CN114819449A - 预测车辆除霜性能的方法、装置、设备及存储介质 - Google Patents

预测车辆除霜性能的方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114819449A
CN114819449A CN202110609058.6A CN202110609058A CN114819449A CN 114819449 A CN114819449 A CN 114819449A CN 202110609058 A CN202110609058 A CN 202110609058A CN 114819449 A CN114819449 A CN 114819449A
Authority
CN
China
Prior art keywords
defrosting
influence
simulation
performance
vehicle
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
CN202110609058.6A
Other languages
English (en)
Inventor
肖能
王景祥
何江伟
胡忠辉
徐默
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.)
Great Wall Motor Co Ltd
Original Assignee
Great Wall Motor 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 Great Wall Motor Co Ltd filed Critical Great Wall Motor Co Ltd
Priority to CN202110609058.6A priority Critical patent/CN114819449A/zh
Publication of CN114819449A publication Critical patent/CN114819449A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • 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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种预测车辆除霜性能的方法、装置、设备及存储介质，涉及汽车技术领域，所述方法包括：获得车辆的多种除霜影响信息，将获取的除霜影响信息输入预先训练的除霜性能预测模型，在多种除霜影响信息的影响下，得到待测试车辆的除霜面积占比以及除霜时时间，通过本申请的方法，当需要预测车辆设计方案的除霜性能时，仅需选择影响除霜性能的多种影响信息，之后，将多种除霜影响信息输入模型即可实现对除霜性能的预测，而不必每次预测都要重新进行一次除霜性能CFD仿真分析，本申请的方法使工程师能够不必多次进行CFD仿真分析，在节约工程师时间，提升工程师工作效率的同时，也能够减少数字样机设计时间，加快车辆的开发进度。

Description

预测车辆除霜性能的方法、装置、设备及存储介质
技术领域
本申请实施例涉及汽车技术领域，具体而言，涉及一种预测车辆除霜性能的方法、装置、设备及存储介质。
背景技术
作为汽车在寒冷环境下行驶时对驾驶员视野、行车安全的重要保障，空调系统除霜性能是汽车开发中的一项重要指标。
现有技术中，对车辆除霜性能进行预测的方法一般是采用CFD(ComputationalFluid Dynamics，计算流体动力学)仿真分析的方法，使用模拟软件在汽车的开发设计过程中的数字样机阶段，对各种除霜方案的流场进行分析，得出性能较好的方案。但是除霜CFD仿真分析步骤繁琐，其分为模型处理、边界设置、网格划分、稳态分析、瞬态分析等多个步骤。整个仿真预测流程需要运行多个样本工况、且流程复杂，若每次都需要工程师手动处理，势必会耗费工程师大量精力，重复性工作将浪费大量的时间，且极易出现错误。因此，亟待一种新的车辆除霜性能预测方法。
发明内容
本申请实施例提供一种预测车辆除霜性能的方法、装置、设备及存储介质，旨在解决现有的车辆除霜性能预测方法步骤繁琐、流程复杂的缺点。
本申请实施例第一方面提供一种预测车辆除霜性能方法，所述方法包括：
获得当前待测试车辆的多种除霜影响信息；
将所述多种除霜影响信息输入到除霜性能预测模型，得到所述待测试车辆的除霜预测结果，所述除霜预测结果至少包括在所述多种除霜影响信息的影响下，所述待测试车辆的除霜面积占比以及除霜时时间；
