输入量和输出量分别为属于同一夜间时刻的夜晚气候数据和夜晚天空温度估计值的夜晚天空温度估计模型；

其中，所述深度学习模型优选采用BP神经网络模型，训练参数可按照现有技术设置，优选为：输入层节点个数为7，1层隐藏层且隐藏层节点数为10，输出层节点数为1，所述夜晚训练数据集按70％：30％的比例划分为训练数据子集和测试数据子集。

步骤S3、将属于所述夜间时刻的目标时刻记为夜晚目标时刻，对此情况，包括：

步骤S3-1、采集所述耐候性试验车辆汽车曝晒试验场在所述夜晚目标时刻的夜晚气候数据；

步骤S3-2、依据所述夜晚目标时刻的夜晚气候数据和所述夜晚天空温度估计模型，预测出所述耐候性试验车辆汽车曝晒试验场在所述夜晚目标时刻的夜晚天空温度估计值

步骤S3-3、按照公式二，预测出目标车辆的目标汽车外部部件在所述夜晚目标时刻的温度T_night：

式中，t表示时间，ρ_o、δ_o、C_o、α_o和ε_o依次表示所述目标汽车外部部件的密度、厚度、比热容、辐射吸收率和辐射发射率，σ表示stefan-Boltzman常数，X_sky-o和X_sur-o分别表示所述目标汽车外部部件分别对天空和对周围环境的表面角系数，也即X_sky-o＝(1+cisβ_o)/2，X_sur-o＝(1-cosβ_o)/2，T_sur-o和T_e-o分别表示所述耐候性试验车辆汽车曝晒试验场在夜晚目标时刻的地面温度和环境温度，C₁和C₂的取值分别为5.7W/(m²·K)和3.8W/(m²·K)，V_o表示所述目标车辆在夜晚目标时刻的车外气流相对速度。

从而，本发明通过用夜晚训练数据集对深度学习模型进行训练，得到输入量和输出量分别为属于同一夜间时刻的夜晚气候数据和夜晚天空温度估计值的夜晚天空温度估计模型，以解决现有技术中夜晚时刻的天空温度值难以计算得到的问题，填补了现有汽车外部部件温度预测中气候数据类型的缺失，有助于提高汽车外部部件温度的预测准确性；并且，通过该夜晚天空温度估计模型预测出耐候性试验车辆汽车曝晒试验场在夜晚目标时刻的夜晚天空温度估计值，再通过公式二预测出任意目标车辆的任意目标汽车外部部件在任意夜晚目标时刻的温度T_night，以避开现有技术中不同汽车的几何模型难以全部获取的问题，进一步提高了汽车外部部件温度的预测准确性；从而能够利用公式二的预测结果T_night进行汽车外部部件的材料老化评估。

作为本发明的优选实施方式：

所述步骤S1中，还从采集到的数据中提取出白天训练数据集；

所述白天训练数据集包含数量能够满足步骤S4训练所需的多组白天训练数据，每一组白天训练数据均包含属于同一白天采样时刻的白天气候数据、太阳入射角度余弦值cosθ_i和白天太阳辐照量矫正系数，所述白天采样时刻属于太阳辐照度不为零的日间时刻，所述白天气候数据包含瞬时温度(℃)、瞬时相对湿度(％RH)、瞬时气压(HPa)、1.5m瞬时风速(m/s)、10m瞬时风速(m/s)、5°分光谱总辐射、19°分光谱总辐射、45°分光谱总辐射、降水量(mm)、降水时数(h)和日照时数(h)；

其中，所述1.5m瞬时风速和10m瞬时风速分别是指离放置所述试验车辆的地面分别相距1.5m高度和10.m高度的空中位置的瞬时风速；所述降水量、降水时数和日照时数分别是指所述耐候性试验车辆汽车曝晒试验场从试验开始时刻到采样时刻的累计降水量、累计降水时数和累计日照时数；所述5°分光谱总辐射、19°分光谱总辐射和45°分光谱总辐射分别是指所述耐候性试验车辆汽车曝晒试验场中分别以朝正南方向倾斜5°、19°和45°放置的太阳辐射表从试验开始时刻到采样时刻测得的辐射值；所述太阳入射角度余弦值cosθ_i是指所述试验车辆的试验汽车外部部件在相应白天采样时刻t_i的太阳入射角度的余弦值；

其中，所述白天训练数据集中，任意一个白天采样时刻t_i的白天太阳辐照量矫正系数k_i均按公式三计算得到：

式中，

表示所述试验汽车外部部件在所述白天采样时刻t_i通过温度传感器测量得到的实际温度，

表示所述试验汽车外部部件在所述白天采样时刻t_i的下一个白天采样时刻t_i+1通过温度传感器测量得到的实际温度，Δt_i为相邻两个所述白天采样时刻的时间间隔(单位：秒)，ρ、δ、C、α和ε依次表示所述试验汽车外部部件的密度、厚度、比热容、辐射吸收率和辐射发射率，G_45，i表示在所述白天采样时刻t_i的45°分光谱总辐射，σ表示stefan-Boltzman常数，X_sky和X_sur分别表示所述试验汽车外部部件分别对天空和对周围环境的表面角系数，也即X_sky＝(1+cosβ)/2，X_sur＝(1-cosβ)/2，T_d-sky，i表示所述白天采样时刻t_i的天空温度，T_sur，i和T_e，i分别表示所述耐候性试验车辆汽车曝晒试验场在所述白天采样时刻t_i的地面温度和环境温度，C₁和C₂的取值分别为5.7W/(m²·K)和3.8W/(m²·K)，V_i表示所述试验车辆在所述白天采样时刻t_i的车外气流相对速度也即车外实时风速，e_d，i表示耐候性试验车辆汽车曝晒试验场在所述白天采样时刻t_i的水汽压(即：饱和水汽压与相对湿度的乘积)；

