CN114936485B - 一种用于电池包系统的振动应力及疲劳寿命预测方法 - Google Patents
一种用于电池包系统的振动应力及疲劳寿命预测方法 Download PDFInfo
- Publication number
- CN114936485B CN114936485B CN202210446346.9A CN202210446346A CN114936485B CN 114936485 B CN114936485 B CN 114936485B CN 202210446346 A CN202210446346 A CN 202210446346A CN 114936485 B CN114936485 B CN 114936485B
- Authority
- CN
- China
- Prior art keywords
- battery pack
- finite element
- pack system
- fatigue life
- thickness
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013136 deep learning model Methods 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 44
- 239000011257 shell material Substances 0.000 claims description 40
- 239000000463 material Substances 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000000265 homogenisation Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 description 16
- 239000000306 component Substances 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 101100409194 Rattus norvegicus Ppargc1b gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009661 fatigue test Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Battery Mounting, Suspending (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开一种用于电池包系统的振动应力及疲劳寿命预测方法,步骤包括:1)建立电池包系统有限元模型;2)设置电池模组有限元模型部件厚度;3)测试在不同振动工况下,电池包系统有限元模型的系统振动应力和疲劳寿命;4)修改电池模组有限元模型部件厚度,并返回步骤3),直至获取若干电池包系统有限元模型的系统振动应力和疲劳寿命;5)建立训练数据集,对深度学习模型进行训练,得到振动应力及疲劳寿命预测模型;6)获取待检测电池包系统的部件厚度,输入到振动应力及疲劳寿命预测模型中,得到待检测电池包系统的振动应力及疲劳寿命。本发明解决了通过有限元模型预测电池包系统力学特性时存在的预测过程复杂的问题。
Description
技术领域
本发明涉及电动汽车领域,具体是一种用于电池包系统的振动应力及疲劳寿命预测方法。
背景技术
随着我国汽车工业的迅速发展,电动汽车的保有量居世界首位,电池包系统作为电动汽车上的关键核心部件,在动力供给方面起着至关重要的作用。由于行驶道路环境恶劣,交通环境日益复杂,不同的机械情况(比如车辆碰撞、电池包振动、障碍物冲击等)将对电池包系统产生难以估计的损伤,严重时会发生火灾,爆炸等安全事故,这将极大影响电动汽车的行驶安全性和交通安全性。另外,若不对振动工况下的电池包系统进行应力分析,将无法评估受振动后电池包系统的可靠性,将对未来电池包的继续使用及车辆行驶留下安全隐患。
电池包系统是纯电动汽车以及混合动力汽车的动力来源,一般由下底壳、上盖、电池模组、纵梁/边、横梁/边、模组安装板、吊耳、长/短支架、加强板等部件构成。对于确定结构的电池包系统,其安全性能主要由关键部件的厚度和材料参数决定。若通过改变不同部件的厚度参数制造不同的电池包样件,开展实验分析来研究其振动工况下的安全性,时间成本和经济成本都会非常高昂。所以,采用有限元仿真与深度学习相结合的方法来对电池包系统振动应力及疲劳寿命进行预测具有非常重要的工程实用价值。
近年来,相关企业及高校致力于对不同电池包系统部件厚度参数下的振动疲劳安全性进行研究,国内外专家学者对电池包系统的振动疲劳安全性也开展了较为系统的研究,包括优化厚度参数、采用新型材料、采用不同的电池包模组布置方式等方法。为了进行电池包系统的合理设计,设计人员必须基于有限元模型执行上万次分析来了解整个电池包系统的力学特性。如图2所示,电池包系统的部件如:下底壳、上盖、电池模组、纵梁/边、横梁/边、模组安装板、吊耳、长/短支架、加强板等必须提供幂级数次的有限元分析从而选取适当的厚度参数,这个过程十分辛苦、昂贵且耗时,因此无法在汽车行业激烈的竞争中推广使用。
发明内容
本发明的目的是提供一种用于电池包系统的振动应力及疲劳寿命预测方法,包括以下步骤:
1)建立电池包系统有限元模型.