其中，所述除霜性能预测模型是以携带标签的样本信息为训练样本，对目标模型进行训练得到的。
可选的，所述除霜性能预测模型是通过以下步骤得到的：
获取用于进行车辆除霜仿真的多种除霜影响样本信息，所述除霜影响样本信息是预先选取的对车辆除霜性能有影响的因子；
对所述多种除霜影响样本信息进行除霜性能计算流体动力学仿真，得到在所述多种除霜影响样本信息下所述车辆的除霜结果，其中，所述除霜结果包括除霜面积占比以及除霜时间；
将所述多种除霜影响信息作为训练样本，以及将所述除霜结果作为所述训练样本的样本标签，构建样本集；
基于所述样本集训练目标模型，得到除霜性能预测模型。
可选的，将所述多种除霜影响信息作为训练样本，以及将所述除霜结果作为所述训练样本的样本标签，构建样本集，包括：
获取每次仿真各自对应的除霜仿真结果以及与每次仿真对应的除霜影响样本信息；
统计不同的除霜影响样本信息以及保留的对应的除霜时间，构建样本集。
可选的，所述除霜仿真结果中包括车窗的多个不同区域的除霜面积占比以及除霜时时间，获取每次仿真各自对应的除霜仿真结果以及与每次仿真对应的除霜影响样本信息，包括：
获取每个除霜仿真结果中所述多个不同区域各自的除霜面积占比达到预设占比阈值时所对应的除霜时间；
其中，所述多个不同区域至少包括：主驾驶的前风窗玻璃区域、副驾驶的前风窗玻璃区域、前风窗玻璃除主驾驶和副驾驶外的区域、主驾驶的侧风窗区域、副驾驶的侧风窗区域。
可选的，获取每个除霜仿真结果中所述多个不同区域各自的除霜面积占比达到预设占比阈值时所对应的除霜时间，包括：
当所述除霜仿真结果中任意区域不存在除霜面积占比达到预设占比阈值的除霜时间时，获取该区域在所述除霜仿真结果中已知除霜面积占比和所述已知除霜面积占比对应的除霜时间；
基于所述已知除霜面积占比和所述已知除霜面积占比对应的除霜时间，通过插值确定除霜面积占比达到预设占比阈值的除霜时间。
可选的，其特征在于，基于所述样本集训练目标模型，得到除霜性能预测模型，包括：
将所述标准化样本集中的训练样本划分为训练集和测试集；
利用所述训练集和所述测试集训练候选模型，得到所述除霜性能预测模型；
基于所述除霜性能预测模型和所述测试集，执行迭代，所述迭代包括：
将所述测试集中的训练样本输入所述除霜性能预测模型，得到所述除霜性能预测模型的预测结果；
计算所述预测结果与所述测试集中训练样本的标签的误差；
求导所述误差的计算过程，求得误差导数；
沿着所述误差导数的下降方向减小所述除霜性能预测模型的模型参数；
直到所述误差小于预设阈值。
本申请实施例第二方面提供一种预测车辆除霜性能装置，所述装置包括：
除霜影响信息获得模块，用于获得当前待测试车辆的多种除霜影响信息；
除霜性能预测模块，用于将所述多种除霜影响信息输入到除霜性能预测模型，得到所述待测试车辆的除霜预测结果，所述除霜预测结果至少包括在所述多种除霜影响信息的影响下，所述待测试车辆的除霜面积占比以及除霜时时间；
其中，所述除霜性能预测模型是以携带标签的样本信息为训练样本，对目标模型进行训练得到的。
可选的，所述装置还包括：
仿真样本信息获取模块，用于获取用于进行车辆除霜仿真的多种除霜影响样本信息，所述除霜影响样本信息预先选取的对车辆除霜性能有影响的因子；
仿真模块，用于对所述多种除霜影响样本信息进行除霜性能计算流体动力学仿真，得到在所述多种除霜影响样本信息下所述车辆的除霜结果，其中，所述除霜结果包括除霜面积占比以及除霜时间；
样本集构建模块，用于将所述多种除霜影响信息作为训练样本，以及将所述除霜结果作为所述训练样本的样本标签，构建样本集；
除霜性能预测模型训练模块，用于基于所述样本集训练目标模型，得到除霜性能预测模型。
本申请实施例第三方面提供一种车辆，包括预测模块，所述预测模块用于实现如本申请第一方面所述的方法。本申请实施例第四方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现本申请第一方面所述的方法。
采用本申请提供的预测车辆除霜性能的方法，获得当前待测试车辆的多种除霜影响信息，将所述多种除霜影响信息输入到除霜性能预测模型，得到所述待测试车辆的除霜预测结果。通过本申请的方法利用机器学习训练得到模型后，当需要预测车辆设计方案的除霜性能时，仅需选择影响除霜性能的多种影响信息，之后，将多种除霜影响信息输入模型即可实现对除霜性能的预测，而不必每次预测都要重新进行一次除霜性能CFD仿真分析，本申请的方法相对于现有技术而言，使工程师能够不必多次进行CFD仿真分析，更加简便，能够节约工程师时间，提升工程师工作效率，且本申请的方法一次训练完成后即可持续使用，更加快捷简单，能够减少数字样机设计时间，加快车辆的开发进度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提出的预测车辆除霜性能方法的流程图；
