CN114676648A - 一种基于机器学习的车辆载荷谱预测方法和装置 - Google Patents

Abstract

本申请公开一种基于机器学习的车辆载荷谱预测方法该方法包括：将待测车型的结构变量代入到预先搭建的机器学习模型中，得到该车型在不同测试环境下的预测载荷，形成车辆载荷谱；其中，所述机器学习模型由获取的相同平台下不同车型的结构变量和不同测试环境下的仿真载荷训练得到，本申请实施例能够根据待测车型的结构变量通过机器学习模型快速的预测出待测车型在不同测试环境下的载荷，相较于常规获取待测车型载荷的方法，可以在平台车型开发前期获取零部件载荷随车型变化的规律及载荷带宽，降低零部件在平台车型间的通用化可能存在的风险；并且大幅度地减少了待测车型载荷的获取周期，节约了车辆开发的时间成本。

Description

一种基于机器学习的车辆载荷谱预测方法和装置

技术领域

本申请涉及车辆载荷获取领域，尤其涉及一种基于机器学习的车辆载荷谱预测方法和装置。

背景技术

车辆的载荷可以用于作为整车与零部件强度耐久的前期设计输入，车辆载荷对车辆的开发设计和测试改进具有重要的参考意义。目前，获取车辆的试验场道路载荷谱通常的有两种，一种是在前期没有物理样车时，采用VPG方式获取仿真载荷，另一种是在物理样车上布置六分力等传感器采集实际载荷。

相关的技术方案中，通过进行VPG仿真的方式提取载荷时，仿真载荷的提取周期长。对于同一平台车型产生变化时，如果重新进行VPG仿真来提取载荷，由于载荷提取周期长，会导致车辆的开发时间周期增长，时间成本增加。如果车型产生变化时不通过VPG仿真获得车型载荷而是直接采用原有载荷指导车辆的设计，会导致产生车型设计载荷与零部件的设计载荷的差距较大的情况，进而导致车型设计不足和零部件变更的问题。

因此如何快捷的获得车型的载荷从而缩短车型的载荷获取时间是亟需解决的技术问题。

发明内容

本申请的主要目的在于提供一种基于机器学习的车辆载荷谱预测方法和装置，旨在解决现有技术中同一平台下车型产生变化时载荷提取的周期长的技术问题。

第一方面，本申请提供一种基于机器学习的车辆载荷谱预测方法，所述方法包括以下步骤：

将待测车型的结构变量代入到预先搭建的机器学习模型中，得到该车型在不同测试环境下的预测载荷，形成车辆载荷谱；其中，

所述机器学习模型由获取的相同平台下不同车型的结构变量和不同测试环境下的仿真载荷训练得到。

一些实施例中，所述机器学习模型的搭建步骤包括：

获取相同平台下不同车型的结构变量和不同测试环境下的仿真载荷，其中相同平台下不同车型的结构变量基于所述平台的基准车型确定；

将获取的一部分结构变量和该结构变量对应的所有的仿真载荷作为训练集代入到预设的机器学习原始模型中进行训练，得到机器学习初步模型；

将获取的另一部分结构变量和该结构变量对应的所有的仿真载荷作为测试集代入到所述机器学习初步模型中进行测试，得到所述机器学习模型。

一些实施例中，所述获取相同平台下不同车型的结构变量和不同测试环境下的仿真载荷的具体步骤包括：

根据所述基准车型的整车结构数据和转动惯量测试工况建立多体载荷模型；

设置该平台下车型的结构变量的参数区间，在结构变量的参数区间对结构变量进行拉丁超立方抽样，获得不同车型的结构变量，其中，该平台下车型的结构变量的参数区间包括该平台下所有车型的结构变量的参数；