建立电池包系统有限元模型的步骤包括:
1.1)根据电池包系统的壳体尺寸、壳体结构和壳体材料,建立壳体有限元模型;
1.2)根据电池包系统的电池模组尺寸和材料,建立电池模组有限元模型;
建立电池模组有限元模型的步骤包括:
1.2.1)根据电池模组的尺寸参数,建立电池模组几何模型;
1.2.2)对电池模组材料进行均质化处理;
1.2.3)根据均质化处理得到的电池模组材料信息定义电池模组几何模型的材料参数,从而得到电池模组有限元模型。
1.3)根据电池包系统各个部件的连接关系,耦合壳体有限元模型和电池模组有限元模型,得到电池包系统有限元模型。
2)设置电池模组有限元模型部件厚度;所述部件厚度包括电池模组有限元模型中长托架厚度、吊耳厚度、底壳厚度、下支撑横梁厚度、上下连接支架厚度和上支架厚度。
3)测试在不同振动工况下,电池包系统有限元模型的系统振动应力和疲劳寿命;
所述疲劳寿命通过达到疲劳破断时的应力循环次数N表征;
次数N满足下式:
σmN=C (1)
式中,σ为最大应力,N为达到疲劳破断时的应力循环次数;m、C为电池包系统材料常数。
4)修改电池模组有限元模型部件厚度,并返回步骤3),直至获取若干电池包系统有限元模型的系统振动应力和疲劳寿命;
5)根据电池模组有限元模型部件厚度、电池包系统有限元模型的系统振动应力和疲劳寿命建立训练数据集,并对深度学习模型进行训练,得到振动应力及疲劳寿命预测模型;
在建立振动应力及疲劳寿命预测模型时,还利用测试集对振动应力及疲劳寿命预测模型进行测试;
所述测试集的数据包括电池模组有限元模型部件厚度、电池包系统有限元模型的系统振动应力和疲劳寿命。
测试集和训练数据集中,电池模组有限元模型部件厚度为输入数据,电池包系统有限元模型的系统振动应力和疲劳寿命为输出数据。
所述深度学习模型包括输入层、隐藏层和输出层。
所述深度学习模型在训练时,交替地进行正向传播和反向传播,并根据反向传播计算梯度迭代模型参数;
在正向传播过程中,输入矩阵、权重矩阵和偏差矩阵分别如下所示:
Z0=(i1,i2,i3,…im) (2)
Wn=(Wn 1,Wn 2,Wn 3,…Wn m) (3)
Bn=(Bn 1,Bn 2,Bn 3,…Bn m) (4)
式中,m表示样本集数量;n表示隐藏层和输出层的总数;Z0表示输入矩阵,即为电池包系统部件的材料和厚度参数;Wn和Bn分别表示第n层的权重矩阵和偏差矩阵。
正向传播过程如下:
A0=Z0 (5)
Zi=Wi TAi-1+Bi,i=1…n (6)
Ai=fi(Zi),i=1…n (7)
式中,Z0为第0层的输入;A0为第0层的输出,第0层为输入层;Zi为第i层的输入;Wi为第i层的权重矩阵;Bi为第i层的偏差矩阵;Ai为第i层的输出;n为隐藏层和输出层的总层数;fi()为第i层的激活函数;Ai-1为第i-1层的输出;
反向传播过程中,通过损失函数调节权重矩阵和偏差矩阵。
6)获取待检测电池包系统的部件厚度,并输入到振动应力及疲劳寿命预测模型中,得到待检测电池包系统的振动应力及疲劳寿命。
所述振动工况包括随机振动工况、正扫频振动工况和定频振动工况。
本发明的技术效果是毋庸置疑的,本发明结合了电池包系统有限元建模和深度学习模型,通过建立完善的电池包系统有限元模型,可获取足够的数据样本,从而能够对深度学习模型进行充分的训练,使得深度学习模型具备高精度预测振动应力及疲劳寿命的特征,同时解决了通过有限元模型预测电池包系统力学特性时存在的预测过程复杂的问题。
附图说明
图1为本发明方法流程图;
图2为电池包系统的结构图;
图3为有限元分析(FEM)和深度学习模型(DNN)应力结果分布对比箱型图;
图4为为有限元分析(FEM)和深度学习模型(DNN)疲劳寿命结果分布对比箱型图。
图5为100组预测数据的有限元分析(FEM)和深度学习模型(DNN)应力结果分布;
图6为100组预测数据的有限元分析(FEM)和深度学习模型(DNN)疲劳寿命结果分布;
图中,上盖1、底壳2、上下连接支架3、下支撑横梁4、长托架5、短托架6、上支架7、吊耳8、纵梁9、模组安装板10。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1至图6,一种用于电池包系统的振动应力及疲劳寿命预测方法,包括以下步骤:
1)建立电池包系统有限元模型.
