CN114676598A - 汽车车身系统的整车道路耐久试验的加速方法和装置 - Google Patents

汽车车身系统的整车道路耐久试验的加速方法和装置 Download PDF

Info

Publication number
CN114676598A
CN114676598A CN202210572362.2A CN202210572362A CN114676598A CN 114676598 A CN114676598 A CN 114676598A CN 202210572362 A CN202210572362 A CN 202210572362A CN 114676598 A CN114676598 A CN 114676598A
Authority
CN
China
Prior art keywords
test
body system
vehicle body
determining
value
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.)
Granted
Application number
CN202210572362.2A
Other languages
English (en)
Other versions
CN114676598B (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 CN202210572362.2A priority Critical patent/CN114676598B/zh
Publication of CN114676598A publication Critical patent/CN114676598A/zh
Application granted granted Critical
Publication of CN114676598B publication Critical patent/CN114676598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Abstract

本发明公开了汽车车身系统的整车道路耐久试验的加速方法和装置，包括：确定汽车的车身系统的寿命薄弱关重部位集合；从汽车的轮辋处和寿命薄弱关重部位集合中各个寿命薄弱关重部位处采集多种关重信号试验数据；确定每个初始子试验工况中各个寿命薄弱关重部位对应的关重信号试验数据的疲劳损伤试验值，以及确定每个初始子试验工况中轮辋对应的关重信号试验数据的伪损伤值；从P个初始子试验工况中筛选出W个目标子试验工况；根据W个目标子试验工况中每个目标子试验工况的伪损伤值和疲劳损伤试验值，确定每个目标子试验工况的耐久试验循环次数。本发明提供了加速试验方案的可行解集合，有利于工程师根据实际实施情况制定最合理的试验方案。