所述汽车耐候性零部件温度预测方法还包括：

步骤S4、用所述白天训练数据集对深度学习模型进行训练，以得到属于同一日间时刻的输入量为白天气候数据和太阳入射角度余弦值、输出量为白天太阳辐照量矫正系数的白天太阳辐照量矫正系数预测模型；

其中，所述深度学习模型优选采用BP神经网络模型，训练参数可按照现有技术设置，优选为：输入层节点个数为7，1层隐藏层且隐藏层节点数为10，输出层节点数为1，所述白天训练数据集按70％：30％的比例划分为训练数据子集和测试数据子集。

步骤S5、将属于所述日间时刻的目标时刻记为白天目标时刻t_o，对此情况，包括：

步骤S5-1、采集所述耐候性试验车辆汽车曝晒试验场在所述白天目标时刻t_o的白天气候数据和太阳入射角度余弦值cosθ_o；所述太阳入射角度余弦值cosθ_o是指目标车辆的目标汽车外部部件在所述白天目标时刻t_o的太阳入射角度的余弦值；

步骤S5-2、依据所述白天目标时刻t_o的白天气候数据、太阳入射角度余弦值cosθ_o和所述白天太阳辐照量矫正系数预测模型，预测出所述耐候性试验车辆汽车曝晒试验场在所述白天目标时刻t_o的白天太阳辐照量矫正系数k_o；

步骤S5-3、按照公式四，预测出所述目标车辆的目标汽车外部部件在所述白天目标时刻t_o的温度T_day(t_o)：

式中，T_day(t_o+1)表示所述目标汽车外部部件在所述白天目标时刻t_o的下一个白天目标时刻t_o+1的预测温度，Δt_o为所述白天目标时刻t_o与其下一个白天目标时刻t_o+1的时间间隔(单位：秒)，ρ_o、δ_o、C_o、α_o和ε_o依次表示所述目标汽车外部部件的密度、厚度、比热容、辐射吸收率和辐射发射率，G_45，o表示在所述白天目标时刻t_o的45°分光谱总辐射，σ表示stefan-Boltzman常数，X_sky-o和X_sur-_o分别表示所述目标汽车外部部件分别对天空和对周围环境的表面角系数，也即X_sky-o＝(1+cosβ_o)/2，X_sur-o＝(1-cosβ_o)/2，T_d-sky，o表示所述白天目标时刻t_o的天空温度，T_sur，o和T_e，o分别表示所述耐候性试验车辆汽车曝晒试验场在所述白天目标时刻t_o的地面温度和环境温度，C₁和C₂的取值分别为5.7W/(m²·K)和3.8W/(m²·K)，V_o表示所述目标车辆在所述白天目标时刻t_o的车外气流相对速度也即车外实时风速，e_d，o表示耐候性试验车辆汽车曝晒试验场在所述白天目标时刻t_o的水汽压(即：饱和水汽压与相对湿度的乘积)。

从而，本发明通过用白天训练数据集对深度学习模型进行训练，得到属于同一日间时刻的输入量为白天气候数据和太阳入射角度余弦值、输出量为白天太阳辐照量矫正系数的白天太阳辐照量矫正系数预测模型，以填补了现有汽车外部部件温度预测中太阳直接辐照量和太阳散射辐照量的气候数据类型缺失，有助于提高汽车外部部件温度的预测准确性；并且，通过该白天太阳辐照量矫正系数预测模型预测出耐候性试验车辆汽车曝晒试验场在白天目标时刻的白天太阳辐照量矫正系数，再通过公式四预测出任意目标车辆的任意目标汽车外部部件在任意白天目标时刻的温度T_day(t_o)，以避开现有技术中不同汽车的几何模型难以全部获取的问题，进一步提高了汽车外部部件温度的预测准确性；从而能够利用公式四的预测结果T_day(t_o)进行汽车外部部件的材料老化评估。

作为本发明的优选实施方式：所述步骤S1中，将所述试验车辆放置于耐候性试验车辆汽车曝晒试验场中并至少持续一年，并在放置期间以N分钟的采样时间间隔采集包含所述夜晚气候数据、实际温度

环境温度T_e(t_i)、地面温度T_sur(t_j)、车外气流相对速度V(t_j)、白天气候数据、太阳入射角度余弦值cosθ_i、实际温度

地面温度T_sur，i、环境温度T_e，i、车外气流相对速度V_i、水汽压e_d，i的数据，以从采集到的数据中提取出所述夜晚训练数据集和白天训练数据集；其中，N为正数；所述采样时间间隔优选为1分钟，可以直接采用N＝1分钟的采样时间间隔进行数据采集，也可采用N＞1分钟的采样时间间隔进行数据采集，再通过一阶线性内插的方式进行数据内插，以使得采集到的数据的时间间隔为1分钟。

优选的：所述步骤S1中，以所述N分钟的采样时间间隔采集的数据包含所述试验车辆的试验汽车外部部件分别为车顶、引擎盖中部和车尾箱盖中部时通过温度传感器测量得到的实际温度