图2是本申请一实施例提出除霜性能预测模型训练的流程图；
图3是本申请一实施例提出的车窗A、B和A'区域的示意图；
图4是本申请一实施例提出的车窗D、E区域的示意图；
图5是本申请一实施例提出的预测车辆除霜性能的装置的示意图；
图6是本申请一实施例提出的电子设备的示意图。
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作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。
参考图1，图1是本申请一实施例提出的预测车辆除霜性能的方法的流程图。如图1所示，该方法包括以下步骤：
步骤S110、获得当前待测试车辆的多种除霜影响信息。
所述除霜影响信息是分析对除霜性能有影响的因素，如风量或鼓风机转速、风温、发动机水泵转速、暖风水流量等。
步骤S120、将所述多种除霜影响信息输入到除霜性能预测模型，得到所述待测试车辆的除霜预测结果，所述除霜预测结果至少包括在所述多种除霜影响信息的影响下，所述待测试车辆的除霜面积占比以及除霜时时间；
其中，所述除霜性能预测模型是以携带标签的样本信息为训练样本，对目标模型进行训练得到的。
通过预先得到的除霜性能预测模型，输入除霜影响信息就能预测车辆的在此种设计方案下的除霜性能。
在本申请的一个可选实施例中，如图2所示，图2是本申请一实施例提出的除霜性能预测模型训练的流程图。所述除霜性能预测模型是通过以下步骤得到的：
1、获取用于进行车辆除霜仿真的多种除霜影响样本信息，所述除霜影响样本信息是预先选取的对车辆除霜性能有影响的因子；
所述除霜影响信息是分析对除霜性能有影响的因素，如风量或鼓风机转速、风温、发动机水泵转速、暖风水流量等。将选择出来的影响因子作为机器学习所要学习的特征。
2、对所述多种除霜影响样本信息进行除霜性能计算流体动力学仿真，得到在所述多种除霜影响样本信息下所述车辆的除霜结果，其中，所述除霜结果包括除霜面积占比以及除霜时间；
本实施例中为了能够实现对除霜仿真结果的预测，因此只能采用能够进行回归任务的机器学习模型，例如线性回归模型、回归树模型、Adaboosting模型、ANN人工神经网络等，为了实现回归任务，用于训练机器学习模型的样本集中不仅需要包含机器学习模型需要学习的特征，还应当包含输入特征的预期输出。
为了得到不同除霜影响信息的预期输出，对除霜影响信息进行除霜性能CFD仿真，得到除霜仿真结果，除霜仿真结果中记载了除霜时间、除霜区域的除霜面积。
本申请的一个实施例中，依据选中的除霜影响信息建立输入数据集，输入数据集内包括多个用例，增加了训练数据，一个用例内包括多个除霜影响信息的具体取值，使每一个用例都实现了高维度特征，示例的，选择风量、鼓风机转速、风温、发动机水泵转速作为除霜影响信息，分别用α，β，γ，δ进行表示，输入数据集为{A1,A2,……An}，其中包括了n个输入用例，对于用例A1，其可以可表示为[A1|α：100，β:80，γ:40，δ:1000]。依次输入一个用例进行仿真，得到除霜仿真结果。
对于得到的除霜仿真结果进行持久化存储，优选的，一个输入对应一个存储文件。
在本申请实施例中，所述对所述除霜影响信息进行除霜性能CFD仿真，得到除霜仿真结果，包括：
建立除霜网格模型，创建空气属性表；
创建车窗玻璃网格属性并设置参数；
创建车窗玻璃外空气域并设置属性；
网格质量检查，网格生成；
创建瞬态物理属性并设置参数；
输入所述除霜影响信息；
循环执行除霜性能仿真，得到除霜仿真结果。
CFD计算流体力学在汽车工程中被广泛应用，使得开发人员可以利用计算机仿真技术，结合数学模型进行流场分析、流场计算、流场预测等，代替真实系统进行研究。
对输入的除霜影响信息进行仿真，在仿真过程包括：建立除霜网格模型、创建空气属性表、创建车窗玻璃网格属性并设置参数、创建车窗玻璃外空气域并设置属性、网格质量检查、网格生成、创建瞬态物理属性并设置参数、输入用例的特征值、循环执行除霜性能仿真、得到除霜仿真结果。
优选的，本申请的通过自动化编程，执行上述仿真过程，实现整个CFD仿真分析的自动化执行，提升本申请的自动化程度，减少人力。
由于输入数据集存在多个输入，除霜性能仿真需要执行多次，故需设置循环执行除霜性能仿真这一步骤，在本申请的一个实施例中，这一步骤包括：
清除历史结果。判断是否存在历史仿真结果，如果存在则清除历史数据，如不存在则执行下一步。
设置稳态属性，设置稳态边界条件，生成监测报告；
运行稳态仿真，保存稳态仿真结果模型；