Description

汽车车身系统的整车道路耐久试验的加速方法和装置
技术领域
本发明涉及汽车耐久试验技术领域，尤其涉及汽车车身系统的整车道路耐久试验的加速方法和装置。
背景技术
汽车使用的耐久性，是指汽车的整车和总成在达到极限磨损数值或不堪使用之前的工作期限。汽车使用的耐久性就是汽车的使用寿命，它对汽车的技术完好系数、折旧费、大修费都有直接的影响。汽车的耐久性，主要取决于零件的耐磨性和抵抗疲劳、腐蚀的能力。
在汽车研发阶段，会进行多轮次的整车道路耐久试验以验证汽车的可靠耐久性能，以保证汽车上市交付用户后能够安全可靠的使用。然而，相关技术中针对汽车的车身系统还无法准确地确定整车道路耐久试验的加速试验循环次数，导致整车道路耐久试验的周期较长，整车道路耐久试验的成本较高。
发明内容
本申请实施例通过提供汽车车身系统的整车道路耐久试验的加速方法和装置，解决了现有技术中针对汽车的车身系统无法准确地确定整车道路耐久试验的加速试验循环次数，导致整车道路耐久试验的周期较长，整车道路耐久试验的成本较高的技术问题，实现了较准确地确定整车道路耐久试验的加速试验循环次数，缩短整车道路耐久试验的周期，降低整车道路耐久试验的成本的技术效果。
第一方面，本申请提供了汽车车身系统的整车道路耐久试验的加速方法，方法包括：
确定汽车的车身系统的寿命薄弱关重部位集合；
从汽车的轮辋处和寿命薄弱关重部位集合中各个寿命薄弱关重部位处采集多种关重信号试验数据；
针对车身系统的P个初始子试验工况的每个初始子试验工况，确定每个初始子试验工况中各个寿命薄弱关重部位对应的关重信号试验数据的疲劳损伤试验值，以及确定每个初始子试验工况中轮辋对应的关重信号试验数据的伪损伤值，P为正整数；
从P个初始子试验工况中筛选出W个目标子试验工况，目标子试验工况是指各个伪损伤值均小于对应的伪损伤阈值且各个疲劳损伤试验值均小于对应的疲劳损伤试验值的初始子试验工况，W为小于P的正整数；
根据W个目标子试验工况中每个目标子试验工况的伪损伤值和疲劳损伤试验值，确定每个目标子试验工况的耐久试验循环次数。
进一步地，确定汽车的车身系统的寿命薄弱关重部位集合，包括：
确定车身系统与汽车的底盘系统的连接点的载荷信号；
建立车身系统的有限元模型，并在车身系统与底盘系统的连接点施加单位载荷，确定车身系统的单位应力响应；
根据车身系统的单位应力响应、车身系统与底盘系统的连接点的载荷信号和车身系统对应的材料应力寿命曲线，确定车身系统的寿命薄弱关重部位集合。
进一步地，确定车身系统与汽车的底盘系统的连接点的载荷信号，包括：
建立汽车的整车多体仿真模型，整车多体仿真模型包括前悬架模型、后悬架模型、动力总成模型、转向模型、制动模型、车轮柔性环物理模型、车身模型；
根据整车道路耐久试验需求建立虚拟试车场路面；
控制整车多体仿真模型在虚拟试车场路面上按照整车道路耐久试验需求行驶，确定汽车的车身系统和底盘系统的连接点的载荷信号。
进一步地，根据车身系统的单位应力响应、车身系统与底盘系统的连接点的载荷信号和车身系统对应的材料应力寿命曲线，确定车身系统的寿命薄弱关重部位集合，包括：
根据车身系统的单位应力响应、车身系统与底盘系统的连接点的载荷信号和车身系统对应的材料应力寿命曲线，确定车身系统的各个关重部位的疲劳损伤模拟值；
从各个关重部位中选择出疲劳损伤模拟值大于损伤模拟阈值，且各个关重部位的疲劳损伤模拟值按照从大到小的顺序排序中的前N个寿命薄弱关重部位，N个寿命薄弱关重部位构成寿命薄弱关重部位集合；N为正整数。
进一步地，从汽车的轮辋处和寿命薄弱关重部位集合中各个寿命薄弱关重部位处采集多种关重信号试验数据，包括：
在汽车的各个轮辋上布置轮心六分力传感器，在车身系统的各个寿命薄弱关重部位上布置三向应变片传感器；
在布置有轮心六分力传感器和三向应变片传感器的汽车按照整车道路耐久试验需求行驶的过程中，获取各个轮心六分力传感器的汽车轮心六分力载荷信号，以及各个三向应变片传感器的应变片信号，将各个轮心六分力传感器的汽车轮心六分力载荷信号以及各个三向应变片传感器的应变片信号作为关重信号试验数据。
进一步地，确定每个初始子试验工况中各个寿命薄弱关重部位对应的关重信号试验数据的疲劳损伤试验值，包括：
根据当前初始子试验工况中每个寿命薄弱关重部位对应的关重信号试验数据，以及车身系统的材料应力寿命曲线，确定当前初始子试验工况中每个寿命薄弱关重部位对应的疲劳损伤试验值；
确定每个初始子试验工况中轮辋对应的关重信号试验数据的伪损伤值，包括：
根据当前初始子试验工况中轮辋对应的关重信号试验数据和标准应力寿命曲线，确定每个初始子试验工况中轮辋对应的伪损伤值。
进一步地，根据W个目标子试验工况中每个目标子试验工况的伪损伤值和疲劳损伤试验值，确定每个目标子试验工况的耐久试验循环次数，包括：
通过人工蜂群算法，根据W个目标子试验工况中每个目标子试验工况的伪损伤值和疲劳损伤试验值，确定每个目标子试验工况的耐久试验循环次数。
第二方面，本申请提供了汽车车身系统的整车道路耐久试验的加速装置，装置包括：
寿命薄弱关重部位集合确定模块，用于确定汽车的车身系统的寿命薄弱关重部位集合；
关重信号试验数据确定模块，用于从汽车的轮辋处和寿命薄弱关重部位集合中各个寿命薄弱关重部位处采集多种关重信号试验数据；
疲劳损伤试验值和伪损伤值确定模块，用于针对车身系统的P个初始子试验工况的每个初始子试验工况，确定每个初始子试验工况中各个寿命薄弱关重部位对应的关重信号试验数据的疲劳损伤试验值，以及确定每个初始子试验工况中轮辋对应的关重信号试验数据的伪损伤值，P为正整数；
目标子试验工况确定模块，用于从P个初始子试验工况中筛选出W个目标子试验工况，目标子试验工况是指各个伪损伤值均小于对应的伪损伤阈值且各个疲劳损伤试验值均小于对应的疲劳损伤试验值的初始子试验工况，W为小于P的正整数；
耐久试验循环次数确定模块，用于根据W个目标子试验工况中每个目标子试验工况的伪损伤值和疲劳损伤试验值，确定每个目标子试验工况的耐久试验循环次数。
第三方面，本申请提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行以实现如第一方面提供的汽车车身系统的整车道路耐久试验的加速方法。
第四方面，本申请提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行实现如第一方面提供的汽车车身系统的整车道路耐久试验的加速方法。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请先计算获取车身系统在整车道路耐久试验工况下的寿命薄弱关重部位集合；采集车身系统的寿命薄弱关重部位集合以及车辋在整车道路耐久试验工况下的关重信号通道；构建车身系统在整车道路耐久试验工况下的关重信号通道的疲劳损伤值向量；将车身系统在整车道路耐久子试验工况的关重信号通道的疲劳损伤值向量进行缩减，以减少非目标子试验工况的数量；构建加速方案的子试验工况的循环次数向量的边界条件；基于人工蜂群算法求解加速方案的子试验工况的循环次数向量，从而制定针对车身系统的整车整车道路耐久试验的加速试验方案。
本申请避免了仅仅采集汽车在整车道路耐久试验工况下的轮心六分力载荷信号通道的试验方式，而是综合了寿命薄弱关重部位集合以及车辋的传感器数据，并从P个子试验工况中选择出W个典型工况，以提供更多的工况进行耐久试验，而不是仅仅依据经验确定一种或几种工况进行耐久试验。本申请综合了寿命薄弱关重部位集合的疲劳损伤值以及车辋的伪损伤值，能够更全面的反映车身系统真实的耐久寿命情况。本申请最终提供的外部集合包括多个工况试验集合，提供了加速试验方案的可行解集合，有利于工程师根据实际实施情况制定最合理的试验方案。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本申请提供的汽车车身系统的整车道路耐久试验的加速方法的流程示意图；
图2为本申请提供的汽车车身系统的整车道路耐久试验的加速装置的结构示意图；
图3为本申请提供的一种电子设备的结构示意图。
具体实施方式
本申请实施例通过提供汽车车身系统的整车道路耐久试验的加速方法，解决了现有技术中无法准确地确定针对汽车的车身系统的整车道路耐久试验的加速试验循环次数，导致整车道路耐久试验的周期较长，整车道路耐久试验的成本较高的技术问题。
本申请实施例的技术方案为解决上述技术问题，总体思路如下：
汽车车身系统的整车道路耐久试验的加速方法，方法包括：确定汽车的车身系统的寿命薄弱关重部位集合；从汽车的轮辋处和寿命薄弱关重部位集合中各个寿命薄弱关重部位处采集多种关重信号试验数据；针对车身系统的P个初始子试验工况的每个初始子试验工况，确定每个初始子试验工况中各个寿命薄弱关重部位对应的关重信号试验数据的疲劳损伤试验值，以及确定每个初始子试验工况中轮辋对应的关重信号试验数据的伪损伤值，P为正整数；从P个初始子试验工况中筛选出W个目标子试验工况，目标子试验工况是指P个初始子试验工况中，各个伪损伤值均小于对应的伪损伤阈值且各个疲劳损伤试验值均小于对应的疲劳损伤试验值的初始子试验工况，W为小于P的正整数；根据W个目标子试验工况中每个目标子试验工况的伪损伤值和疲劳损伤试验值，确定每个目标子试验工况的耐久试验循环次数。
本实施例先计算获取车身系统在整车道路耐久试验工况下的寿命薄弱关重部位集合；采集车身系统的寿命薄弱关重部位集合以及车辋在整车道路耐久试验工况下的关重信号通道；构建车身系统在整车道路耐久试验工况下的关重信号通道的疲劳损伤值向量；将车身系统在整车道路耐久子试验工况的关重信号通道的疲劳损伤值向量进行缩减，以减少非目标子试验工况的数量；构建加速方案的子试验工况的循环次数向量的边界条件；基于人工蜂群算法求解加速方案的子试验工况的循环次数向量，从而制定针对车身系统的整车整车道路耐久试验的加速试验方案。