和实际温度

以通过采集到的数据，计算出所述试验汽车外部部件分别为车顶、引擎盖中部和车尾箱盖中部时的夜晚天空温度估计值

和白天太阳辐照量矫正系数k_i；

并且，计算同一采样时刻下车顶、引擎盖中部和车尾箱盖对应的夜晚天空温度估计值

的夜晚天空温度估计值方差和夜晚天空温度估计值均值，如果该采样时刻下的夜晚天空温度估计值方差在预设的夜晚天空温度方差阈值以下，则将该采样时刻下的夜晚天空温度估计值均值作为所述夜晚训练数据集中的一组夜晚训练数据的夜晚天空温度估计值；否则，认为存在测量误差，将该采样时刻下的采样数据剔除出所述夜晚训练数据集之外；

并且，计算同一采样时刻下车顶、引擎盖中部和车尾箱盖对应的白天太阳辐照量矫正系数k_i的白天太阳辐照量矫正系数方差和白天太阳辐照量矫正系数均值，如果该采样时刻下的白天太阳辐照量矫正系数方差在预设的白天太阳辐照量矫正系数方差阈值以下，则将该采样时刻下的白天太阳辐照量矫正系数均值作为所述白天训练数据集中的一组白天训练数据的白天太阳辐照量矫正系数；否则，认为存在测量误差，将该采样时刻下的采样数据剔除出所述白天训练数据集之外。

从而，能够降低测量误差的影响，提高汽车外部部件温度的预测准确性。

优选的：所述步骤S2中，用所述夜晚训练数据集对深度学习模型进行训练的方式为：先对所述夜晚训练数据集中的同属性数据进行归一化处理，再对归一化处理后的同属性数据进行主成分分析，最后用主成分分析得到的数据对深度学习模型进行训练，以使得深度学习模型的训练速度更快，并减少过拟合的情况。

优选的：所述步骤S4中，用所述白天训练数据集对深度学习模型进行训练的方式为：先对所述白天训练数据集中的同属性数据进行归一化处理，再对归一化处理后的同属性数据进行主成分分析，最后用主成分分析得到的数据对深度学习模型进行训练，以使得深度学习模型的训练速度更快，并减少过拟合的情况。

与现有技术相比，本发明具有以下有益效果：

第一，本发明通过用夜晚训练数据集对深度学习模型进行训练，得到输入量和输出量分别为属于同一夜间时刻的夜晚气候数据和夜晚天空温度估计值的夜晚天空温度估计模型，以解决现有技术中夜晚时刻的天空温度值难以计算得到的问题，填补了现有汽车外部部件温度预测中气候数据类型的缺失，有助于提高汽车外部部件温度的预测准确性；并且，通过该夜晚天空温度估计模型预测出耐候性试验车辆汽车曝晒试验场在夜晚目标时刻的夜晚天空温度估计值，再通过公式二预测出任意目标车辆的任意目标汽车外部部件在任意夜晚目标时刻的温度T_night，以避开现有技术中不同汽车的几何模型难以全部获取的问题，进一步提高了汽车外部部件温度的预测准确性；从而能够利用公式二的预测结果T_night进行汽车外部部件的材料老化评估。

第二，本发明通过用白天训练数据集对深度学习模型进行训练，得到属于同一日间时刻的输入量为白天气候数据和太阳入射角度余弦值、输出量为白天太阳辐照量矫正系数的白天太阳辐照量矫正系数预测模型，以填补了现有汽车外部部件温度预测中太阳直接辐照量和太阳散射辐照量的气候数据类型缺失，有助于提高汽车外部部件温度的预测准确性；并且，通过该白天太阳辐照量矫正系数预测模型预测出耐候性试验车辆汽车曝晒试验场在白天目标时刻的白天太阳辐照量矫正系数，再通过公式四预测出任意目标车辆的任意目标汽车外部部件在任意白天目标时刻的温度T_day(t_o)，以避开现有技术中不同汽车的几何模型难以全部获取的问题，进一步提高了汽车外部部件温度的预测准确性；从而能够利用公式四的预测结果T_day(t_o)进行汽车外部部件的材料老化评估。

第三，本发明在步骤S1中，通过用温度传感器同时采集车顶、引擎盖中部和车尾箱盖中部对应的实际温度

和实际温度

并通过比较方差和预设的方差阈值，将存在测量误差的数据剔除出夜晚训练数据集和白天训练数据集之外，并以车顶、引擎盖中部和车尾箱盖中部三者的均值作为训练数据，能够降低测量误差的影响，提高汽车外部部件温度的预测准确性。

附图说明

下面结合附图和具体实施例对本发明作进一步的详细说明：

图1为本发明的流程框图。

具体实施方式

下面结合实施例及其附图对本发明进行详细说明，以帮助本领域的技术人员更好的理解本发明的发明构思，但本发明权利要求的保护范围不限于下述实施例，对本领域的技术人员来说，在不脱离本发明之发明构思的前提下，没有做出创造性劳动所获得的所有其他实施例，都属于本发明的保护范围。

实施例一

如图1所示，本发明公开的是一种基于深度学习的汽车耐候性零部件温度预测方法，包括：

步骤S1、将试验车辆放置于耐候性试验车辆汽车曝晒试验场中进行数据采集，并从采集到的数据中提取出夜晚训练数据集；

所述夜晚训练数据集包含数量能够满足步骤S2训练所需的多组夜晚训练数据，每一组夜晚训练数据均包含属于同一夜晚采样时刻的夜晚气候数据和夜晚天空温度估计值，所述夜晚采样时刻属于太阳辐照度为零的夜间时刻，所述夜晚气候数据包含瞬时温度(℃)、瞬时相对湿度(％RH)、瞬时气压(HPa)、1.5m瞬时风速(m/s)、10m瞬时风速(m/s)、降水量(mm)和降水时数(h)；