向所述多体载荷模型输入不同测试环境参数和抽样后的不同车型的结构变量，得到各个车型在不同测试环境下的仿真载荷。

一些实施例中，所述获取相同平台下不同车型的结构变量和不同测试环境下的仿真载荷后还包括以下步骤：

对获取的各个车型在不同测试环境下的仿真载荷进行分类；

计算每种类型的仿真载荷的均值和标准差，并保留标准差在±3σ区间内的仿真载荷；

标准化处理保留的仿真载荷和与保留的仿真载荷对应的结构变量；

将一部分标准化后的结构变量和仿真载荷作为所述机器学习原始模型的训练集，将另一部分标准化后的结构变量和仿真载荷作为所述机器学习初步模型的测试集。

一些实施例中，所述将获取的一部分结构变量和该结构变量对应的所有的仿真载荷作为训练集代入到预设的机器学习原始模型中进行训练，得到机器学习初步模型的具体步骤包括：

根据所述训练集中结构变量通过最大似然法，求解所述机器学习原始模型中预设的协方差函数的超参数；

根据得到超参数后的协方差函数建立协方差矩阵，并利用所述训练集中的结构变量和仿真载荷通过高斯过程对所述协方差矩阵进行训练，以得到所述机器学习初步模型。

一些实施例中，

所述将获取的另一部分结构变量和该结构变量对应的所有的仿真载荷作为测试集代入到所述机器学习初步模型中进行测试，得到所述机器学习模型的具体步骤包括：

将所述测试集中的结构变量代入到所述机器学习初步模型中，得到所述机器学习初步模型预测的载荷均值和方差，根据所述机器学习初步模型预测的载荷均值和方差确定预测的载荷带宽；

当所述预测的载荷带宽内包括所述测试集中对应的仿真载荷时，确定所述机器学习初步模型训练完成，得到最终的所述机器学习模型；

当所述预测的载荷带宽内不包括所述测试集中应的仿真载荷时，调整所述机器学习模型中预设的协方差函数的超参数和/或增加训练集中的样本，再次对所述机器学习初步模型进行训练，至所述预测的载荷带宽内包括所述测试集中对应的仿真载荷。

一些实施例中，所述将待测车型的结构变量代入到预先搭建的机器学习模型中，得到该车型在不同测试环境下的预测载荷的具体步骤包括：

将所述待测车型的结构变量代入到所述机器学习模型中，得到所述机器学习模型预测的待测车型在不同测试环境下的载荷均值和方差；

逆变化处理所述机器学习模型预测的载荷均值和方差，得到所述待测车型在不同测试环境下的预测载荷。

一些实施例中，所述结构变量包括独立变量和关联变量；

所述关联变量是通过零部件设计准则、系统设计准则和/或整车设计准则以及与所述独立变量之间的关联确定的；

其中，所述独立变量包括车辆轴距、轮距、轮胎型号和整车重量中的至少一个；

所述关联变量包括弹簧刚度、前后稳定杆刚度、衬套的刚度、减震器阻尼、缓冲块刚度、悬架行程中的至少一个。

一些实施例中，所述不同测试环境包括不同路面参数。

第二方面，本申请还提供一种基于机器学习的车辆载荷谱预测装置，所述装置包括：

载荷预测模块，其用于将待测车型的结构变量代入到预先搭建的机器学习模型中，得到该车型在不同测试环境下的预测载荷，形成车辆载荷谱；其中，

所述机器学习模型由获取的相同平台下不同车型的结构变量和不同测试环境下的仿真载荷训练得到。

本申请提供的技术方案带来的有益效果包括：将待测车型的结构变量代入到预先搭建的机器学习模型中，得到该车型在不同测试环境下的预测载荷，形成车辆载荷谱；其中，所述机器学习模型由获取的相同平台下不同车型的结构变量和不同测试环境下的仿真载荷训练得到。本申请实施例能够根据待测车型的结构变量通过机器学习模型快速的预测出待测车型在不同测试环境下的载荷，相较于常规获取待测车型载荷的方法，可以在平台车型开发前期获取零部件载荷随车型变化的规律及载荷带宽，降低零部件在平台车型间的通用化可能的风险；并且大幅度地减少了待测车型载荷的获取周期，节约了车辆开发的时间成本。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请实施例提供的一种基于机器学习的车辆载荷谱预测方法的流程示意图；

图2为本申请实施例提供的一种基于机器学习的车辆载荷谱预测装置的示意性框图；

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

本申请实施例提供一种基于机器学习的车辆载荷谱预测方法和装置。其中，该基于机器学习的车辆载荷谱预测装置可应用于计算机设备中，该计算机设备可以是笔记本电脑、台式电脑等电子设备。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参照图1，图1为本申请实施例提供的一种基于机器学习的车辆载荷谱预测方法的流程示意图。

如图1所示，该方法包括：将待测车型的结构变量代入到预先搭建的机器学习模型中，得到该车型在不同测试环境下的预测载荷，形成车辆载荷谱；其中，所述机器学习模型由获取的相同平台下不同车型的结构变量和不同测试环境下的仿真载荷训练得到。