本实施例避免了仅仅采集汽车在整车道路耐久试验工况下的轮心六分力载荷信号通道的试验方式，而是综合了寿命薄弱关重部位集合以及车辋的传感器数据，并从P个子试验工况中选择出W个典型工况，以提供更多的工况进行耐久试验，而不是仅仅依据经验确定一种或几种工况进行耐久试验。本实施例综合了寿命薄弱关重部位集合的疲劳损伤值以及车辋的伪损伤值，能够更全面的反映车身系统真实的耐久寿命情况。本实施例最终提供的外部集合包括多个工况试验集合，提供了加速试验方案的可行解集合，有利于工程师根据实际实施情况制定最合理的试验方案。
更具体地，本实施例提出的一种汽车车身系统的整车道路耐久试验方法，实现针对汽车车身系统的整车道路耐久试验的加速验证，在加速算法上同时考虑针对车身系统的输入载荷激励即轮心垂向载荷激励以及车身系统的真实疲劳寿命分布；解决了制定加速方案时选择道路耐久试验子工况的依据；并且采用人工蜂群算法给出试验子工况对应循环工况的计算方法，该算法是给出可行解集合，更有利于工程师根据经验来制定加速试验方案；有效的实现将长周期的整车道路耐久试验加速成短周期的整车道路耐久试验，从而缩短车身系统耐久性能的验证周期及降低验证的费用，具有重要的工程意义。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
首先说明，本文中出现的术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
相关技术中，主要根据经验选择某一种或几种道路耐久试验子工况进行耐久试验，作为汽车车身系统加速道路耐久试验的验证子工况，再基于伪损伤对等的方法，计算某一种道路耐久试验子工况在四个轮心上垂向载荷伪损伤数值等于整车道路耐久试验工况下的伪损伤数值。
然而，该方式中选择某一种或几种道路耐久试验子工况的原因缺乏理论依据。轮心垂向载荷伪损伤数值只是轮心输入载荷的一个考察指标，并不能完全反应车身系统真实的耐久寿命情况，因此，仅仅依靠垂向载荷伪损伤数值相等作为等效的核心算法并不充分。另外，相关技术中也无法提供加速试验方案的可行解集合，不利于工程师根据实际实施情况制定最合理的试验方案。
为了解决上述问题，本实施例提供了如图1所示的汽车车身系统的整车道路耐久试验的加速方法，方法包括步骤S11-步骤S16。
步骤S11，确定汽车的车身系统的寿命薄弱关重部位集合。
步骤S11包括步骤S21-步骤S23。
步骤S21，确定车身系统与汽车的底盘系统的连接点的载荷信号。
可以通过仿真软件建立汽车的整车多体仿真模型，整车多体仿真模型包括前悬架模型、后悬架模型、动力总成模型、转向模型、制动模型、车轮柔性环物理模型（即FTire车轮模型，为柔性环模型的物理模型，基于轮胎参数辨识试验获取，可提供不规则路面甚至短波长激励时的载荷预测，已用于车辆的平顺性仿真分析以及车辆的操纵稳定性研究）、车身模型。
根据整车道路耐久试验需求建立虚拟试车场路面。整车道路耐久试验需求可以根据整车道路耐久试验规范建立。
控制整车多体仿真模型在虚拟试车场路面上按照整车道路耐久试验需求行驶，确定汽车的车身系统和底盘系统的连接点的载荷信号。
步骤S22，建立车身系统的有限元模型，并在车身系统与底盘系统的连接点施加单位载荷，确定车身系统的单位应力响应。
建立车身系统的有限元模型，采用惯性释放的计算方法分别在车身系统与底盘系统连接点施加单位载荷，从而得到车身系统的单位应力响应。有限元模型的建立过程可参考相关技术，本实施例对此不作赘述。
步骤S23，根据车身系统的单位应力响应、车身系统与底盘系统的连接点的载荷信号和车身系统对应的材料应力寿命曲线，确定车身系统的寿命薄弱关重部位集合。
材料应力寿命曲线，即S-N曲线：是以材料标准试件疲劳强度为纵坐标，以疲劳寿命的对数值lg N为横坐标，表示一定循环特征下标准试件的疲劳强度与疲劳寿命之间关系的曲线，也称应力寿命曲线。
基于多轴疲劳计算方法，根据车身系统的单位应力响应、车身系统与底盘系统的连接点的载荷信号和车身系统对应的材料应力寿命曲线，确定车身系统的各个关重部位的疲劳损伤模拟值。由于车身系统与汽车的底盘系统的连接点的载荷信号是通过仿真模型得到的，单位应力响应是基于有限元模型得到的，因此，将这里得到的疲劳损伤值称为疲劳损伤模拟值。
从各个关重部位中选择出疲劳损伤模拟值大于损伤模拟阈值，且各个关重部位的疲劳损伤模拟值按照从大到小的顺序排序中的前N个寿命薄弱关重部位，N个寿命薄弱关重部位构成寿命薄弱关重部位集合；N为正整数。
例如，假设车身系统寿命薄弱部位的最大疲劳损伤模拟值为
Figure 912397DEST_PATH_IMAGE001
，设定阀系数常数
Figure 44301DEST_PATH_IMAGE002
，将车身系统中寿命薄弱关重部位集合中的各个寿命薄弱部位的疲劳损伤模拟值从大到小依次排序，从中挑选出疲劳损伤模拟值取大于数值
Figure 38801DEST_PATH_IMAGE003
的前N个车身系统的寿命薄弱部位，构成车身系统的寿命薄弱关重部位集合。
步骤S12，从汽车的轮辋处和寿命薄弱关重部位集合中各个寿命薄弱关重部位处采集多种关重信号试验数据。
在汽车的各个轮辋（通常为4个轮辋）上布置轮心六分力传感器，在车身系统的各个寿命薄弱关重部位上布置三向应变片传感器。布置了轮心六分力传感器和三向应变片传感器之后，在汽车按照整车道路耐久试验需求行驶的过程中，获取各个轮心六分力传感器的汽车轮心六分力载荷信号，以及各个三向应变片传感器的应变片信号，将各个轮心六分力传感器的汽车轮心六分力载荷信号以及各个三向应变片传感器的应变片信号作为关重信号试验数据。
步骤S13，针对车身系统的P个初始子试验工况的每个初始子试验工况，确定每个初始子试验工况中各个寿命薄弱关重部位对应的关重信号试验数据的疲劳损伤试验值，以及确定每个初始子试验工况中轮辋对应的关重信号试验数据的伪损伤值，P为正整数。
设定整车道路试验工况包括
Figure 914354DEST_PATH_IMAGE004
个子试验工况，每一个子试验工况
Figure 881173DEST_PATH_IMAGE005
（其中
Figure 934710DEST_PATH_IMAGE006
）对应的里程长度为
Figure 416507DEST_PATH_IMAGE007
。
确定每个初始子试验工况中各个寿命薄弱关重部位对应的关重信号试验数据的疲劳损伤试验值的具体步骤包括：
根据当前初始子试验工况中每个寿命薄弱关重部位对应的关重信号试验数据，以及车身系统的材料应力寿命曲线，确定当前初始子试验工况中每个寿命薄弱关重部位对应的疲劳损伤试验值。
疲劳损伤值一般是用有限元法得到交变载荷作用下结构的应力或应变时间历程，再根据材料的S-N曲线或E-N曲线，用Miner方法累积计算得到疲劳损伤值。
以采集的车身系统的寿命薄弱关重部位的应变片信号及车身系统材料的S-N曲线为输入，基于S-N疲劳寿命计算方法可以更新得到在整车道路耐久试验工况下的车身系统的寿命薄弱关重部位的疲劳损伤值。由于该疲劳损伤值是直接由试验测量数据计算得到，因此记为疲劳损伤试验值，进而可以与前述的疲劳损伤模拟值进行区别。疲劳损伤试验值的精度优于前述计算得到的车身系统的寿命薄弱关重部位的疲劳损伤模拟值。更新得到的车身系统的寿命薄弱关重部位的疲劳损伤试验值，其表达公式如下：
Figure 830171DEST_PATH_IMAGE008
其中：
Figure 261284DEST_PATH_IMAGE009
——在整车道路耐久试验工况下的车身系统的寿命薄弱关重部位的疲劳损伤值向量；
Figure 734990DEST_PATH_IMAGE010
——车身系统的寿命薄弱第m处关重部位的疲劳损伤值；
Figure 704083DEST_PATH_IMAGE011
——车身系统的寿命薄弱关重部位的数量；
Figure 921438DEST_PATH_IMAGE012
为在整车道路耐久试验工况下的车身系统的寿命薄弱关重部位的疲劳损伤值向量，体现了整车道路耐久试验对车身系统的考核强度。
确定每个初始子试验工况中轮辋对应的关重信号试验数据的伪损伤值的具体步骤包括：
根据当前初始子试验工况中轮辋对应的关重信号试验数据和标准应力寿命曲线，确定每个初始子试验工况中轮辋对应的伪损伤值。
伪损伤值是指不考虑具体的结构，而是直接把各种载荷信号，例如力、力矩、位移、加速度、应变、应力等都看作广义应力，以广义应力为输入，使用指定的标准S-N曲线，再按照与求疲劳损伤值相同的方式进行循环计数和损伤累积，这样得到的损伤值叫做伪损伤，也叫名义损伤。
车身系统受到的耐久载荷输入主要来源于轮心垂向载荷，因此也可以将采集得到的轮心垂向载荷进行伪损伤计算，并将计算得到的伪损伤数据纳入疲劳损伤值向量
Figure 410319DEST_PATH_IMAGE013
，最终得到车身系统在整车道路耐久试验工况下的关重信号通道的疲劳损伤值向量
Figure 54927DEST_PATH_IMAGE014
，其表达公式如下：
Figure 511316DEST_PATH_IMAGE015
其中：
Figure 266783DEST_PATH_IMAGE016
——车身系统在整车道路耐久试验工况下的关重信号通道的疲劳损伤值向量；
Figure 607241DEST_PATH_IMAGE017
——在整车道路耐久试验工况下的车身系统的寿命薄弱关重部位的疲劳损伤值向量；
Figure 157171DEST_PATH_IMAGE018
——车身系统的寿命薄弱第m处关重部位的疲劳损伤值；
Figure 366435DEST_PATH_IMAGE019
——车身系统的寿命薄弱关重部位的数量；
Figure 660013DEST_PATH_IMAGE020