其中，所述1.5m瞬时风速和10m瞬时风速分别是指离放置所述试验车辆的地面分别相距1.5m高度和10.m高度的空中位置的瞬时风速；所述降水量和降水时数分别是指所述耐候性试验车辆汽车曝晒试验场从试验开始时刻到采样时刻的累计降水量和累计降水时数；

其中，所述夜晚训练数据集中，任意一个夜晚采样时刻t_j的夜晚天空温度估计值

均按公式一计算得到：

式中，X_sky和X_sur分别表示所述试验车辆的试验汽车外部部件分别对天空和对周围环境的表面角系数，也即X_sky＝(1+cosβ)/2，X_sur＝(1-cosβ)/2，β是指所述试验汽车外部部件的表面与水平面之间的夹角；α、ρ、δ、C和ε依次表示所述试验汽车外部部件的辐射吸收率、密度、厚度、比热容和辐射发射率，σ表示stefan-Boltzman常数，Δt_j为相邻两个所述夜晚采样时刻的时间间隔(单位：秒)；

表示所述试验汽车外部部件在所述夜晚采样时刻t_j通过温度传感器测量得到的实际温度，

表示所述试验汽车外部部件在所述夜晚采样时刻t_j的下一个夜晚采样时刻t_j+1通过温度传感器测量得到的实际温度，C₁和C₂的取值分别为5.7W/(m²·K)和3.8W/(m²·K)，V(t_j)表示所述试验车辆在所述夜晚采样时刻t_j的车外气流相对速度也即车外实时风速，T_e(t_j)和T_sur(t_j)分别表示所述耐候性试验车辆汽车曝晒试验场在所述夜晚采样时刻t_j的环境温度和地面温度；其中，所述试验汽车外部部件可以是试验车辆上任意面向太阳的外部部件，例如车顶、引擎盖和车尾箱盖等。

步骤S2、用所述夜晚训练数据集对深度学习模型进行训练，以得到输入量和输出量分别为属于同一夜间时刻的夜晚气候数据和夜晚天空温度估计值的夜晚天空温度估计模型；

其中，所述深度学习模型优选采用BP神经网络模型，训练参数可按照现有技术设置，优选为：输入层节点个数为7，1层隐藏层且隐藏层节点数为10，输出层节点数为1，所述夜晚训练数据集按70％：30％的比例划分为训练数据子集和测试数据子集。

步骤S3、将属于所述夜间时刻的目标时刻记为夜晚目标时刻，对此情况，包括：

步骤S3-1、采集所述耐候性试验车辆汽车曝晒试验场在所述夜晚目标时刻的夜晚气候数据；

步骤S3-2、依据所述夜晚目标时刻的夜晚气候数据和所述夜晚天空温度估计模型，预测出所述耐候性试验车辆汽车曝晒试验场在所述夜晚目标时刻的夜晚天空温度估计值

步骤S3-3、按照公式二，预测出目标车辆的目标汽车外部部件在所述夜晚目标时刻的温度T_night：

式中，t表示时间，ρ_o、δ_o、C_o、α_o和ε_o依次表示所述目标汽车外部部件的密度、厚度、比热容、辐射吸收率和辐射发射率，σ表示stefan-Boltzman常数，X_sky-o和X_sur-o分别表示所述目标汽车外部部件分别对天空和对周围环境的表面角系数，也即X_sky-o＝(1+cosβ_o)/2，X_sur-o＝(1-cosβ_o)/2，β_o是指所述目标汽车外部部件的表面与水平面之间的夹角；T_sur-o和T_e-o分别表示所述耐候性试验车辆汽车曝晒试验场在夜晚目标时刻的地面温度和环境温度，C₁和C₂的取值分别为5.7W/(m²·K)和3.8W/(m²·K)，V_o表示所述目标车辆在夜晚目标时刻的车外气流相对速度。

从而，本发明通过用夜晚训练数据集对深度学习模型进行训练，得到输入量和输出量分别为属于同一夜间时刻的夜晚气候数据和夜晚天空温度估计值的夜晚天空温度估计模型，以解决现有技术中夜晚时刻的天空温度值难以计算得到的问题，填补了现有汽车外部部件温度预测中气候数据类型的缺失，有助于提高汽车外部部件温度的预测准确性；并且，通过该夜晚天空温度估计模型预测出耐候性试验车辆汽车曝晒试验场在夜晚目标时刻的夜晚天空温度估计值，再通过公式二预测出任意目标车辆的任意目标汽车外部部件在任意夜晚目标时刻的温度T_night，以避开现有技术中不同汽车的几何模型难以全部获取的问题，进一步提高了汽车外部部件温度的预测准确性；从而能够利用公式二的预测结果T_night进行汽车外部部件的材料老化评估。

以上为本实施例一的基本实施方式，可以在该基本实施方式的基础上做进一步的优化、改进和限定：

优选的：所述步骤S2中，用所述夜晚训练数据集对深度学习模型进行训练的方式为：先对所述夜晚训练数据集中的同属性数据进行归一化处理，再对归一化处理后的同属性数据进行主成分分析，最后用主成分分析得到的数据对深度学习模型进行训练，以使得深度学习模型的训练速度更快，并减少过拟合的情况。