具体的，平台是指汽车的研发阶段设计汽车时的一个基准的车辆框架模板，该框架模板可以认为是该平台的基准车型，该平台的所有车型都是基于基准车型开发设计的。在该平台上设计汽车时，设计的车型与基准车型的悬架形式是一样的，也可以共用的大部分零件，但是车辆轴距、轮距、轮胎型号和整车重量，以及弹性件参数可能是不同的，因此将这些轴距、轮距、轮胎型号和整车重量，以及弹性件参数作为设计的车型与基准车型的之间的结构变量。

不同的测试环境包括不同的路面参数，因此将待测车型的结构变量代入到预先搭建的机器学习模型中进行预测时，得到的是该车型在不同路面下的载荷。

一些实施例中，机器学习模型的搭建包括以下步骤：确定机器学习模型的算法基于高斯过程，选择高斯过程作为机器学习模型的基准算法是因为其输出响应带有均值与置信度的特点，而我们正常采集载荷数据时采集的三次载荷数据的分布也具有高斯分布的特点，因此采用基高斯过程的机器学习模型进行载荷预测与实际载荷采集具有相似性，保证机器学习模型预测的载荷的准确性。

定义待测车型与基准车型之间的结构变量为机器学习模型的输入x,定义待测车型的载荷作为机器学习模型的输出为y，并建立输入输出的函数关系作为机器学习原始模型。然后获取相同平台下不同车型的结构变量及该车型在不同测试环境下的仿真载荷。将获取的一部分结构变量和该结构变量对应的所有的仿真载荷作为训练集代入到预设的机器学习原始模型中进行训练，得到机器学习初步模型，将获取的另一部分结构变量和该结构变量对应的所有的仿真载荷作为测试集代入到机器学习初步模型中进行测试，得到最终的机器学习模型。

首先对机器学习模型的训练集和测试集的获取进行说明。

具体的，可以将相同平台下已有的车型的仿真载荷和该车型与基准车型的结构放入机器学习原始模型的训练集和测试集。平台中有物理样车后，也可以将物理样车与基准车型的结构变量和物理样车的实际采集载荷放入机器学习原始模型的训练集和测试集中。当已有的数据量不足够作为机器学习模型的训练集和测试集时，通过VPG仿真获取的不同车型在不同环境下的仿真载荷，具体包括以下步骤：

根据基准车型数据模型，也就是整车的结构数据建立基础多体载荷模型，也叫整车动力学模型。接着确定基准车型零部件性能的实际测量参数，例如弹簧刚度，衬套刚度，缓冲块刚度等等，然后通过KC测试和转动惯量测试等测试方法确定基准车型整车的测试标准工况，并根据以上测试结果对多体载荷模型进行标定，得到相对准确多体载荷模型，其能够模拟和反映测量的车辆的结构的载荷受力方式和位置。

进一步的，获取作为VPG仿真的输入的结构变量。可以将结构变量分为独立变量和关联变量，独立变量包括车辆轴距、轮距、轮胎型号和整车重量等，这些变量的参数是可以确定的，属于车辆的结构固定参数。关联变量是除了独立变量以外也会对载荷产生影响的变量，并且这些变量并非独立的，而是与其他变量相关联的。关联变量是通过零部件设计准则、系统设计准则和/或整车设计准则，以及这些关联变量与独立变量之间的关联关系确定的。在仿真整车多体载荷模型获取载荷时，模型中的参数除了跟随独立变量直接变化外，关联变量的参数根据独立变量的变化关联的变化，使得仿真的载荷更具有物理意义。关联变量包括弹簧刚度、前后稳定杆刚度、衬套的刚度、减震器阻尼、缓冲块刚度、悬架行程等等。例如，关联变量中的弹性件的参数不能随意取，例如弹簧刚度不能随意取，其与弹簧所在车轮的轴重存在一定对应关系，而该轴重又与整车重量以及整车质心坐标关联。可以通过设置函数关系将独立变量与关联变量关联起来。

获取车辆的结构变量时，先确定该平台下所有车辆结构变量的参数，然后设置该平台下车型的结构变量的参数区间，其中设置的平台下车型的结构变量的参数区间包括该平台下所有车型的结构变量的参数。在结构变量的参数区间对结构变量进行拉丁超立方初步抽样，结构变量的抽样值相互组合，形成多组不同车型的结构变量。