——采集得到的左前轮心垂向载荷的伪损伤值；
Figure 123487DEST_PATH_IMAGE021
——采集得到的右前轮心垂向载荷的伪损伤值；
Figure 109897DEST_PATH_IMAGE022
——采集得到的左后轮心垂向载荷的伪损伤值；
Figure 275300DEST_PATH_IMAGE023
——采集得到的右后轮心垂向载荷的伪损伤值。
针对P个初始子试验工况的每个初始子试验工况，按照上述确定疲劳损伤试验值的方式，确定每个初始子试验工况中各个寿命薄弱关重部位对应的关重信号试验数据的疲劳损伤试验值；且按照上述确定伪损伤值的方式确定每个初始子试验工况中轮辋对应的关重信号试验数据的伪损伤值，可以得到每一个循环的每个初始子试验工况对应的关重信号通道的疲劳损伤值向量为
Figure 372569DEST_PATH_IMAGE024
，其表达公式如下：
Figure 956128DEST_PATH_IMAGE025
Figure 113440DEST_PATH_IMAGE026
其中：
Figure 766138DEST_PATH_IMAGE027
——车身系统在每一个循环子试验工况组成的关重信号通道的疲劳损伤值矩阵；
Figure 667098DEST_PATH_IMAGE028
——车身系统在每一个循环子试验工况
Figure 105164DEST_PATH_IMAGE029
下的疲劳损伤试验值向量；
Figure 433377DEST_PATH_IMAGE030
、
Figure 573371DEST_PATH_IMAGE031
——车身系统在每一个循环子试验工况
Figure 278022DEST_PATH_IMAGE032
下的第1、m、N个关重信号通道的疲劳损伤试验值；
Figure 561805DEST_PATH_IMAGE033
——采集得到每一个循环子试验工况
Figure 60919DEST_PATH_IMAGE032
下的左前轮心垂向载荷的伪损伤值；
Figure 688210DEST_PATH_IMAGE034
——采集得到每一个循环子试验工况
Figure 134235DEST_PATH_IMAGE032
下的右前轮心垂向载荷的伪损伤值；
Figure 530581DEST_PATH_IMAGE035
——采集得到每一个循环子试验工况
Figure 216908DEST_PATH_IMAGE032
下的左后轮心垂向载荷的伪损伤值；
Figure 331495DEST_PATH_IMAGE036
——采集得到每一个循环子试验工况
Figure 377948DEST_PATH_IMAGE032
下的右后轮心垂向载荷的伪损伤值。
步骤S14，从P个初始子试验工况中筛选出W个目标子试验工况，目标子试验工况是指P个初始子试验工况中，各个伪损伤值均小于对应的伪损伤阈值且各个疲劳损伤试验值均小于对应的疲劳损伤试验值的初始子试验工况，W为小于P的正整数。
对疲劳损伤值向量为
Figure 832063DEST_PATH_IMAGE037
进行预处理，即对于某一子试验工况
Figure 672980DEST_PATH_IMAGE032
（其中
Figure 822333DEST_PATH_IMAGE038
），若该子试验工况
Figure 406898DEST_PATH_IMAGE032
中各个伪损伤值均小于对应的伪损伤阈值，且各个疲劳损伤试验值均小于对应的疲劳损伤试验值，则认为是满足如下表达式，则将该子试验工况剔除，使得该子试验工况不参与后续加速试验方案制定。也就是说从P个初始子试验工况中剔除不满足下述表达式的子试验工况，得到W个目标子实验工况。
Figure 777837DEST_PATH_IMAGE039
其中：
Figure 540388DEST_PATH_IMAGE040
——阀值参数常数
Figure 629566DEST_PATH_IMAGE041
；
Figure 752243DEST_PATH_IMAGE042
——交集运算；
Figure 977688DEST_PATH_IMAGE043
——从1到P所有子试验工况中，第1、m、N个关重信号通道的疲劳损伤向量的数据最大值；
Figure 173790DEST_PATH_IMAGE044
——从1到P所有子试验工况中，左前/右前/左后/右后的轮心垂向载荷的最大伪损伤值；
Figure 219106DEST_PATH_IMAGE045
、
Figure 145474DEST_PATH_IMAGE046
——车身系统在每一个循环子试验工况
Figure 38475DEST_PATH_IMAGE047
下的第1、m、N个关重信号通道的疲劳损伤试验值；
Figure 392095DEST_PATH_IMAGE048
——采集得到每一个循环子试验工况
Figure 924708DEST_PATH_IMAGE047
下的左前轮心垂向载荷的伪损伤值；
Figure 920346DEST_PATH_IMAGE049
——采集得到每一个循环子试验工况
Figure 871115DEST_PATH_IMAGE047
下的右前轮心垂向载荷的伪损伤值；
Figure 395638DEST_PATH_IMAGE050
——采集得到每一个循环子试验工况
Figure 681125DEST_PATH_IMAGE047
下的左后轮心垂向载荷的伪损伤值；
Figure 949296DEST_PATH_IMAGE051
——采集得到每一个循环子试验工况
Figure 754572DEST_PATH_IMAGE047
下的右后轮心垂向载荷的伪损伤值。
针对每子试验工况都进行上述筛选，最终更新计算得到子试验工况共计W个目标子试验工况，更新后的每一个循环子试验工况组成的关重信号通道的疲劳损伤值矩阵
Figure 715575DEST_PATH_IMAGE052
，其表达式如下：
Figure 691621DEST_PATH_IMAGE053
其中：
Figure 497903DEST_PATH_IMAGE054
——更新后的车身系统在每一个循环子试验工况组成的关重信号通道的疲劳损伤值矩阵；
Figure 672532DEST_PATH_IMAGE055
——车身系统在每一个循环子试验工况
Figure 292519DEST_PATH_IMAGE056
下的疲劳损伤值向量；
步骤S15，根据W个目标子试验工况中每个目标子试验工况的伪损伤值和疲劳损伤试验值，确定每个目标子试验工况的耐久试验循环次数。
在根据W个目标子试验工况中每个目标子试验工况的伪损伤值和疲劳损伤试验值，确定每个目标子试验工况的耐久试验循环次数之前，先构建各个子试验工况的循环次数向量的边界条件，具体如下：
本实施例将求解针对汽车车身系统的整车道路试验的加速方案（即求解针对汽车车身系统的整车道路试验加速的循环次数），转换为求解子试验工况的循环次数向量Y，且循环次数向量Y满足如下表达式：
Figure 552599DEST_PATH_IMAGE057
Figure 428151DEST_PATH_IMAGE058
其中：
Figure 457287DEST_PATH_IMAGE059
——车身系统的加速试验方案的每个子试验工况的循环次数向量；
Figure 510825DEST_PATH_IMAGE060
——第1、x、W子试验工况的循环次数；
Figure 992622DEST_PATH_IMAGE061
——
Figure 406286DEST_PATH_IMAGE062
为一个列向量，该运算表示求解每一行绝对值的最小值；
Figure 289928DEST_PATH_IMAGE063
——更新后的车身系统在每一个循环子试验工况组成的关重信号通道的疲劳损伤值矩阵；
Figure 514367DEST_PATH_IMAGE064
——车身系统在整车道路耐久试验工况下的关重信号通道的疲劳损伤值向量。
上述表达式的含义是：每一个循环子试验工况组成的关重信号通道的疲劳损伤值矩阵
Figure 483460DEST_PATH_IMAGE065
与加速试验方案的每个子试验工况的循环次数向量
Figure 435236DEST_PATH_IMAGE066
的乘积与整车道路耐久试验工况下的关重信号通道的疲劳损伤值向量
Figure 438964DEST_PATH_IMAGE067
的差值向量每一行均取最小值。
在建立边界条件之后，通过人工蜂群算法，根据W个目标子试验工况中每个目标子试验工况的伪损伤值和疲劳损伤试验值，确定每个目标子试验工况的耐久试验循环次数，具体包括步骤1-步骤7。
步骤1，随机生成Z个采蜜蜂，即随机生成
Figure 286834DEST_PATH_IMAGE068
个向量
Figure 493956DEST_PATH_IMAGE069
构成初始集合
Figure 515001DEST_PATH_IMAGE070
，
Figure 107657DEST_PATH_IMAGE071
，针对任意向量
Figure 126428DEST_PATH_IMAGE072
的每一行x的生成规则如下表达式：
Figure 70113DEST_PATH_IMAGE073
其中：
Figure 908232DEST_PATH_IMAGE074
——子试验工况的循环次数向量Y的任意第x行；
Figure 620973DEST_PATH_IMAGE075
——子试验工况的循环次数向量Y的第x行的数值，即是第x个子试验工况的循环次数；
Figure 341804DEST_PATH_IMAGE076
——子试验工况的循环次数向量Y的第x行的最小值常数，即是第x个子试验工况的最小循环次数；
Figure 789097DEST_PATH_IMAGE077