实施例二

在上述实施例一的基础上，本实施例二还采用了以下优选的实施方式：

所述步骤S1中，还从采集到的数据中提取出白天训练数据集；

所述白天训练数据集包含数量能够满足步骤S4训练所需的多组白天训练数据，每一组白天训练数据均包含属于同一白天采样时刻的白天气候数据、太阳入射角度余弦值cosθ_i和白天太阳辐照量矫正系数，所述白天采样时刻属于太阳辐照度不为零的日间时刻，所述白天气候数据包含瞬时温度(℃)、瞬时相对湿度(％RH)、瞬时气压(HPa)、1.5m瞬时风速(m/s)、10m瞬时风速(m/s)、5°分光谱总辐射、19°分光谱总辐射、45°分光谱总辐射、降水量(mm)、降水时数(h)和日照时数(h)；

其中，所述1.5m瞬时风速和10m瞬时风速分别是指离放置所述试验车辆的地面分别相距1.5m高度和10.m高度的空中位置的瞬时风速；所述降水量、降水时数和日照时数分别是指所述耐候性试验车辆汽车曝晒试验场从试验开始时刻到采样时刻的累计降水量、累计降水时数和累计日照时数；所述5°分光谱总辐射、19°分光谱总辐射和45°分光谱总辐射分别是指所述耐候性试验车辆汽车曝晒试验场中分别以朝正南方向倾斜5°、19°和45°放置的太阳辐射表从试验开始时刻到采样时刻测得的辐射值；所述太阳入射角度余弦值cosθ_i是指所述试验车辆的试验汽车外部部件在相应白天采样时刻t_i的太阳入射角度的余弦值；

其中，所述白天训练数据集中，任意一个白天采样时刻t_i的白天太阳辐照量矫正系数k_i均按公式三计算得到：

式中，

表示所述试验汽车外部部件在所述白天采样时刻t_i通过温度传感器测量得到的实际温度，

表示所述试验汽车外部部件在所述白天采样时刻t_i的下一个白天采样时刻t_i+1通过温度传感器测量得到的实际温度，Δt_i为相邻两个所述白天采样时刻的时间间隔(单位：秒)，ρ、δ、C、α和ε依次表示所述试验汽车外部部件的密度、厚度、比热容、辐射吸收率和辐射发射率，G_45，i表示在所述白天采样时刻t_i的45°分光谱总辐射，σ表示stefan-Boltzman常数，X_sky和X_sur分别表示所述试验汽车外部部件分别对天空和对周围环境的表面角系数，也即X_sky＝(1+cisβ)/2，X_sur＝(1-cosβ)/2，β是指所述试验汽车外部部件的表面与水平面之间的夹角；T_d-sky，i表示所述白天采样时刻t_i的天空温度，T_sur，i和T_e，i分别表示所述耐候性试验车辆汽车曝晒试验场在所述白天采样时刻t_i的地面温度和环境温度，C₁和C₂的取值分别为5.7W/(m²·K)和3.8W/(m²·K)，V_i表示所述试验车辆在所述白天采样时刻t_i的车外气流相对速度也即车外实时风速，e_d，i表示耐候性试验车辆汽车曝晒试验场在所述白天采样时刻t_i的水汽压(即：饱和水汽压与相对湿度的乘积)；

所述汽车耐候性零部件温度预测方法还包括：

步骤S4、用所述白天训练数据集对深度学习模型进行训练，以得到属于同一日间时刻的输入量为白天气候数据和太阳入射角度余弦值、输出量为白天太阳辐照量矫正系数的白天太阳辐照量矫正系数预测模型；

其中，所述深度学习模型优选采用BP神经网络模型，训练参数可按照现有技术设置，优选为：输入层节点个数为7，1层隐藏层且隐藏层节点数为10，输出层节点数为1，所述白天训练数据集按70％：30％的比例划分为训练数据子集和测试数据子集。

步骤S5、将属于所述日间时刻的目标时刻记为白天目标时刻t_o，对此情况，包括：

步骤S5-1、采集所述耐候性试验车辆汽车曝晒试验场在所述白天目标时刻t_o的白天气候数据和太阳入射角度余弦值cosθ_o；所述太阳入射角度余弦值cosθ_o是指目标车辆的目标汽车外部部件在所述白天目标时刻t_o的太阳入射角度的余弦值；

步骤S5-2、依据所述白天目标时刻t_o的白天气候数据、太阳入射角度余弦值cosθ_o和所述白天太阳辐照量矫正系数预测模型，预测出所述耐候性试验车辆汽车曝晒试验场在所述白天目标时刻t_o的白天太阳辐照量矫正系数k_o；

步骤S5-3、按照公式四，预测出所述目标车辆的目标汽车外部部件在所述白天目标时刻t_o的温度T_day(t_o)：

式中，T_day(t_o+1)表示所述目标汽车外部部件在所述白天目标时刻t_o的下一个白天目标时刻t_o+1的预测温度，Δt_o为所述白天目标时刻t_o与其下一个白天目标时刻t_o+1的时间间隔(单位：秒)，ρ_o、δ_o、C_o、α_o和ε_o依次表示所述目标汽车外部部件的密度、厚度、比热容、辐射吸收率和辐射发射率，G_45，o表示在所述白天目标时刻t_o的45°分光谱总辐射，σ表示stefan-Boltzman常数，X_sky-o和X_sur-o分别表示所述目标汽车外部部件分别对天空和对周围环境的表面角系数，也即X_sky-o＝(1+cosβ_o)/2，X_sur-o＝(1-cosβ_o)/2，β_o是指所述目标汽车外部部件的表面与水平面之间的夹角；T_d-sky，o表示所述白天目标时刻t_o的天空温度，T_sur，o和T_e，o分别表示所述耐候性试验车辆汽车曝晒试验场在所述白天目标时刻t_o的地面温度和环境温度，C₁和C₂的取值分别为5.7W/(m²·K)和3.8W/(m²·K)，V_o表示所述目标车辆在所述白天目标时刻t_o的车外气流相对速度也即车外实时风速，e_d，o表示耐候性试验车辆汽车曝晒试验场在所述白天目标时刻t_o的水汽压(即：饱和水汽压与相对湿度的乘积)。