建立电池包系统有限元模型的步骤包括:
1.1)根据电池包系统的壳体尺寸、壳体结构和壳体材料,建立壳体有限元模型;所述电池包系统包括上盖1、底壳2、上下连接支架3、下支撑横梁4、长托架5、短托架6、上支架7、吊耳8、纵梁9、模组安装板10。
1.2)根据电池包系统的电池模组尺寸和材料,建立电池模组有限元模型;
建立电池模组有限元模型的步骤包括:
1.2.1)根据电池模组的尺寸参数,建立电池模组几何模型;
1.2.2)对电池模组材料进行均质化处理;
1.2.3)根据均质化处理得到的电池模组材料信息定义电池模组几何模型的材料参数,从而得到电池模组有限元模型。
1.3)根据电池包系统各个部件的连接关系,耦合壳体有限元模型和电池模组有限元模型,得到电池包系统有限元模型。
2)设置电池模组有限元模型部件厚度;所述部件厚度包括电池模组有限元模型中长托架厚度、吊耳厚度、底壳厚度、下支撑横梁厚度、上下连接支架厚度和上支架厚度。
3)测试在不同振动工况下,电池包系统有限元模型的系统振动应力和疲劳寿命;所述振动工况包括随机振动工况、正扫频振动工况和定频振动工况。
所述疲劳寿命通过达到疲劳破断时的应力循环次数N表征;
次数N满足下式:
σmN=C (1)
式中,σ为最大应力,N为达到疲劳破断时的应力循环次数;m、C为电池包系统材料常数。
4)修改电池模组有限元模型部件厚度,并返回步骤3),直至获取若干电池包系统有限元模型的系统振动应力和疲劳寿命;
5)根据电池模组有限元模型部件厚度、电池包系统有限元模型的系统振动应力和疲劳寿命建立训练数据集,并对深度学习模型进行训练,得到振动应力及疲劳寿命预测模型;
在建立振动应力及疲劳寿命预测模型时,还利用测试集对振动应力及疲劳寿命预测模型进行测试;
所述测试集的数据包括电池模组有限元模型部件厚度、电池包系统有限元模型的系统振动应力和疲劳寿命。
测试集和训练数据集中,电池模组有限元模型部件厚度为输入数据,电池包系统有限元模型的系统振动应力和疲劳寿命为输出数据。
所述深度学习模型包括输入层、隐藏层和输出层。
所述深度学习模型在训练时,交替地进行正向传播和反向传播,并根据反向传播计算梯度迭代模型参数;
在正向传播过程中,输入矩阵、权重矩阵和偏差矩阵分别如下所示:
Z0=(i1,i2,i3,…im) (2)
Wn=(Wn 1,Wn 2,Wn 3,…Wn m) (3)
Bn=(Bn 1,Bn 2,Bn 3,…Bn m) (4)
式中,m表示样本集数量;n表示隐藏层和输出层的总数;Z0表示输入矩阵,即为电池包系统部件的材料和厚度参数;Wn和Bn分别表示第n层的权重矩阵和偏差矩阵。
正向传播过程如下:
A0=Z0 (5)
Zi=Wi TAi-1+Bi,i=1…n (6)
Ai=fi(Zi),i=1…n (7)
式中,Z0为第0层的输入;A0为第0层的输出,第0层为输入层;Zi为第i层的输入;Wi为第i层的权重矩阵;Bi为第i层的偏差矩阵;Ai为第i层的输出;n为隐藏层和输出层的总层数;fi()为第i层的激活函数;Ai-1为第i-1层的输出;
反向传播过程中,通过损失函数调节权重矩阵和偏差矩阵。