设置瞬态属性，创建霜层区域；设置温度边界条件，设置除霜温度曲线，创建霜层温度监测报告；创建除霜瞬态效果图，设置瞬态求解条件。
先对输入值进行稳态分析，稳态分析完成后再进行瞬态分析。
3、将所述多种除霜影响信息作为训练样本，以及将所述除霜结果作为所述训练样本的样本标签，构建样本集。
对除霜影响信息进行仿真分析得到除霜仿真结果后，将除霜影响信息作为输入对象，除霜影响信息对应的除霜仿真结果作为预期输出，建立样本集。
在本申请的一个实施例中，将所述多种除霜影响信息作为训练样本，以及将所述除霜结果作为所述训练样本的样本标签，构建样本集，包括：
获取每次仿真各自对应的除霜仿真结果以及与每次仿真对应的除霜影响样本信息；
统计不同的除霜影响样本信息以及保留的对应的除霜时间，构建样本集。
进一步的，所述除霜仿真结果中包括车窗的多个不同区域的除霜面积占比以及除霜时时间，获取每次仿真各自对应的除霜仿真结果以及与每次仿真对应的除霜影响样本信息，包括：
获取每个除霜仿真结果中所述多个不同区域各自的除霜面积占比达到预设占比阈值时所对应的除霜时间；
其中，所述多个不同区域至少包括：主驾驶的前风窗玻璃区域、副驾驶的前风窗玻璃区域、前风窗玻璃除主驾驶和副驾驶外的区域、主驾驶的侧风窗区域、副驾驶的侧风窗区域。
在本申请的一个实施例中，对所述除霜影响信息进行除霜性能CFD仿真，得到除霜仿真结果，包括：
对所述除霜影响信息进行除霜性能CFD仿真，监测车窗的A区、A'区、B区、D区、E区的除霜情况，得到除霜仿真结果；
其中，所述A区是指主驾驶的前风窗玻璃区域，所述A'区是指副驾驶的前风窗玻璃区域，B区，是指前风窗玻璃除A区、A'区外的区域，D区是指主驾驶的侧风窗区域，E区是指副驾驶的侧风窗区域。
其中，国标GB 11555-1994《汽车风窗玻璃除雾系统的性能要求及试验方法》和GB11555-1994《汽车风窗玻璃除箱系统的性能要求及试验方法》，规定了A、B和A′区域的确定，
A区域是下述从V点(即指V1和V2点，见GB 11562-1994中3.5.l条所述；V点位置的确定按GB 11562-1994中5.1条规定)向前延伸的4个平面与风窗玻璃外表面相交的交线所封闭的面积，A'区域是以汽车纵向中心平曲为基准面，与A区域相对称的区域。B区域是指由下述4个平面所围成的风窗外表面的而积，且距风窗玻璃透明部分面积边缘向内至少25mm,以较小面积为准。A、B和A'区域如图2所示。
申请人在国标规定的A、B和A'区域外还增设了D区、E区，D区是指主驾驶的侧风窗区域，E区是指副驾驶的侧风窗区域，D区、E区如图3所示。申请人认为D区、E区也能够增加驾驶员额外观察视野，对驾驶员判断路况有着辅助作用，因此，还需要将检测这两个区域的除霜状况。
国标规定每辆汽车应装备除霜系统，能够确保在寒冷天气条件下恢复风窗玻璃的能见度。除霜系统应当符合以下要求：试验开始后20min,A区域有80％已完成除霜；试验开始后25min,A'区域有80％已完成除霜；试验开始后40min，B区域有95％已完成除霜。
因此，依照国标要求，除霜仿真结果中将时间范围限制在0至2400秒内，并记载下“A区”、“A'区”、“B区”、“D区”、“E区”在不同时间的车窗除霜面积百分比，最小为0，最大为100％。将除霜仿真结果进行持久化存储，每个仿真输入对应一个存储文件，每一个存储文件可以按照表1所示格式进行存放。
时间 A区 A'区 B区 D区 E区
0 0 0 0 0 0
… … … … … …
2400
表1
为了便于后续机器学习模型的训练，本申请实施例中只选取B区域除霜的车窗区域在95％，其他除霜的车窗区域在80％时对应的时间作为期望值，加入样本集中进行训练，而不是获取多个时间以及各时间对应的除霜面积，避免将除霜区域的时间变化情况这一过程加入机器学习的过程，使模型专注于对特征特定除霜面积占比的预测，避免增加模型的复杂性，便于调参。
显然，本申请实施例可以根据实际需要如便于快速训练，可选择提取的除霜比例可为0-100％之间的任意值，再根据选中的比例提取对应的除霜时间。
进一步的，获取每个除霜仿真结果中所述多个不同区域各自的除霜面积占比达到预设占比阈值时所对应的除霜时间，包括：
当所述除霜仿真结果中任意区域不存在除霜面积占比达到预设占比阈值的除霜时间时，获取该区域在所述除霜仿真结果中已知除霜面积占比和所述已知除霜面积占比对应的除霜时间；
基于所述已知除霜面积占比和所述已知除霜面积占比对应的除霜时间，通过插值确定除霜面积占比达到预设占比阈值的除霜时间。
由于仿真过程中，仿真时间依据国标最大的仿真时间是2400秒，在这一个仿真时间内，有可能车窗区域的除霜面积比例并没有到达80％，为了最大限度的利用每一个仿真结果，采用插值法对除霜比例没有达到80％的仿真结果进行补充，获取其在除霜比例达到80％时的对应时间，增加训练数据，有效利用仿真结果。同时，增加2400秒内没达到80％的除霜仿真结果，增加了后续样本之间的差距，能够有效的提升所训练出来模型的泛化性能。