进一步的，将抽取后同一平台下不同车型的结构变量输入到标定后的多体载荷模型中，同时输入不同的测试环境参数进行VPG仿真试验，依次获得得到各个车型在不同测试环境下的仿真载荷，这里输入的测试环境参数包括路面参数和速度。多体载荷模型中定义了车辆速度与路径闭环控制，车速有微小变化，这里简化为车速随时间不变化，弹性件刚度（关联变量），也随时间不变化。

每个车型通过VPG仿真获取仿真载荷时，如果路面参数有三十种，这分别进行三十轮仿真，分别在第一种路面、第二种路面至第三十种路面下进行仿真，从而获得三十种路面的仿真载荷。

值得说明的是，通过VPG仿真试验中，得到的各个车型在不同测试环境下的仿真载荷包括底盘零部件载荷和车身接附点在VPG仿真时的时域载荷。底盘零部件载荷，用于底盘零部件设计，在设计同一汽车平台的零部件时，获取平台零部件载荷带宽，指导平台通用的零部件设计，保证同一套平台零部件的可靠性又保证了通用性。车身接附点在VPG仿真时的时域载荷用于指导平台不同车身的设计，满足不同车身的需求。在进行VPG仿真后，还包括对输出的数据进行数学运算得到输出时域曲线的最大最小值，以及对时域曲线进行雨流计数后结合SN曲线计算得到伪损伤值，最大值最小值通过CAE计算强度直接与整车及零部件强度关联起来，伪损伤计算直接与整车及零部件疲劳关联起来。

进一步的，在获取相同平台下不同车型的结构变量及该车型在不同测试环境下的仿真载荷后，还包括对不同车型的结构变量该车型在不同测试环境下的仿真载荷进行处理，从而形成机器学习模型的训练集和测试集。

具体的，在通过VPG仿真获得仿真载荷后，对各个车型在不同测试环境下的仿真载荷进行分类，分类依据可以是车辆结构，零部件等。例如类型为车辆轮心Z方向载荷。分类后计算并记录每种类型的仿真载荷的均值和标准差，对每个数据进行检查，将标准差在±3σ区间内的仿真载荷保留，将在±3σ区间内区间外的仿真载荷去除，同时根据均值为0，方差为1标准化处理保留的仿真载荷和与保留的仿真载荷对应的结构变量。并将其中随机2/3的标准化后的结构变量和仿真载荷作为机器学习原始模型的训练集，将其中1/3的标准化后的结构变量和仿真载荷作为机器学习原始模型的测试集。

从以上通过VPG仿真获得仿真载荷的方法可以看出，VPG仿真的过程较为复杂，需要建立多体载荷模型，并且对于不同路面需要多次仿真获得载荷。

作为一种优选的实施方式，建立机器学习模型的具体过程包括：

建立机器学习模型的输入输出的函数关系作为机器学习原始模型：

其中，

为机器学习模型的输入，

为机器学习模型的输出，

为机器学习模型 的输入

之间的函数关系，ε为噪声，并假定ε服从高斯分布

。

设置机器学习模型的输入

的进行高斯过程为：

,

其中,

为

的数学望也为

的均值函数，

为

与

的协方差函 数，

为本周期机器学习模型的输入，

为上一周期机器学习模型的输入。

因为机器学习模型的输入

包含多个变量，因此通过高斯过程确定机器学习模型 的输入

的协方差函数来反映输入

的参数之间的关联情况。

根据协方差函数的基准公式

选择设置多 维输入的机器学习模型的协方差函数公式为：

其等价于：

其中，

、

和

为平方指数协方差函数的三个超参数。

设置

为0，简化设置了没有噪声，通过最大似然法对数协方差函数求解，得到其 中的二个超参数，并将得到的超参数后代入协方差函数，可以得到协方差矩阵。得到协方差 矩阵后，利用训练集中的结构变量和仿真载荷通过高斯过程对协方差矩阵进行训练，也就 是使协方差矩阵基于高斯过程来学习训练集

。

其中协方差矩阵为:

其中，

为训练集，

为训练集中的包含n个结构变量向量，

代表一共m组数 据，

为第

组变量中的第

个结构变量，

为训练集中的仿真载荷，这里定义[n个输入， 单输出]模式：即多个结构变量时域曲线为输入，一个通道的时域曲线载荷为输出，当需要 获取预测输出其他通道载荷时，将需要的通道载荷单独提取，进行重复训练即可。