从而，本发明通过用白天训练数据集对深度学习模型进行训练，得到属于同一日间时刻的输入量为白天气候数据和太阳入射角度余弦值、输出量为白天太阳辐照量矫正系数的白天太阳辐照量矫正系数预测模型，以填补了现有汽车外部部件温度预测中太阳直接辐照量和太阳散射辐照量的气候数据类型缺失，有助于提高汽车外部部件温度的预测准确性；并且，通过该白天太阳辐照量矫正系数预测模型预测出耐候性试验车辆汽车曝晒试验场在白天目标时刻的白天太阳辐照量矫正系数，再通过公式四预测出任意目标车辆的任意目标汽车外部部件在任意白天目标时刻的温度T_day(t_o)，以避开现有技术中不同汽车的几何模型难以全部获取的问题，进一步提高了汽车外部部件温度的预测准确性；从而能够利用公式四的预测结果T_day(t_o)进行汽车外部部件的材料老化评估。

以上为本实施例二的基本实施方式，可以在该基本实施方式的基础上做进一步的优化、改进和限定：

优选的：所述步骤S4中，用所述白天训练数据集对深度学习模型进行训练的方式为：先对所述白天训练数据集中的同属性数据进行归一化处理，再对归一化处理后的同属性数据进行主成分分析，最后用主成分分析得到的数据对深度学习模型进行训练，以使得深度学习模型的训练速度更快，并减少过拟合的情况。

实施例三

在上述实施例二的基础上，本实施例三还采用了以下优选的实施方式：

所述步骤S1中，将所述试验车辆放置于耐候性试验车辆汽车曝晒试验场中并至少持续一年，并在放置期间以N分钟的采样时间间隔采集包含所述夜晚气候数据、实际温度

环境温度T_e(t_j)、地面温度T_sur(t_j)、车外气流相对速度V(ti)、白天气候数据、太阳入射角度余弦值cosθ_i、实际温度

地面温度T_sur，i、环境温度T_e，i、车外气流相对速度V_i、水汽压e_d，i的数据，以从采集到的数据中提取出所述夜晚训练数据集和白天训练数据集；其中，N为正数；所述采样时间间隔优选为1分钟，可以直接采用N＝1分钟的采样时间间隔进行数据采集，也可采用N＞1分钟的采样时间间隔进行数据采集，再通过一阶线性内插的方式进行数据内插，以使得采集到的数据的时间间隔为1分钟。

以上为本实施例三的基本实施方式，可以在该基本实施方式的基础上做进一步的优化、改进和限定：

优选的：所述步骤S1中，以所述N分钟的采样时间间隔采集的数据包含所述试验车辆的试验汽车外部部件分别为车顶、引擎盖中部和车尾箱盖中部时通过温度传感器测量得到的实际温度

和实际温度

以通过采集到的数据，计算出所述试验汽车外部部件分别为车顶、引擎盖中部和车尾箱盖中部时的夜晚天空温度估计值

和白天太阳辐照量矫正系数k_i；

并且，计算同一采样时刻下车顶、引擎盖中部和车尾箱盖对应的夜晚天空温度估计值

的夜晚天空温度估计值方差和夜晚天空温度估计值均值，如果该采样时刻下的夜晚天空温度估计值方差在预设的夜晚天空温度方差阈值以下，则将该采样时刻下的夜晚天空温度估计值均值作为所述夜晚训练数据集中的一组夜晚训练数据的夜晚天空温度估计值；否则，认为存在测量误差，将该采样时刻下的采样数据剔除出所述夜晚训练数据集之外；

并且，计算同一采样时刻下车顶、引擎盖中部和车尾箱盖对应的白天太阳辐照量矫正系数k_i的白天太阳辐照量矫正系数方差和白天太阳辐照量矫正系数均值，如果该采样时刻下的白天太阳辐照量矫正系数方差在预设的白天太阳辐照量矫正系数方差阈值以下，则将该采样时刻下的白天太阳辐照量矫正系数均值作为所述白天训练数据集中的一组白天训练数据的白天太阳辐照量矫正系数；否则，认为存在测量误差，将该采样时刻下的采样数据剔除出所述白天训练数据集之外。

从而，能够降低测量误差的影响，提高汽车外部部件温度的预测准确性。

另外，本文中涉及到试验汽车外部部件和目标汽车外部部件的参数定义，并非汽车外部部件的整体，而是指汽车外部部件的某一个测点，该测点可以由试验人员根据需要选择。

本发明不局限于上述具体实施方式，根据上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，本发明还可以做出其它多种形式的等效修改、替换或变更，均落在本发明的保护范围之中。

Claims (6)

1.一种基于深度学习的汽车耐候性零部件温度预测方法，其特征在于，包括：

步骤S1、将试验车辆放置于耐候性试验车辆汽车曝晒试验场中进行数据采集，并从采集到的数据中提取出夜晚训练数据集；

所述夜晚训练数据集包含数量能够满足步骤S2训练所需的多组夜晚训练数据，每一组夜晚训练数据均包含属于同一夜晚采样时刻的夜晚气候数据和夜晚天空温度估计值，所述夜晚采样时刻属于太阳辐照度为零的夜间时刻，所述夜晚气候数据包含瞬时温度、瞬时相对湿度、瞬时气压、1.5m瞬时风速、10m瞬时风速、降水量和降水时数；