在本申请的一个实施例中，当需要监测车窗的A区、A'区、B区、D区、E区的除霜情况时，获取车窗区域除霜比例为80％时不同的输入值对应的时间包括：获取当前结果文件中A区除霜比例80％时的对应时间，若能获取该时间则执行下一步，否则采用插值的方式获取该时间。
获取当前文件A'区除霜比例80％时的对应时间，若能获取该时间则执行下一步，否则采用插值的方式获取该时间。
获取当前文件B区除霜比例95％时的对应时间，若能获取该时间则执行下一步，否则采用插值的方式获取该时间。
获取当前文件D区除霜比例80％时的对应时间，若能获取该时间则执行下一步，否则采用插值的方式获取该时间。
获取当前文件E区除霜比例80％时的对应时间，若能获取该时间则执行下一步，否则采用插值的方式获取该时间。
将不同的输入值以及对应的时间点进行汇总，形成样本集并输出。
汇总结果，将每一个输入值、输入值对应的除霜仿真结果进行汇总，形成样本集，并将样本集数据进行持久化存储。存储格式可如表2所示。
Figure BDA0003095251310000101
表2
4、基于所述样本集训练目标模型，得到除霜性能预测模型。
在本申请的一个实施例中，基于所述样本集训练目标模型，得到除霜性能预测模型，包括：
对所述样本集中的样本进行预处理，得到标准化样本集，所述预处理包括标准处理或归一化处理；
将所述标准化样本集中的训练样本划分为训练集和测试集；
利用所述训练集对多个不同的目标模型进行训练，得到多个候选模型；
利用所述测试集对所述多个候选模型进行测试，筛选出所述除霜性能预测模型。
导入除霜仿真结果。导入CFD仿真输出的除霜性能数据文件。获取每一个除霜仿真结果对应的输入值。获取每一个除霜性能结果对应的仿真时输入的除霜影响信息的具体取值。获取车窗区域除霜比例为预设占比时，B区为95％时、其它区域为80％时，每一个输入值对应的时间。通过所述样本集训练机器学习模型，得到除霜性能预测模型。使用建立的样本集来训练机器学习模型，得到能够预测车辆除霜性能的除霜性能预测模型。
样本集导入，对样本集进行标准化处理。导入样本集，对样本集进行标准化处理如Z-Score标准化。不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性.原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价。优选的，本申请也可对样本集使用归一化或其他机器学习数据预处理方式处理，实现对样本集导入后的处理。样本集划分为训练集和测试集，设置超参数。
将样本集划分为训练集和测试集，并设置模型的超参数，超参数在机器学习的上下文中，在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。例如，树的数量或树的深度、矩阵分解中潜在因素的数量、学习率、深层神经网络隐藏层数、k均值聚类中的簇数。
机器学习并行训练和测试。本申请的实施例中，选取多个模型利用样本集进行并行训练，并对训练得到的模型利用测试集进行测试。
训练误差和测试误差分析。将每一个模型在训练数据上的误差与在测试数据上的误差进行对比分析，一个训练完成的模型，应当避免过拟合，避免对训练数据的依赖，当训练完成的模型在训练集上的预测误差与在测试集上的预测误差相近时，说明其在训练集上的表现和在测试集上的变现是相近的，避免了过拟合，具有良好的泛化性。
泛化性能评估，选取性能最好的机器学习模型。对比各个模型的泛化性能，可对比各个模型的训练集预测误差与测试集预测误差，差别最小的模型泛化性能最好，选择该模型作为除霜性能预测模型。
在本申请一个实施例中，基于所述样本集训练目标模型，得到除霜性能预测模型，包括：
将所述标准化样本集中的训练样本划分为训练集和测试集；
利用所述训练集和所述测试集训练候选模型，得到所述除霜性能预测模型；
基于所述除霜性能预测模型和所述测试集，执行迭代，所述迭代包括：
将所述测试集中的训练样本输入所述除霜性能预测模型，得到所述除霜性能预测模型的预测结果；
计算所述预测结果与所述测试集中训练样本的标签的误差；
求导所述误差的计算过程，求得误差导数；
沿着所述误差导数的下降方向减小所述除霜性能预测模型的模型参数；
直到所述误差小于预设阈值。
将样本集划分为训练集和测试集，并设置模型的超参数，训练多个候选模型利用。并行训练和测试，利用样本集进行并行训练，并对训练得到的模型利用测试集进行测试。将每一个模型在训练数据上的误差与在测试数据上的误差进行对比分析，对比各个模型的训练集预测误差与测试集预测误差，差别最小的模型泛化性能最好，选择该模型作为除霜性能预测模型。