为待 预测车型的一组结构变量，

为待预测的数据，

和

为协方差矩阵。

根据协方差矩阵设置载荷均值预测公式来预测载荷均值，载荷均值预测公式为：

，设置载荷方差预测公式来预测载荷方差，载荷方差预测公式为

。并设置对预测载荷均值和预测载荷方差的逆变化处理算法， 使得机器学习模型能够根据测载荷均值和测载荷方差最终的载荷，从而实现以待测车型的 载荷作为机器学习模型的输出。

使用测试集对机器学习模型进行测试时，将测试集中的结构变量代入到机器学习初步模型中，也就是带入上述公式中，得到机器学习初步模型预测的载荷均值和方差，根据机器学习初步模型预测的载荷均值和方差确定预测的载荷带宽，其中预测的载荷带宽表示的是预测的载荷的范围；当预测的载荷带宽内包括测试集中对应的仿真载荷时，确定机器学习初步模型训练完成，并将所有测试集与训练集全部作为训练集，得到最终的机器学习模型。当预测的载荷带宽内不包括测试集中应的仿真载荷时，表示机器学习模型输出的预测载荷与仿真载荷之间的差距较大，调整机器学习模型中预设的协方差函数的超参数和/或增加训练集中的样本，再次对机器学习初步模型进行训练，至预测的载荷带宽内包括测试集中对应的仿真载荷。

值得说明的是，将待测车型的结构变量代入到训练完成的机器学习模型中，预测得到的是机器学习模型预测的该待测车型在不同测试环境下的载荷均值和方差后，再通过逆变化处理机器学习模型预测的载荷均值和方差，最终得到待测车型在不同测试环境下的预测载荷。例如机器学习模型预测的包括不同路面下车辆轮心Z方向的载荷均值以及方差，在通过逆变化处理预测得到的车辆轮心Z方向的载荷均值以及方差得到不同路面下车辆轮心Z方向的载荷。

进一步的，通过机器学习模型预测待测车辆的载荷后，结合循环次数生成载荷谱，以实现对待测车辆载荷谱的获取。根据载荷生成载荷谱的方法是本领域技术人员悉知的，在此不再赘述。

本申请实施例提供的基于机器学习的车辆载荷谱预测方法，通过将已有的或获取的VPG仿真载荷和有限的在物理样车上采集的实采载荷数据，以及仿真载荷和实采载荷获取车型与基准车型的结构变量，提供给机器学习模型进行学习训练，只需要输入待测车型与基准车型的结构变量到训练后的机器学习模型，机器学习模型就可以快速归纳推测出未来待测车型载荷数据。并且通过机器学习模型进行载荷预测，机器学习模型输出的载荷可以覆盖该平台的所有车型，并且保证了设计的可靠性。通过机器学习模型获取待测车型的预测载荷时，不需要像VPG仿真重新搭建载荷模型，相对于通过VPG仿真采集载荷解约了时间成本，相对于通过物理车辆实际采集载荷节约了载荷的采集费用，可以在平台车型开发前期获取零部件载荷随车型变化的规律及带宽，降低零部件在平台车型间的通用化可能存在的风险。