——子试验工况的循环次数向量Y的第x行的最大值常数，即是第x个子试验工况的最大循环次数；
Figure 886366DEST_PATH_IMAGE078
——生成0~1范围内的随机数据。
设定目标函数向量G为如下表达式：
令
Figure 719193DEST_PATH_IMAGE079
Figure 814188DEST_PATH_IMAGE080
Figure 732466DEST_PATH_IMAGE081
Figure 649737DEST_PATH_IMAGE082
Figure 71491DEST_PATH_IMAGE083
其中：
Figure 602967DEST_PATH_IMAGE084
——车身系统在每一个循环子试验工况的关重信号通道的疲劳损伤值矩阵；
Figure 742961DEST_PATH_IMAGE085
——车身系统在整车道路耐久试验工况下的关重信号通道的疲劳损伤值向量；
Figure 447612DEST_PATH_IMAGE086
——疲劳损伤值向量
Figure 5763DEST_PATH_IMAGE087
第x行的数值；
Figure 504878DEST_PATH_IMAGE088
——
Figure 335430DEST_PATH_IMAGE089
计算结果，为一个列向量；
Figure 578193DEST_PATH_IMAGE090
——列向量
Figure 240118DEST_PATH_IMAGE088
每一行的数值；
Figure 675515DEST_PATH_IMAGE091
——目标函数列向量；
Figure 790102DEST_PATH_IMAGE092
——列向量
Figure 570976DEST_PATH_IMAGE091
每一行的数值；
Figure 290670DEST_PATH_IMAGE093
——迭代误差列向量；
Figure 131587DEST_PATH_IMAGE094
——迭代误差列向量每一行的数值。
由于人工蜂群算法是一个迭代算法，因此设定存储循环次数向量
Figure 749781DEST_PATH_IMAGE095
的外部解集合为
Figure 334347DEST_PATH_IMAGE096
，其最大存储个数为
Figure 705285DEST_PATH_IMAGE097
，最大迭代次数为
Figure 998994DEST_PATH_IMAGE098
次，迭代误差列向量为
Figure 25856DEST_PATH_IMAGE099
。当迭代次数为
Figure 414112DEST_PATH_IMAGE098
次，或者
Figure 905136DEST_PATH_IMAGE100
中各个向量迭代误差列向量为
Figure 87856DEST_PATH_IMAGE099
，则停止迭代。
步骤2，更新采蜜蜂的位置，即针对每一个向量
Figure 415063DEST_PATH_IMAGE101
的每一行进行更新，表达式如下：
Figure 341431DEST_PATH_IMAGE102
Figure 624645DEST_PATH_IMAGE103
其中：
Figure 40583DEST_PATH_IMAGE104
——更新后的子试验工况的循环次数向量Y的第x行的数值；
Figure 42037DEST_PATH_IMAGE105
——更新前的子试验工况的循环次数向量Y的第x行的数值；
Figure 316636DEST_PATH_IMAGE106
——区间
Figure 454356DEST_PATH_IMAGE107
的随机数；
Figure 244457DEST_PATH_IMAGE108
——随机生成的集合
Figure 529945DEST_PATH_IMAGE109
中子试验工况的循环次数向量Y的第x行的最大值常数；
Figure 814427DEST_PATH_IMAGE110
——随机生成的集合
Figure 868971DEST_PATH_IMAGE109
中子试验工况的循环次数向量Y的第x行的最小值常数。
将更新后的循环次数向量存入到临时集合ST中。
步骤3，针对随机生成Z个采蜜蜂产生精英解，即针对每一个向量
Figure 829974DEST_PATH_IMAGE111
计算其对应的目标函数向量
Figure 337178DEST_PATH_IMAGE112
。制定规则将随机生成
Figure 159772DEST_PATH_IMAGE113
个向量
Figure 537664DEST_PATH_IMAGE114
存入非支配解集SB中，规则如下：
若不存在其它目标函数列向量
Figure 403988DEST_PATH_IMAGE115
的每一行数值均小于目标函数列向量
Figure 664069DEST_PATH_IMAGE116
，则将目标函数列向量
Figure 274041DEST_PATH_IMAGE116
对应的循环次数向量
Figure 53910DEST_PATH_IMAGE117
存入非支配解集SB中；否则不存入。若非支配解集SB中向量的个数
Figure 91136DEST_PATH_IMAGE118
，则在非支配解集SB中随机选择3个循环次数向量Y用于计算生成精英解，如下表达式：
Figure 838512DEST_PATH_IMAGE119
Figure 517755DEST_PATH_IMAGE120
Figure 155060DEST_PATH_IMAGE121
其中：
Figure 628766DEST_PATH_IMAGE122
——新生成的循环次数向量；
Figure 801122DEST_PATH_IMAGE123
——非支配解集SB中随机选择的3个循环次数向量，下角标
Figure 752897DEST_PATH_IMAGE124
依据解密度从小到大进行排序制定。
Figure 22204DEST_PATH_IMAGE125
——解密度；
Figure 151965DEST_PATH_IMAGE126
——非支配解集SB中随机选择的循环次数向量j与向量集合
Figure 811617DEST_PATH_IMAGE127
的第
Figure 567083DEST_PATH_IMAGE128
个向量之间的欧式距离；
Figure 425318DEST_PATH_IMAGE129
——向量集合
Figure 506406DEST_PATH_IMAGE130
中向量的个数；
Figure 653354DEST_PATH_IMAGE131
——非支配解集SB中向量的个数。
若非支配解集SB中向量的个数
Figure 697664DEST_PATH_IMAGE132
，则随机选择解集SB的一个向量作为精英解。
将更新后的精英解循环次数向量存入到临时集合ST中。
步骤4，更新初始集合
Figure 410406DEST_PATH_IMAGE133
，即将临时集合ST与初始集合
Figure 662395DEST_PATH_IMAGE133
取并集，生成新的集合
Figure 93377DEST_PATH_IMAGE134
，集合
Figure 941378DEST_PATH_IMAGE134
共计包括
Figure 711888DEST_PATH_IMAGE135
个向量个数。新的集合
Figure 869200DEST_PATH_IMAGE134
中的任意一个目标函数列向量
Figure 53057DEST_PATH_IMAGE136
，若不存在集合
Figure 688437DEST_PATH_IMAGE134
中其它的目标函数列向量
Figure 579033DEST_PATH_IMAGE137
的每一行数值均小于目标函数列向量
Figure 655049DEST_PATH_IMAGE138
，则将目标函数列向量
Figure 795043DEST_PATH_IMAGE138
对应的循环次数向量
Figure 499694DEST_PATH_IMAGE139
存入非支配解集
Figure 307113DEST_PATH_IMAGE140
中；否则不存入最终生成新的集合
Figure 556960DEST_PATH_IMAGE140
，集合
Figure 184250DEST_PATH_IMAGE140
共计包括
Figure 364696DEST_PATH_IMAGE141
个向量个数；如存在一些目标函数列向量
Figure 26621DEST_PATH_IMAGE142
的每一行数值均小于目标函数列向量
Figure 696637DEST_PATH_IMAGE143
，则同步记录目标函数列向量
Figure 827535DEST_PATH_IMAGE143
支配的列向量个数，记作
Figure 342830DEST_PATH_IMAGE144
。
将非支配解集
Figure DEST_PATH_IMAGE145
存入外部解集合
Figure 656000DEST_PATH_IMAGE146
中的存入规则如下：
若
Figure DEST_PATH_IMAGE147
，则将非支配解集
Figure 982070DEST_PATH_IMAGE148
全部存入外部解集合
Figure 849532DEST_PATH_IMAGE146
中；
若
Figure DEST_PATH_IMAGE149
，则将同步计算非支配解集
Figure 965255DEST_PATH_IMAGE148
中每一个列向量的解密度
Figure 539456DEST_PATH_IMAGE150
，根据解解密度
Figure 293218DEST_PATH_IMAGE150
数值从小到大依次排序，将非支配解集