选择出模型后还进一步的，对模型进行参数调优，还包括：
基于选取的模型和所述测试集，执行迭代，所述迭代包括：将所述测试集中的输入对象输入所述选取的模型，得到预测结果；
计算所述预测结果与所述测试集中实际结果的误差，求导误差计算过程，求得误差的导数；
沿着所述误差的导数的下降方向变动模型的参数；直到满足退出条件。
执行参数调优过程，对模型进行进一步优化，不断将预测结果靠近真实值，求得参数的最优解，此时可以退出调优，退出条件可以根据具体需求自行设计，如每一个输入对象的预测结果与实际结果的误差均小于预设阈值。
本申请的参数调优过程除可采用上述方法外，还可以采用模拟退火算法、粒子群算法等算法。
采用本申请提供的预测车辆除霜性能的方法，获得当前待测试车辆的多种除霜影响信息，将所述多种除霜影响信息输入到除霜性能预测模型，得到所述待测试车辆的除霜预测结果。通过本申请的方法利用机器学习训练得到模型后，当需要预测车辆设计方案的除霜性能时，仅需选择影响除霜性能的多种影响信息，之后，将多种除霜影响信息输入模型即可实现对除霜性能的预测，而不必每次预测都要重新进行一次除霜性能CFD仿真分析，本申请的方法相对于现有技术而言，使工程师能够不必多次进行CFD仿真分析，更加简便，能够节约工程师时间，提升工程师工作效率，且本申请的方法一次训练完成后即可持续使用，更加快捷简单，能够减少数字样机设计时间，加快车辆的开发进度。
本申请还可通过自动化编程，实现整个CFD仿真分析的自动化执行，并通过自动化编程，自动实现样本集建立和机器学习模型的训练，实现预测方法的自动化执行，极大的减少了人力投入，减少了工程师的工作量。
基于同一发明构思，本申请一实施例提供一种预测车辆除霜性能装置。参考图5，图5是本申请一实施例提出的预测车辆除霜性能装置的示意图。
如图5所示，该装置包括：
除霜影响信息获得模块510，用于获得当前待测试车辆的多种除霜影响信息；
除霜性能预测模块520，用于将所述多种除霜影响信息输入到除霜性能预测模型，得到所述待测试车辆的除霜预测结果，所述除霜预测结果至少包括在所述多种除霜影响信息的影响下，所述待测试车辆的除霜面积占比以及除霜时时间；
其中，所述除霜性能预测模型是以携带标签的样本信息为训练样本，对目标模型进行训练得到的。
在本申请的一个实施例中，所述装置还包括：
仿真样本信息获取模块，用于获取用于进行车辆除霜仿真的多种除霜影响样本信息，所述除霜影响样本信息预先选取的对车辆除霜性能有影响的因子；
仿真模块，用于对所述多种除霜影响样本信息进行除霜性能计算流体动力学仿真，得到在所述多种除霜影响样本信息下所述车辆的除霜结果，其中，所述除霜结果包括除霜面积占比以及除霜时间；
样本集构建模块，用于将所述多种除霜影响信息作为训练样本，以及将所述除霜结果作为所述训练样本的样本标签，构建样本集；
除霜性能预测模型训练模块，用于基于所述样本集训练目标模型，得到除霜性能预测模型。
基于同一发明构思，本申请另一实施例提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请上述任一实施例所述的预测车辆除霜性能的方法。
基于同一发明构思，本申请另一实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请上述任一实施例所述的预测车辆除霜性能的方法。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例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，本申请实施例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。
本申请实施例是参照根据本申请实施例的方法、终端设备(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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做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申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端设备不仅包括那些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种预测车辆除霜性能的方法、装置、设备及存储介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种预测车辆除霜性能的方法，其特征在于，所述方法包括：