其中，所述1.5m瞬时风速和10m瞬时风速分别是指离放置所述试验车辆的地面分别相距1.5m高度和10.m高度的空中位置的瞬时风速；所述降水量和降水时数分别是指所述耐候性试验车辆汽车曝晒试验场从试验开始时刻到采样时刻的累计降水量和累计降水时数；

其中，所述夜晚训练数据集中，任意一个夜晚采样时刻t_j的夜晚天空温度估计值

均按公式一计算得到：

式中，X_sky和X_sur分别表示所述试验车辆的试验汽车外部部件分别对天空和对周围环境的表面角系数，α、ρ、δ、C和ε依次表示所述试验汽车外部部件的辐射吸收率、密度、厚度、比热容和辐射发射率，σ表示stefan-Boltzman常数，Δt_j为相邻两个所述夜晚采样时刻的时间间隔；

表示所述试验汽车外部部件在所述夜晚采样时刻t_j通过温度传感器测量得到的实际温度，

表示所述试验汽车外部部件在所述夜晚采样时刻t_j的下一个夜晚采样时刻t_j+1通过温度传感器测量得到的实际温度，C₁和C₂的取值分别为5.7W/(m²·K)和3.8W/(m²·K)，V(t_j)表示所述试验车辆在所述夜晚采样时刻t_j的车外气流相对速度，T_e(t_j)和T_sur(t_j)分别表示所述耐候性试验车辆汽车曝晒试验场在所述夜晚采样时刻t_j的环境温度和地面温度；

步骤S2、用所述夜晚训练数据集对深度学习模型进行训练，以得到输入量和输出量分别为属于同一夜间时刻的夜晚气候数据和夜晚天空温度估计值的夜晚天空温度估计模型；

步骤S3、将属于所述夜间时刻的目标时刻记为夜晚目标时刻，对此情况，包括：

步骤S3-1、采集所述耐候性试验车辆汽车曝晒试验场在所述夜晚目标时刻的夜晚气候数据；

步骤S3-2、依据所述夜晚目标时刻的夜晚气候数据和所述夜晚天空温度估计模型，预测出所述耐候性试验车辆汽车曝晒试验场在所述夜晚目标时刻的夜晚天空温度估计值

步骤S3-3、按照公式二，预测出目标车辆的目标汽车外部部件在所述夜晚目标时刻的温度T_night：

式中，t表示时间，ρ_o、δ_o、C_o、α_o和ε_o依次表示所述目标汽车外部部件的密度、厚度、比热容、辐射吸收率和辐射发射率，σ表示stefan-Boltzman常数，X_sky-o和X_sur-o分别表示所述目标汽车外部部件分别对天空和对周围环境的表面角系数，T_sur-o和T_e-o分别表示所述耐候性试验车辆汽车曝晒试验场在夜晚目标时刻的地面温度和环境温度，C₁和C₂的取值分别为5.7W/(m²·K)和3.8W/(m²·K)，V_o表示所述目标车辆在夜晚目标时刻的车外气流相对速度。

2.根据权利要求1所述基于深度学习的汽车耐候性零部件温度预测方法，其特征在于：

所述步骤S1中，还从采集到的数据中提取出白天训练数据集；

所述白天训练数据集包含数量能够满足步骤S4训练所需的多组白天训练数据，每一组白天训练数据均包含属于同一白天采样时刻的白天气候数据、太阳入射角度余弦值cosθ_i和白天太阳辐照量矫正系数，所述白天采样时刻属于太阳辐照度不为零的日间时刻，所述白天气候数据包含瞬时温度、瞬时相对湿度、瞬时气压、1.5m瞬时风速、10m瞬时风速、5°分光谱总辐射、19°分光谱总辐射、45°分光谱总辐射、降水量、降水时数和日照时数；

其中，所述1.5m瞬时风速和10m瞬时风速分别是指离放置所述试验车辆的地面分别相距1.5m高度和10.m高度的空中位置的瞬时风速；所述降水量、降水时数和日照时数分别是指所述耐候性试验车辆汽车曝晒试验场从试验开始时刻到采样时刻的累计降水量、累计降水时数和累计日照时数；所述5°分光谱总辐射、19°分光谱总辐射和45°分光谱总辐射分别是指所述耐候性试验车辆汽车曝晒试验场中分别以朝正南方向倾斜5°、19°和45°放置的太阳辐射表从试验开始时刻到采样时刻测得的辐射值；所述太阳入射角度余弦值cosθ_i是指所述试验车辆的试验汽车外部部件在相应白天采样时刻t_i的太阳入射角度的余弦值；

其中，所述白天训练数据集中，任意一个白天采样时刻t_i的白天太阳辐照量矫正系数k_i均按公式三计算得到：

式中，

表示所述试验汽车外部部件在所述白天采样时刻t_i通过温度传感器测量得到的实际温度，

表示所述试验汽车外部部件在所述白天采样时刻t_i的下一个白天采样时刻t_i+1通过温度传感器测量得到的实际温度，Δt_i为相邻两个所述白天采样时刻的时间间隔，ρ、δ、C、α和ε依次表示所述试验汽车外部部件的密度、厚度、比热容、辐射吸收率和辐射发射率，G_45，i表示在所述白天采样时刻t_i的45°分光谱总辐射，σ表示stefan-Boltzman常数，X_sky和X_sur分别表示所述试验汽车外部部件分别对天空和对周围环境的表面角系数，T_d-sky，i表示所述白天采样时刻t_i的天空温度，T_sur，i和T_e，i分别表示所述耐候性试验车辆汽车曝晒试验场在所述白天采样时刻t_i的地面温度和环境温度，C₁和C₂的取值分别为5.7W/(m²·K)和3.8W/(m²·K)，V_i表示所述试验车辆在所述白天采样时刻t_i的车外气流相对速度，e_d，i表示耐候性试验车辆汽车曝晒试验场在所述白天采样时刻t_i的水汽压；