Figure 382397DEST_PATH_IMAGE148
中排名前
Figure DEST_PATH_IMAGE151
的列向量存入外部解集合
Figure 301811DEST_PATH_IMAGE146
中。
若
Figure 730519DEST_PATH_IMAGE152
，则将非支配解集
Figure 663971DEST_PATH_IMAGE148
全部存入外部解集合
Figure 506025DEST_PATH_IMAGE146
中；计算
Figure DEST_PATH_IMAGE153
中未能存入非支配解集
Figure 963551DEST_PATH_IMAGE148
的每一个列向量的解密度
Figure 794235DEST_PATH_IMAGE150
，根据解解密度
Figure 616697DEST_PATH_IMAGE150
数值从小到大依次排序，将
Figure 414889DEST_PATH_IMAGE153
中排名前
Figure 144948DEST_PATH_IMAGE154
的列向量存入外部解集合
Figure 344985DEST_PATH_IMAGE146
中。
步骤5，生成跟随蜂，计算外部解集合
Figure 885819DEST_PATH_IMAGE146
中的每一个列向量
Figure DEST_PATH_IMAGE155
进行计算，列向量
Figure 640148DEST_PATH_IMAGE156
被选中的概率
Figure DEST_PATH_IMAGE157
，表达式如下：
Figure 705056DEST_PATH_IMAGE158
其中：
Figure DEST_PATH_IMAGE159
——列向量
Figure 38561DEST_PATH_IMAGE160
被选中的概率
Figure DEST_PATH_IMAGE161
；
Figure 530722DEST_PATH_IMAGE162
——常数参数；
Figure DEST_PATH_IMAGE163
、
Figure 585397DEST_PATH_IMAGE164
——目标函数列向量
Figure DEST_PATH_IMAGE165
、
Figure 188416DEST_PATH_IMAGE166
支配的列向量个数；
Figure DEST_PATH_IMAGE167
——集合
Figure 582620DEST_PATH_IMAGE168
共计包括的向量个数；
随机生成
Figure DEST_PATH_IMAGE169
个随机数
Figure 511262DEST_PATH_IMAGE170
，结合计算得到的每一个列向量
Figure 505762DEST_PATH_IMAGE160
被选中的概率
Figure DEST_PATH_IMAGE171
，采用轮盘赌选择法随机选择列向量
Figure 866468DEST_PATH_IMAGE160
。针对被选择的列向量执行计算步骤2、3、4。
轮盘赌选择法（Roulette Wheel Selection）是最简单也是最常用的选择方法，在该方法中，各个个体的选择概率和其适应度值成比例，适应度越大，选中概率也越大。但实际在进行轮盘赌选择时个体的选择往往不是依据个体的选择概率，而是根据“累积概率”来进行选择。
步骤6，生成侦察蜂，外部解集合
Figure 895604DEST_PATH_IMAGE172
中解密度
Figure DEST_PATH_IMAGE173
最大的列向量，随机生成一个新的列向量将其进行替换，随机生成方法与步骤1中一致。
步骤7，重复计算步骤2、3、4、5、6，更新外部解集合
Figure 729567DEST_PATH_IMAGE174
；如果外部解集合
Figure 230606DEST_PATH_IMAGE174
中列向量满足迭代误差列向量为
Figure DEST_PATH_IMAGE175
或者达到最大迭代次数为
Figure 378690DEST_PATH_IMAGE176
次，则停止迭代；否则继续执行计算步骤2、3、4、5、6直到满足迭代停止条件。
最终外部解集合
Figure DEST_PATH_IMAGE177
，集合
Figure 793491DEST_PATH_IMAGE177
包含
Figure 752351DEST_PATH_IMAGE178
个列向量；针对外部解集合中的每一列向量计算其对应的试验总里程
Figure DEST_PATH_IMAGE179
，表达式如下：
Figure 518182DEST_PATH_IMAGE180
Figure DEST_PATH_IMAGE181
其中：
Figure 469957DEST_PATH_IMAGE182
——每一列向量计算其对应的试验总里程；
Figure DEST_PATH_IMAGE183
——外部解集合中的每一列向量，
Figure 755576DEST_PATH_IMAGE184
；
Figure DEST_PATH_IMAGE185
——每个子试验工况的循环次数向量对应的里程长度向量；
Figure 931342DEST_PATH_IMAGE186
、
Figure DEST_PATH_IMAGE187
及
Figure 872885DEST_PATH_IMAGE188
——子试验工况
Figure DEST_PATH_IMAGE189
、
Figure 425089DEST_PATH_IMAGE190
及
Figure DEST_PATH_IMAGE191
对应的试验里程。
针对外部集合
Figure 562285DEST_PATH_IMAGE192
中的列向量，考虑到试验的可执行性以及选取试验总里程
Figure DEST_PATH_IMAGE193
数值较小者，最终作为针对汽车车身系统的整车道路试验的加速试验方案。
综上所述，本实施例先计算获取车身系统在整车道路耐久试验工况下的寿命薄弱关重部位集合；采集车身系统的寿命薄弱关重部位集合以及车辋在整车道路耐久试验工况下的关重信号通道；构建车身系统在整车道路耐久试验工况下的关重信号通道的疲劳损伤值向量；将车身系统在整车道路耐久子试验工况的关重信号通道的疲劳损伤值向量进行缩减，以减少非目标子试验工况的数量；构建加速方案的子试验工况的循环次数向量的边界条件；基于人工蜂群算法求解加速方案的子试验工况的循环次数向量，从而制定针对车身系统的整车整车道路耐久试验的加速试验方案。
本实施例避免了仅仅采集汽车在整车道路耐久试验工况下的轮心六分力载荷信号通道的试验方式，而是综合了寿命薄弱关重部位集合以及车辋的传感器数据，并从P个子试验工况中选择出W个典型工况，以提供更多的工况进行耐久试验，而不是仅仅依据经验确定一种或几种工况进行耐久试验。本实施例综合了寿命薄弱关重部位集合的疲劳损伤值以及车辋的伪损伤值，能够更全面的反映车身系统真实的耐久寿命情况。本实施例最终提供的外部集合
Figure 112215DEST_PATH_IMAGE194
包括多个工况试验集合，提供了加速试验方案的可行解集合，有利于工程师根据实际实施情况制定最合理的试验方案。
更具体地，本实施例提出的一种汽车车身系统的整车道路耐久试验方法，实现针对汽车车身系统的整车道路耐久试验的加速验证，在加速算法上同时考虑针对车身系统的输入载荷激励即轮心垂向载荷激励以及车身系统的真实疲劳寿命分布；解决了制定加速方案时选择道路耐久试验子工况的依据；并且采用人工蜂群算法给出试验子工况对应循环工况的计算方法，该算法是给出可行解集合，更有利于工程师根据经验来制定加速试验方案；有效的实现将长周期的整车道路耐久试验加速成短周期的整车道路耐久试验，从而缩短车身系统耐久性能的验证周期及降低验证的费用，具有重要的工程意义。
基于同一发明构思，本实施例提供了如图2所示的汽车车身系统的整车道路耐久试验的加速装置，装置包括：
寿命薄弱关重部位集合确定模块21，用于确定汽车的车身系统的寿命薄弱关重部位集合；
关重信号试验数据确定模块22，用于从汽车的轮辋处和寿命薄弱关重部位集合中各个寿命薄弱关重部位处采集多种关重信号试验数据；
疲劳损伤试验值和伪损伤值确定模块23，用于针对车身系统的P个初始子试验工况的每个初始子试验工况，确定每个初始子试验工况中各个寿命薄弱关重部位对应的关重信号试验数据的疲劳损伤试验值，以及确定每个初始子试验工况中轮辋对应的关重信号试验数据的伪损伤值，P为正整数；
目标子试验工况确定模块24，用于从P个初始子试验工况中筛选出W个目标子试验工况，目标子试验工况是指各个伪损伤值均小于对应的伪损伤阈值且各个疲劳损伤试验值均小于对应的疲劳损伤试验值的初始子试验工况，W为小于P的正整数；
耐久试验循环次数确定模块25，用于根据W个目标子试验工况中每个目标子试验工况的伪损伤值和疲劳损伤试验值，确定每个目标子试验工况的耐久试验循环次数。
进一步地，寿命薄弱关重部位集合确定模块21，包括：
载荷信号确定子模块，用于确定车身系统与汽车的底盘系统的连接点的载荷信号；
单位应力响应确定子模块，用于建立车身系统的有限元模型，并在车身系统与底盘系统的连接点施加单位载荷，确定车身系统的单位应力响应；
寿命薄弱关重部位集合确定子模块，用于根据车身系统的单位应力响应、车身系统与底盘系统的连接点的载荷信号和车身系统对应的材料应力寿命曲线，确定车身系统的寿命薄弱关重部位集合。
进一步地，载荷信号确定子模块，包括：
整车多体仿真模型建立子模块，用于建立汽车的整车多体仿真模型，整车多体仿真模型包括前悬架模型、后悬架模型、动力总成模型、转向模型、制动模型、车轮柔性环物理模型、车身模型；
虚拟试车场路面建立子模块，用于根据整车道路耐久试验需求建立虚拟试车场路面；