请参照图2，其为本申请实施例提供的一种基于机器学习的车辆载荷谱预测装置的示意性框图，该基于机器学习的车辆载荷谱预测装置包括载荷预测模块。

所述载荷预测模块用于：将待测车型的结构变量代入到预先搭建的机器学习模型中，得到该车型在不同测试环境下的预测载荷，形成车辆载荷谱；其中，

所述机器学习模型由获取的相同平台下不同车型的结构变量和不同测试环境下的仿真载荷训练得到。

其中，所述结构变量包括独立变量和关联变量；

所述关联变量是通过零部件设计准则、系统设计准则和/或整车设计准则以及与所述独立变量之间的关联确定的；

其中，所述独立变量包括车辆轴距、轮距、轮胎型号和整车重量中的至少一个；

所述关联变量包括弹簧刚度、前后稳定杆刚度、衬套的刚度、减震器阻尼、缓冲块刚度、悬架行程中的至少一个。

其中，所述不同测试环境包括不同路面参数。

其中，所述基于机器学习的车辆载荷谱预测装置还用于：

获取相同平台下不同车型的结构变量和不同测试环境下的仿真载荷，其中相同平台下不同车型的结构变量基于所述平台的基准车型确定；

将获取的一部分结构变量和该结构变量对应的所有的仿真载荷作为训练集代入到预设的机器学习原始模型中进行训练，得到机器学习初步模型；

将获取的另一部分结构变量和该结构变量对应的所有的仿真载荷作为测试集代入到所述机器学习初步模型中进行测试，得到所述机器学习模型。

其中，所述基于机器学习的车辆载荷谱预测装置还用于：

根据所述基准车型的整车结构数据和转动惯量测试工况建立多体载荷模型；

设置该平台下车型的结构变量的参数区间，在结构变量的参数区间对结构变量进行拉丁超立方抽样，获得不同车型的结构变量，其中，该平台下车型的结构变量的参数区间包括该平台下所有车型的结构变量的参数；

向所述多体载荷模型输入不同测试环境参数和抽样后的不同车型的结构变量，得到各个车型在不同测试环境下的仿真载荷。

其中，所述基于机器学习的车辆载荷谱预测装置还用于：

对获取的各个车型在不同测试环境下的仿真载荷进行分类；

计算每种类型的仿真载荷的均值和标准差，并保留标准差在±3σ区间内的仿真载荷；

标准化处理保留的仿真载荷和与保留的仿真载荷对应的结构变量；

将一部分标准化后的结构变量和仿真载荷作为所述机器学习原始模型的训练集，将另一部分标准化后的结构变量和仿真载荷作为所述机器学习初步模型的测试集。

其中，所述基于机器学习的车辆载荷谱预测装置还用于：

根据所述训练集中结构变量通过最大似然法，求解所述机器学习原始模型中预设的协方差函数的超参数；

根据得到超参数后的协方差函数建立协方差矩阵，并利用所述训练集中的结构变量和仿真载荷通过高斯过程对所述协方差矩阵进行训练，以得到所述机器学习初步模型。

其中，所述基于机器学习的车辆载荷谱预测装置还用于：

将所述测试集中的结构变量代入到所述机器学习初步模型中，得到所述机器学习初步模型预测的载荷均值和方差，根据所述机器学习初步模型预测的载荷均值和方差确定预测的载荷带宽；

当所述预测的载荷带宽内包括所述测试集中对应的仿真载荷时，确定所述机器学习初步模型训练完成，得到最终的所述机器学习模型；

当所述预测的载荷带宽内不包括所述测试集中应的仿真载荷时，调整所述机器学习模型中预设的协方差函数的超参数和/或增加训练集中的样本，再次对所述机器学习初步模型进行训练，至所述预测的载荷带宽内包括所述测试集中对应的仿真载荷。

其中所述载荷预测模块还用于：

将所述待测车型的结构变量代入到所述机器学习模型中，得到所述机器学习模型预测的待测车型在不同测试环境下的载荷均值和方差；

逆变化处理所述机器学习模型预测的载荷均值和方差，得到所述待测车型在不同测试环境下的预测载荷。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块及单元的具体工作过程，可以参考前述实施例中的对应过程，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于机器学习的车辆载荷谱预测方法，其特征在于，包括以下步骤：

将待测车型的结构变量代入到预先搭建的机器学习模型中，得到该车型在不同测试环境下的预测载荷，形成车辆载荷谱；其中，

所述机器学习模型由获取的相同平台下不同车型的结构变量和不同测试环境下的仿真载荷训练得到。

2.按照权利要求1所述的基于机器学习的车辆载荷谱预测方法，其特征在于，所述机器学习模型的搭建步骤包括：

获取相同平台下不同车型的结构变量和不同测试环境下的仿真载荷，其中相同平台下不同车型的结构变量基于所述平台的基准车型确定；

将获取的一部分结构变量和该结构变量对应的所有的仿真载荷作为训练集代入到预设的机器学习原始模型中进行训练，得到机器学习初步模型；

将获取的另一部分结构变量和该结构变量对应的所有的仿真载荷作为测试集代入到所述机器学习初步模型中进行测试，得到所述机器学习模型。

3.按照权利要求2所述的基于机器学习的车辆载荷谱预测方法，其特征在于，所述获取相同平台下不同车型的结构变量和不同测试环境下的仿真载荷的具体步骤包括：

根据所述基准车型的整车结构数据和转动惯量测试工况建立多体载荷模型；

设置该平台下车型的结构变量的参数区间，在结构变量的参数区间对结构变量进行拉丁超立方抽样，获得不同车型的结构变量，其中，该平台下车型的结构变量的参数区间包括该平台下所有车型的结构变量的参数；