6)获取待检测电池包系统的部件厚度,并输入到振动应力及疲劳寿命预测模型中,得到待检测电池包系统的振动应力及疲劳寿命。
实施例2:
一种用于电池包系统的振动应力及疲劳寿命预测方法,包括以下步骤:
S1、建立电池包系统有限元模型;
S2、测试不同振动工况下,电池包系统有限元模型在不同厚度组合下的系统振动应力及疲劳寿命;
S3、将不同厚度组合数据,与对应的系统振动应力及疲劳寿命构成训练数据对;
在有限元软件中通过定义不同的功率谱密度曲线或者是振动频率,幅值等定义不同的振动工况,而后进行有限元分析,获取振动工况下的电池包系统最大应力,并利用软件所自带的疲劳寿命分析模块或者专用的疲劳寿命分析软件获取电池包系统有限元模型的疲劳寿命;
获取疲劳寿命的基本方法是:通过有限元分析的应力结果得到材料在该条件下所能承受的最大应力幅水平,由一定的工作应力幅对应其S-N曲线求出电池包系统所对应的疲劳寿命,其关系满足如下方程:
σmN=C (1)
式中σ为应力幅或最大应力,N为达到疲劳破断时的应力循环次数,m,C材料常数。
S-N曲线为材料所承受的应力幅水平与该应力幅下发生疲劳破坏时所经历的应力循环次数的关系曲线。S-N曲线一般使用标准试样进行疲劳试验获得,软件材料库中嵌有不同材料的S-N曲线,因此只需将材料及部件参数导入软件即可获取电池包系统的疲劳寿命;
S4、采用多个训练数据对,建立深度学习模型;
S5、通过深度学习模型对不同厚度组合下的系统振动应力及疲劳寿命进行预测。
其中,所述步骤S1包括以下分步骤:
S11、根据电池包系统的壳体尺寸、壳体结构和壳体材料,建立壳体有限元模型;
S12、根据电池包系统的电池模组的尺寸和材料,建立电池模组有限元模型;
S13、根据电池包系统各个部件的连接关系,耦合壳体有限元模型和电池模组有限元模型,得到电池包系统有限元模型。
上述方案的有益效果为:本发明通过电池包系统的真实结构关系建立电池包系统有限元模型,通过电池包系统有限元模型获取完善的数据集,降低数据集的获取成本。
所述步骤S12包括以下分步骤:
S121、根据电池模组的尺寸参数,建立电池模组几何模型;
S122、对电池模组材料进行均质化处理;
S123、根据均质化处理得到的电池模组材料信息定义电池模组几何模型的材料参数,得到电池模组有限元模型。
所述步骤S3中厚度类型包括:长托架厚度、吊耳厚度、底壳厚度、下支撑横梁厚度、上下连接支架厚度和上支架厚度。
所述步骤S4包括以下分步骤:
S41、将多个训练数据对划分为训练集和测试集;
S42、采用训练集对深度学习模型进行训练,得到训练完成的深度学习模型;
S43、采用测试集对训练完成的深度学习模型进行测试,进一步调节模型参数,得到构建完成的深度学习模型。
所述步骤S42和S43中对深度学习模型训练或测试时,将训练数据对的厚度组合数据作为深度学习模型的输入,对应的振动应力及疲劳寿命作为深度学习模型的输出。
上述方案的有益效果为:通过训练深度学习模型表达不同厚度组合数据与系统振动应力及疲劳寿命之间复杂的映射关系,其实现过程简单,无需构建复杂的数学模型。
所述步骤S4中深度学习模型包括:输入层、隐藏层和输出层,所述深度学习模型在训练时,交替地进行正向传播和反向传播。