第一载荷信号确定子模块，用于控制整车多体仿真模型在虚拟试车场路面上按照整车道路耐久试验需求行驶，确定汽车的车身系统与底盘系统的连接点的载荷信号。
进一步地，寿命薄弱关重部位集合确定子模块，具体用于：
根据车身系统的单位应力响应、车身系统与底盘系统的连接点的载荷信号和车身系统对应的材料应力寿命曲线，确定车身系统的各个关重部位的疲劳损伤模拟值；
从各个关重部位中选择出疲劳损伤模拟值大于损伤模拟阈值，且各个关重部位的疲劳损伤模拟值按照从大到小的顺序排序中的前N个寿命薄弱关重部位，N个寿命薄弱关重部位构成寿命薄弱关重部位集合；N为正整数。
进一步地，关重信号试验数据确定模块22，具体用于：
在汽车的各个轮辋上布置轮心六分力传感器，在车身系统的各个寿命薄弱关重部位上布置三向应变片传感器；
在布置有轮心六分力传感器和三向应变片传感器的汽车按照整车道路耐久试验需求行驶的过程中，获取各个轮心六分力传感器的汽车轮心六分力载荷信号，以及各个三向应变片传感器的应变片信号，将各个轮心六分力传感器的汽车轮心六分力载荷信号以及各个三向应变片传感器的应变片信号作为关重信号试验数据。
进一步地，疲劳损伤试验值和伪损伤值确定模块23，用于：
根据当前初始子试验工况中每个寿命薄弱关重部位对应的关重信号试验数据，以及车身系统的材料应力寿命曲线，确定当前初始子试验工况中每个寿命薄弱关重部位对应的疲劳损伤试验值；
根据当前初始子试验工况中轮辋对应的关重信号试验数据和标准应力寿命曲线，确定每个初始子试验工况中轮辋对应的伪损伤值。
进一步地，耐久试验循环次数确定模块25具体用于：
通过人工蜂群算法，根据W个目标子试验工况中每个目标子试验工况的伪损伤值和疲劳损伤试验值，确定每个目标子试验工况的耐久试验循环次数。
基于同一发明构思，本实施例提供了如图3所示的一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行以实现如前述提供的汽车车身系统的整车道路耐久试验的加速方法。
基于同一发明构思，本实施例提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行实现如前述提供的汽车车身系统的整车道路耐久试验的加速方法。
由于本实施例所介绍的电子设备为实施本申请实施例中信息处理的方法所采用的电子设备，故而基于本申请实施例中所介绍的信息处理的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中信息处理的方法所采用的电子设备，都属于本申请所欲保护的范围。
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。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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装置。
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性概念，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，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.汽车车身系统的整车道路耐久试验的加速方法，其特征在于，所述方法包括：
确定汽车的车身系统的寿命薄弱关重部位集合；
从所述汽车的轮辋处和所述寿命薄弱关重部位集合中各个寿命薄弱关重部位处采集多种关重信号试验数据；
针对所述车身系统的P个初始子试验工况的每个初始子试验工况，确定每个初始子试验工况中各个寿命薄弱关重部位对应的关重信号试验数据的疲劳损伤试验值，以及确定每个初始子试验工况中所述轮辋对应的关重信号试验数据的伪损伤值，P为正整数；
从所述P个初始子试验工况中筛选出W个目标子试验工况，目标子试验工况是指各个伪损伤值均小于对应的伪损伤阈值且各个疲劳损伤试验值均小于对应的疲劳损伤试验值的初始子试验工况，W为小于P的正整数；
根据所述W个目标子试验工况中每个目标子试验工况的伪损伤值和疲劳损伤试验值，确定每个目标子试验工况的耐久试验循环次数。
2.如权利要求1所述的方法，其特征在于，所述确定汽车的车身系统的寿命薄弱关重部位集合，包括：
确定所述车身系统与所述汽车的底盘系统的连接点的载荷信号；
建立所述车身系统的有限元模型，并在所述车身系统与所述底盘系统的连接点施加单位载荷，确定所述车身系统的单位应力响应；
根据所述车身系统的单位应力响应、所述车身系统与所述底盘系统的连接点的载荷信号和所述车身系统对应的材料应力寿命曲线，确定所述车身系统的寿命薄弱关重部位集合。
3.如权利要求2所述的方法，其特征在于，所述确定所述车身系统与所述汽车的底盘系统的连接点的载荷信号，包括：
建立所述汽车的整车多体仿真模型，所述整车多体仿真模型包括前悬架模型、后悬架模型、动力总成模型、转向模型、制动模型、车轮柔性环物理模型、车身模型；
根据整车道路耐久试验需求建立虚拟试车场路面；
控制所述整车多体仿真模型在所述虚拟试车场路面上按照整车道路耐久试验需求行驶，确定所述汽车的车身系统与底盘系统的连接点的载荷信号。
4.如权利要求2所述的方法，其特征在于，所述根据所述车身系统的单位应力响应、所述车身系统与所述底盘系统的连接点的载荷信号和所述车身系统对应的材料应力寿命曲线，确定所述车身系统的寿命薄弱关重部位集合，包括：
根据所述车身系统的单位应力响应、所述车身系统与所述底盘系统的连接点的载荷信号和所述车身系统对应的材料应力寿命曲线，确定所述车身系统的各个关重部位的疲劳损伤模拟值；
从各个关重部位中选择出疲劳损伤模拟值大于损伤模拟阈值，且各个关重部位的疲劳损伤模拟值按照从大到小的顺序排序中的前N个寿命薄弱关重部位，所述N个寿命薄弱关重部位构成所述寿命薄弱关重部位集合；N为正整数。
5.如权利要求1所述的方法，其特征在于，所述从所述汽车的轮辋处和所述寿命薄弱关重部位集合中各个寿命薄弱关重部位处采集多种关重信号试验数据，包括：
在所述汽车的各个轮辋上布置轮心六分力传感器，在所述车身系统的各个寿命薄弱关重部位上布置三向应变片传感器；
在布置有轮心六分力传感器和三向应变片传感器的所述汽车按照整车道路耐久试验需求行驶的过程中，获取各个轮心六分力传感器的汽车轮心六分力载荷信号，以及各个三向应变片传感器的应变片信号，将各个轮心六分力传感器的汽车轮心六分力载荷信号以及各个三向应变片传感器的应变片信号作为关重信号试验数据。
6.如权利要求1所述的方法，其特征在于，所述确定每个初始子试验工况中各个寿命薄弱关重部位对应的关重信号试验数据的疲劳损伤试验值，包括：
根据当前初始子试验工况中每个寿命薄弱关重部位对应的关重信号试验数据，以及所述车身系统的材料应力寿命曲线，确定当前初始子试验工况中每个寿命薄弱关重部位对应的疲劳损伤试验值；
所述确定每个初始子试验工况中所述轮辋对应的关重信号试验数据的伪损伤值，包括：
根据当前初始子试验工况中所述轮辋对应的关重信号试验数据和标准应力寿命曲线，确定每个初始子试验工况中所述轮辋对应的伪损伤值。
7.如权利要求1所述的方法，其特征在于，所述根据所述W个目标子试验工况中每个目标子试验工况的伪损伤值和疲劳损伤试验值，确定每个目标子试验工况的耐久试验循环次数，包括：
通过人工蜂群算法，根据所述W个目标子试验工况中每个目标子试验工况的伪损伤值和疲劳损伤试验值，确定每个目标子试验工况的耐久试验循环次数。
8.汽车车身系统的整车道路耐久试验的加速装置，其特征在于，所述装置包括：
寿命薄弱关重部位集合确定模块，用于确定汽车的车身系统的寿命薄弱关重部位集合；
关重信号试验数据确定模块，用于从所述汽车的轮辋处和所述寿命薄弱关重部位集合中各个寿命薄弱关重部位处采集多种关重信号试验数据；
疲劳损伤试验值和伪损伤值确定模块，用于针对所述车身系统的P个初始子试验工况的每个初始子试验工况，确定每个初始子试验工况中各个寿命薄弱关重部位对应的关重信号试验数据的疲劳损伤试验值，以及确定每个初始子试验工况中所述轮辋对应的关重信号试验数据的伪损伤值，P为正整数；
目标子试验工况确定模块，用于从所述P个初始子试验工况中筛选出W个目标子试验工况，目标子试验工况是指各个伪损伤值均小于对应的伪损伤阈值且各个疲劳损伤试验值均小于对应的疲劳损伤试验值的初始子试验工况，W为小于P的正整数；
耐久试验循环次数确定模块，用于根据所述W个目标子试验工况中每个目标子试验工况的伪损伤值和疲劳损伤试验值，确定每个目标子试验工况的耐久试验循环次数。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行以实现如权利要求1至7中任一项所述的汽车车身系统的整车道路耐久试验的加速方法。
10.一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行实现如权利要求1至7中任一项所述的汽车车身系统的整车道路耐久试验的加速方法。
CN202210572362.2A 2022-05-25 2022-05-25 汽车车身系统的整车道路耐久试验的加速方法和装置 Active CN114676598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210572362.2A CN114676598B (zh) 2022-05-25 2022-05-25 汽车车身系统的整车道路耐久试验的加速方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210572362.2A CN114676598B (zh) 2022-05-25 2022-05-25 汽车车身系统的整车道路耐久试验的加速方法和装置