所述汽车耐候性零部件温度预测方法还包括：

步骤S4、用所述白天训练数据集对深度学习模型进行训练，以得到属于同一日间时刻的输入量为白天气候数据和太阳入射角度余弦值、输出量为白天太阳辐照量矫正系数的白天太阳辐照量矫正系数预测模型；

步骤S5、将属于所述日间时刻的目标时刻记为白天目标时刻t_o，对此情况，包括：

步骤S5-1、采集所述耐候性试验车辆汽车曝晒试验场在所述白天目标时刻t_o的白天气候数据和太阳入射角度余弦值cisθ_o；所述太阳入射角度余弦值cosθ_o是指目标车辆的目标汽车外部部件在所述白天目标时刻t_o的太阳入射角度的余弦值；

步骤S5-2、依据所述白天目标时刻t_o的白天气候数据、太阳入射角度余弦值cosθ_o和所述白天太阳辐照量矫正系数预测模型，预测出所述耐候性试验车辆汽车曝晒试验场在所述白天目标时刻t_o的白天太阳辐照量矫正系数k_o；

步骤S5-3、按照公式四，预测出所述目标车辆的目标汽车外部部件在所述白天目标时刻t_o的温度T_day(t_o)：

式中，T_day(t_o+1)表示所述目标汽车外部部件在所述白天目标时刻t_o的下一个白天目标时刻t_o+1的预测温度，Δt_o为所述白天目标时刻t_o与其下一个白天目标时刻t_o+1的时间间隔，ρ_o、δ_o、C_o、α_o和ε_o依次表示所述目标汽车外部部件的密度、厚度、比热容、辐射吸收率和辐射发射率，G_45，o表示在所述白天目标时刻t_o的45°分光谱总辐射，σ表示stefan-Boltzman常数，X_sky-o和X_sur-o分别表示所述目标汽车外部部件分别对天空和对周围环境的表面角系数，T_d-sky，o表示所述白天目标时刻t_o的天空温度，T_sur，o和T_e，o分别表示所述耐候性试验车辆汽车曝晒试验场在所述白天目标时刻t_o的地面温度和环境温度，C₁和C₂的取值分别为5.7W/(m²·K)和3.8W/(m²·K)，V_o表示所述目标车辆在所述白天目标时刻t_o的车外气流相对速度，e_d，o表示耐候性试验车辆汽车曝晒试验场在所述白天目标时刻t_o的水汽压。

3.根据权利要求2所述基于深度学习的汽车耐候性零部件温度预测方法，其特征在于：所述步骤S1中，将所述试验车辆放置于耐候性试验车辆汽车曝晒试验场中并至少持续一年，并在放置期间以N分钟的采样时间间隔采集数据，以从采集到的数据中提取出所述夜晚训练数据集和白天训练数据集；其中，N为正数。

4.根据权利要求3所述基于深度学习的汽车耐候性零部件温度预测方法，其特征在于：所述步骤S1中，以所述N分钟的采样时间间隔采集的数据包含所述试验车辆的试验汽车外部部件分别为车顶、引擎盖中部和车尾箱盖中部时通过温度传感器测量得到的实际温度

和实际温度

以通过采集到的数据，计算出所述试验汽车外部部件分别为车顶、引擎盖中部和车尾箱盖中部时的夜晚天空温度估计值

和白天太阳辐照量矫正系数k_i；

并且，计算同一采样时刻下车顶、引擎盖中部和车尾箱盖对应的夜晚天空温度估计值

的夜晚天空温度估计值方差和夜晚天空温度估计值均值，如果该采样时刻下的夜晚天空温度估计值方差在预设的夜晚天空温度方差阈值以下，则将该采样时刻下的夜晚天空温度估计值均值作为所述夜晚训练数据集中的一组夜晚训练数据的夜晚天空温度估计值；否则，将该采样时刻下的采样数据剔除出所述夜晚训练数据集之外；

并且，计算同一采样时刻下车顶、引擎盖中部和车尾箱盖对应的白天太阳辐照量矫正系数k_i的白天太阳辐照量矫正系数方差和白天太阳辐照量矫正系数均值，如果该采样时刻下的白天太阳辐照量矫正系数方差在预设的白天太阳辐照量矫正系数方差阈值以下，则将该采样时刻下的白天太阳辐照量矫正系数均值作为所述白天训练数据集中的一组白天训练数据的白天太阳辐照量矫正系数；否则，将该采样时刻下的采样数据剔除出所述白天训练数据集之外。

5.根据权利要求1至4任意一项所述基于深度学习的汽车耐候性零部件温度预测方法，其特征在于：所述步骤S2中，用所述夜晚训练数据集对深度学习模型进行训练的方式为：先对所述夜晚训练数据集中的同属性数据进行归一化处理，再对归一化处理后的同属性数据进行主成分分析，最后用主成分分析得到的数据对深度学习模型进行训练。

6.根据权利要求2至4任意一项所述基于深度学习的汽车耐候性零部件温度预测方法，其特征在于：所述步骤S4中，用所述白天训练数据集对深度学习模型进行训练的方式为：先对所述白天训练数据集中的同属性数据进行归一化处理，再对归一化处理后的同属性数据进行主成分分析，最后用主成分分析得到的数据对深度学习模型进行训练。

Images