向所述多体载荷模型输入不同测试环境参数和抽样后的不同车型的结构变量，得到各个车型在不同测试环境下的仿真载荷。

4.按照权利要求3所述的基于机器学习的车辆载荷谱预测方法，其特征在于，所述获取相同平台下不同车型的结构变量和不同测试环境下的仿真载荷后还包括以下步骤：

对获取的各个车型在不同测试环境下的仿真载荷进行分类；

计算每种类型的仿真载荷的均值和标准差，并保留标准差在±3σ区间内的仿真载荷；

标准化处理保留的仿真载荷和与保留的仿真载荷对应的结构变量；

将一部分标准化后的结构变量和仿真载荷作为所述机器学习原始模型的训练集，将另一部分标准化后的结构变量和仿真载荷作为所述机器学习初步模型的测试集。

5.按照权利要求2或4所述的基于机器学习的车辆载荷谱预测方法，其特征在于，所述将获取的一部分结构变量和该结构变量对应的所有的仿真载荷作为训练集代入到预设的机器学习原始模型中进行训练，得到机器学习初步模型的具体步骤包括：

根据所述训练集中结构变量通过最大似然法，求解所述机器学习原始模型中预设的协方差函数的超参数；

根据得到超参数后的协方差函数建立协方差矩阵，并利用所述训练集中的结构变量和仿真载荷通过高斯过程对所述协方差矩阵进行训练，以得到所述机器学习初步模型。

6.按照权利要求5所述的基于机器学习的车辆载荷谱预测方法，其特征在于，所述将获取的另一部分结构变量和该结构变量对应的所有的仿真载荷作为测试集代入到所述机器学习初步模型中进行测试，得到所述机器学习模型的具体步骤包括：

将所述测试集中的结构变量代入到所述机器学习初步模型中，得到所述机器学习初步模型预测的载荷均值和方差，根据所述机器学习初步模型预测的载荷均值和方差确定预测的载荷带宽；

当所述预测的载荷带宽内包括所述测试集中对应的仿真载荷时，确定所述机器学习初步模型训练完成，得到最终的所述机器学习模型；

当所述预测的载荷带宽内不包括所述测试集中应的仿真载荷时，调整所述机器学习模型中预设的协方差函数的超参数和/或增加训练集中的样本，再次对所述机器学习初步模型进行训练，至所述预测的载荷带宽内包括所述测试集中对应的仿真载荷。

7.按照权利要求1所述的基于机器学习的车辆载荷谱预测方法，其特征在于，所述将待测车型的结构变量代入到预先搭建的机器学习模型中，得到该车型在不同测试环境下的预测载荷的具体步骤包括：

将所述待测车型的结构变量代入到所述机器学习模型中，得到所述机器学习模型预测的待测车型在不同测试环境下的载荷均值和方差；

逆变化处理所述机器学习模型预测的载荷均值和方差，得到所述待测车型在不同测试环境下的预测载荷。

8.按照权利要求1所述的基于机器学习的车辆载荷谱预测方法，其特征在于，所述结构变量包括独立变量和关联变量；

所述关联变量是通过零部件设计准则、系统设计准则和/或整车设计准则以及与所述独立变量之间的关联确定的；

其中，所述独立变量包括车辆轴距、轮距、轮胎型号和整车重量中的至少一个；

所述关联变量包括弹簧刚度、前后稳定杆刚度、衬套的刚度、减震器阻尼、缓冲块刚度、悬架行程中的至少一个。

9.按照权利要求1所述的基于机器学习的车辆载荷谱预测方法，其特征在于，所述不同测试环境包括不同路面参数。

10.一种基于机器学习的车辆载荷谱预测装置，其特征在于，该装置包括：

载荷预测模块，其用于将待测车型的结构变量代入到预先搭建的机器学习模型中，得到该车型在不同测试环境下的预测载荷，形成车辆载荷谱；其中，

所述机器学习模型由获取的相同平台下不同车型的结构变量和不同测试环境下的仿真载荷训练得到。

Images