Publications (2)

Publication Number Publication Date
CN114676598A true CN114676598A (zh) 2022-06-28
CN114676598B CN114676598B (zh) 2022-10-21

Family

ID=82079942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210572362.2A Active CN114676598B (zh) 2022-05-25 2022-05-25 汽车车身系统的整车道路耐久试验的加速方法和装置

Country Status (1)

Country Link
CN (1) CN114676598B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841292A (zh) * 2022-07-04 2022-08-02 岚图汽车科技有限公司 一种汽车转向系统台架耐久试验载荷的获取方法及装置
CN115310308A (zh) * 2022-10-12 2022-11-08 岚图汽车科技有限公司 一种悬架系统耐久试验优化方法、装置、设备及存储介质
CN115931275A (zh) * 2023-02-23 2023-04-07 中国汽车技术研究中心有限公司 燃料电池汽车氢瓶阀体振动耐久性检测方法、设备及介质
CN116189832A (zh) * 2023-04-14 2023-05-30 岚图汽车科技有限公司 一种材料疲劳寿命曲线确定方法及相关设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7194888B1 (en) * 2006-04-10 2007-03-27 Daimlerchrysler Corporation Reducing drive file development time for a vehicle road test simulator
CN101393079A (zh) * 2008-11-06 2009-03-25 上海交通大学 汽车车身结构疲劳寿命预测系统
CN107609323A (zh) * 2017-11-03 2018-01-19 上海理工大学 一种基于遗传算法计算汽车试验场路况循环数的方法
CN109308393A (zh) * 2018-09-30 2019-02-05 中车齐齐哈尔车辆有限公司 一种车体疲劳寿命的评估方法和系统
CN110082120A (zh) * 2019-04-24 2019-08-02 一汽-大众汽车有限公司 加速耐久性试验的路线规划方法和装置
CN111896273A (zh) * 2020-08-14 2020-11-06 东风汽车集团有限公司 一种快速验证车身系统的整车路试耐久试验制定方法
CN112461548A (zh) * 2020-08-13 2021-03-09 东风汽车股份有限公司 一种轻卡挡泥板支架总成耐久台架试验时间的确定方法
CN113010964A (zh) * 2021-03-16 2021-06-22 慧勒智行汽车技术(昆山)有限公司 一种基于虚拟试验场的车辆台架试验载荷谱分析方法
CN113705041A (zh) * 2021-08-11 2021-11-26 东风汽车集团股份有限公司 车身耐久仿真应力结果文件获取装置、分析装置及分析方法
CN113868777A (zh) * 2021-12-02 2021-12-31 岚图汽车科技有限公司 一种副车架强度台架试验载荷获取方法和装置
CN113919047A (zh) * 2021-08-23 2022-01-11 中汽研汽车检验中心（天津）有限公司 一种整车试验场耐久性用户关联建模求解方法
CN114004012A (zh) * 2021-10-14 2022-02-01 中国第一汽车股份有限公司 一种车身试车场强化耐久道路试验优化方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7194888B1 (en) * 2006-04-10 2007-03-27 Daimlerchrysler Corporation Reducing drive file development time for a vehicle road test simulator
CN101393079A (zh) * 2008-11-06 2009-03-25 上海交通大学 汽车车身结构疲劳寿命预测系统
CN107609323A (zh) * 2017-11-03 2018-01-19 上海理工大学 一种基于遗传算法计算汽车试验场路况循环数的方法
CN109308393A (zh) * 2018-09-30 2019-02-05 中车齐齐哈尔车辆有限公司 一种车体疲劳寿命的评估方法和系统
CN110082120A (zh) * 2019-04-24 2019-08-02 一汽-大众汽车有限公司 加速耐久性试验的路线规划方法和装置
CN112461548A (zh) * 2020-08-13 2021-03-09 东风汽车股份有限公司 一种轻卡挡泥板支架总成耐久台架试验时间的确定方法
CN111896273A (zh) * 2020-08-14 2020-11-06 东风汽车集团有限公司 一种快速验证车身系统的整车路试耐久试验制定方法
CN113010964A (zh) * 2021-03-16 2021-06-22 慧勒智行汽车技术(昆山)有限公司 一种基于虚拟试验场的车辆台架试验载荷谱分析方法
CN113705041A (zh) * 2021-08-11 2021-11-26 东风汽车集团股份有限公司 车身耐久仿真应力结果文件获取装置、分析装置及分析方法
CN113919047A (zh) * 2021-08-23 2022-01-11 中汽研汽车检验中心（天津）有限公司 一种整车试验场耐久性用户关联建模求解方法
CN114004012A (zh) * 2021-10-14 2022-02-01 中国第一汽车股份有限公司 一种车身试车场强化耐久道路试验优化方法
CN113868777A (zh) * 2021-12-02 2021-12-31 岚图汽车科技有限公司 一种副车架强度台架试验载荷获取方法和装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841292A (zh) * 2022-07-04 2022-08-02 岚图汽车科技有限公司 一种汽车转向系统台架耐久试验载荷的获取方法及装置
CN115310308A (zh) * 2022-10-12 2022-11-08 岚图汽车科技有限公司 一种悬架系统耐久试验优化方法、装置、设备及存储介质
CN115310308B (zh) * 2022-10-12 2023-01-31 岚图汽车科技有限公司 一种悬架系统耐久试验优化方法、装置、设备及存储介质
CN115931275A (zh) * 2023-02-23 2023-04-07 中国汽车技术研究中心有限公司 燃料电池汽车氢瓶阀体振动耐久性检测方法、设备及介质
CN115931275B (zh) * 2023-02-23 2023-05-12 中国汽车技术研究中心有限公司 燃料电池汽车氢瓶阀体振动耐久性检测方法、设备及介质
CN116189832A (zh) * 2023-04-14 2023-05-30 岚图汽车科技有限公司 一种材料疲劳寿命曲线确定方法及相关设备

Also Published As

Publication number Publication date
CN114676598B (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN114676598B (zh) 汽车车身系统的整车道路耐久试验的加速方法和装置
CN111126622B (zh) 一种数据异常检测方法与装置
Perera et al. Application of particle swarm optimization and genetic algorithms to multiobjective damage identification inverse problems with modelling errors
CN106991212B (zh) 基于ga_pso优化grnn网络算法的叶根强度预测方法
CN113762486B (zh) 换流阀故障诊断模型的构建方法、装置和计算机设备
CN111723440B (zh) 一种薄壁件加工精度预测混合建模方法
CN106022631B (zh) 一种指标权重分析方法
CN107480395A (zh) 一种车辆转向节载荷谱预测模型的构建方法及系统
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
CN113065581A (zh) 基于参数共享对抗域自适应网络的振动故障迁移诊断方法
CN114117840A (zh) 一种基于仿真和试验数据混合驱动的结构性能预测方法
CN111446002A (zh) 一种基于人工智能的新型冠状病毒患者病况分类系统
CN111783242A (zh) 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置
CN115169809A (zh) 智慧城市评价方法和装置
CN111400964B (zh) 一种故障发生时间预测方法及装置
CN113607392B (zh) 一种弹簧臂耐久试验方法及装置
CN116484742A (zh) 车辆动力学建模与车辆状态预测方法、系统、设备及介质
CN111783930A (zh) 一种基于路径状态的神经网络测试充分性评估方法
CN114861335B (zh) 一种汽车动力学计算模型的标定方法及相关设备
Veltri FEM techniques for high stress detection in accelerated fatigue simulation
CN116842663B (zh) 一种基于机器学习的汽车板簧非线性时变应力值测量方法
CN112214888B (zh) 一种基于索力监测的支承索健康监测方法
CN114791364B (zh) 一种多轴向台架振动耐久的试验方法及装置
CN114363004B (zh) 风险评估方法、装置、计算机设备和存储介质
CN113599823B (zh) 一种基于cnn-gru模型的实时策略游戏中稀疏指令的预测方法

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