获得当前待测试车辆的多种除霜影响信息；
将所述多种除霜影响信息输入到除霜性能预测模型，得到所述待测试车辆的除霜预测结果，所述除霜预测结果至少包括在所述多种除霜影响信息的影响下，所述待测试车辆的除霜面积占比以及除霜时时间；
其中，所述除霜性能预测模型是以携带标签的样本信息为训练样本，对目标模型进行训练得到的。
2.根据权利要求1所述方法，其特征在于，所述除霜性能预测模型是通过以下步骤得到的：
获取用于进行车辆除霜仿真的多种除霜影响样本信息，所述除霜影响样本信息是预先选取的对车辆除霜性能有影响的因子；
对所述多种除霜影响样本信息进行除霜性能计算流体动力学仿真，得到在所述多种除霜影响样本信息下所述车辆的除霜结果，其中，所述除霜结果包括除霜面积占比以及除霜时间；
将所述多种除霜影响信息作为训练样本，以及将所述除霜结果作为所述训练样本的样本标签，构建样本集；
基于所述样本集训练目标模型，得到除霜性能预测模型。
3.根据权利要求2所述方法，其特征在于，将所述多种除霜影响信息作为训练样本，以及将所述除霜结果作为所述训练样本的样本标签，构建样本集，包括：
获取每次仿真各自对应的除霜仿真结果以及与每次仿真对应的除霜影响样本信息；
统计不同的除霜影响样本信息以及保留的对应的除霜时间，构建样本集。
4.根据权利要求3所述方法，其特征在于，所述除霜仿真结果中包括车窗的多个不同区域的除霜面积占比以及除霜时时间，获取每次仿真各自对应的除霜仿真结果以及与每次仿真对应的除霜影响样本信息，包括：
获取每个除霜仿真结果中所述多个不同区域各自的除霜面积占比达到预设占比阈值时所对应的除霜时间；
其中，所述多个不同区域至少包括：主驾驶的前风窗玻璃区域、副驾驶的前风窗玻璃区域、前风窗玻璃除主驾驶和副驾驶外的区域、主驾驶的侧风窗区域、副驾驶的侧风窗区域。
5.根据权利要求4所述方法，其特征在于，获取每个除霜仿真结果中所述多个不同区域各自的除霜面积占比达到预设占比阈值时所对应的除霜时间，包括：
当所述除霜仿真结果中任意区域不存在除霜面积占比达到预设占比阈值的除霜时间时，获取该区域在所述除霜仿真结果中已知除霜面积占比和所述已知除霜面积占比对应的除霜时间；
基于所述已知除霜面积占比和所述已知除霜面积占比对应的除霜时间，通过插值确定除霜面积占比达到预设占比阈值的除霜时间。
6.根据权利要求2所述方法，其特征在于，基于所述样本集训练目标模型，得到除霜性能预测模型，包括：将所述标准化样本集中的训练样本划分为训练集和测试集；
利用所述训练集和所述测试集训练候选模型，得到所述除霜性能预测模型；基于所述除霜性能预测模型和所述测试集，执行迭代，所述迭代包括：
将所述测试集中的训练样本输入所述除霜性能预测模型，得到所述除霜性能预测模型的预测结果；
计算所述预测结果与所述测试集中训练样本的标签的误差；
求导所述误差的计算过程，求得误差导数；
沿着所述误差导数的下降方向减小所述除霜性能预测模型的模型参数；
直到所述误差小于预设阈值。
7.一种预测车辆除霜性能的装置，其特征在于，所述装置包括：
除霜影响信息获得模块，用于获得当前待测试车辆的多种除霜影响信息；
除霜性能预测模块，用于将所述多种除霜影响信息输入到除霜性能预测模型，得到所述待测试车辆的除霜预测结果，所述除霜预测结果至少包括在所述多种除霜影响信息的影响下，所述待测试车辆的除霜面积占比以及除霜时时间；
其中，所述除霜性能预测模型是以携带标签的样本信息为训练样本，对目标模型进行训练得到的。
8.根据权利要求7所述装置，其特征在于，所述装置还包括：
仿真样本信息获取模块，用于获取用于进行车辆除霜仿真的多种除霜影响样本信息，所述除霜影响样本信息预先选取的对车辆除霜性能有影响的因子；
仿真模块，用于对所述多种除霜影响样本信息进行除霜性能计算流体动力学仿真，得到在所述多种除霜影响样本信息下所述车辆的除霜结果，其中，所述除霜结果包括除霜面积占比以及除霜时间；
样本集构建模块，用于将所述多种除霜影响信息作为训练样本，以及将所述除霜结果作为所述训练样本的样本标签，构建样本集；
除霜性能预测模型训练模块，用于基于所述样本集训练目标模型，得到除霜性能预测模型。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1至6任一所述的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至6任一所述的方法。
CN202110609058.6A 2021-06-01 2021-06-01 预测车辆除霜性能的方法、装置、设备及存储介质 Pending CN114819449A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110609058.6A CN114819449A (zh) 2021-06-01 2021-06-01 预测车辆除霜性能的方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110609058.6A CN114819449A (zh) 2021-06-01 2021-06-01 预测车辆除霜性能的方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114819449A true CN114819449A (zh) 2022-07-29

Family

ID=82526953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110609058.6A Pending CN114819449A (zh) 2021-06-01 2021-06-01 预测车辆除霜性能的方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114819449A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116204240A (zh) * 2022-11-08 2023-06-02 宁波吉利汽车研究开发有限公司 服务实例控制方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116204240A (zh) * 2022-11-08 2023-06-02 宁波吉利汽车研究开发有限公司 服务实例控制方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109117987B (zh) 一种基于深度学习的个性化交通事故风险预测推荐方法
CN110188797B (zh) 一种基于贝叶斯优化的智能汽车快速测试方法
CN112489497B (zh) 基于深度卷积神经网络的空域运行复杂度评估方法
CN110705774A (zh) 一种车辆能耗分析的预测方法和系统
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN115049019B (zh) 金属有机框架对砷的吸附性能评估方法、装置及相关设备
CN113420506A (zh) 掘进速度的预测模型建立方法、预测方法及装置
CN114463868A (zh) 面向交通流管控的收费站交通流组合预测方法及系统
CN114332825B (zh) 基于深度学习的道路地形分布识别方法、设备和存储介质
CN115600105A (zh) 基于mic-lstm的水体缺失数据插补方法及装置
CN114819449A (zh) 预测车辆除霜性能的方法、装置、设备及存储介质
CN111310122A (zh) 一种模型的数据处理方法、电子设备及存储介质
CN115081515A (zh) 能效评价模型构建方法、装置、终端及存储介质
CN117892162A (zh) 一种基于非负矩阵分解和机器学习的流域径流预报方法
CN117436653A (zh) 一种网约车出行需求的预测模型构建方法和预测方法
CN111783930B (zh) 一种基于路径状态的神经网络测试充分性评估方法
CN106874286B (zh) 一种筛选用户特征的方法及装置
Noor et al. Prediction map of rainfall classification using random forest and inverse distance weighted (IDW)
CN115600102B (zh) 基于船舶数据的异常点检测方法及装置、电子设备、介质
CN108459996B (zh) 一种基于有监督学习的用户行程挖掘方法和装置
CN115222145A (zh) 基于新能源汽车运行大数据的续驶里程预测方法及系统
CN113139332A (zh) 一种自动化模型构建方法、装置及设备
CN113744070A (zh) 新能源汽车保险成本的预测方法、装置及计算机设备
CN114819344A (zh) 一种基于关键影响因子的全局时空气象农灾预测方法
CN104933011A (zh) 关系模型的确定方法及装置

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