深度学习模型包含有三部分,分别是输入层、隐藏层和输出层。输入层的神经元负责接收数据值并将其前向传播到神经网络的中间层即隐藏层的神经元中。隐藏层的加权和在最终正向传播到输出层,输出层将展示神经网络的输出结果。这里所说的正向传播与反向传播为训练深度学习模型的过程。深度学习模型交替地进行正向传播和反向传播,并根据反向传播计算梯度迭代模型参数。
在正向传播过程中,需要定义输入矩阵、权重矩阵和偏差矩阵,即:
Z0=(i1,i2,i3,…im) (2)
Wn=(Wn 1,Wn 2,Wn 3,…Wn m) (3)
Bn=(Bn 1,Bn 2,Bn 3,…Bn m) (4)
式中,m表示样本集数量;n表示隐藏层和输出层的总数;Z0表示输入矩阵,即为电池包系统部件的材料和厚度参数;Wn和Bn分别表示第n层的权重矩阵和偏差矩阵。
正向传播过程如下:
A0=Z0 (5)
Zi=Wi TAi-1+Bi,i=1…n (6)
Ai=fi(Zi),i=1…n (7)
式中,Z0为第0层的输入;A0为第0层的输出,第0层为输入层;Zi为第i层的输入;Wi为第i层的权重矩阵;Bi为第i层的偏差矩阵;Ai为第i层的输出;n为隐藏层和输出层的总层数;fi()为第i层的激活函数。在隐藏层,隐藏层和输出层之间可以使用不同的激活函数,具体的函数选取与数据量等有关。
反向传播之前,需要定义适当的损失函数来计算深度学习模型结果与参考数据之间的误差,通过损失值去调节权重矩阵和偏差矩阵,直到损失值满足要求,由此便搭建了最终的深度学习模型。
实施例3:
如图1所示,一种用于电池包系统的振动应力及疲劳寿命预测方法,包括以下步骤:
S1、建立电池包系统有限元模型;
在本实施例中,有限元模型可在不同的有限元软件上实现,例如:LS-DYNA或ABAQUS。
步骤S1包括以下分步骤:
S11、根据电池包系统的壳体尺寸、壳体结构和壳体材料,建立壳体有限元模型;
在本实施例中,步骤S11的具体操作为:在获得壳体尺寸、壳体结构和壳体材料后,在有限元软件中定义壳体模型的类型、尺寸、厚度和材料等参数,建立壳体有限元模型。
S12、根据电池包系统的电池模组的尺寸和材料,建立电池模组有限元模型;
所述步骤S12包括以下分步骤:
S121、根据电池模组的尺寸参数,建立电池模组几何模型;
S122、对电池模组材料进行均质化处理;
S123、根据均质化处理得到的电池模组材料信息定义电池模组几何模型的材料参数,得到电池模组有限元模型。
S13、根据电池包系统各个部件的连接关系,耦合壳体有限元模型和电池模组有限元模型,得到电池包系统有限元模型。
所述步骤S13中耦合即为建立壳体有限元模型和电池模组有限元模型的连接关系,连接关系包括:焊接、摩擦等接触连接关系。
S2、测试不同振动工况下,电池包系统有限元模型在不同厚度组合下的系统振动应力及疲劳寿命;
在本实施例中,步骤S2具体为:在国标GB38031-2020要求的基础上,根据实际研发需求,施加三个方向的振动载荷,开展电池包系统振动仿真分析,并获取电池包系统部件在不同厚度组合情况下的系统振动应力及疲劳寿命数据,表1所示为电池包系统不同部件的厚度水平。
表1.电池包系统不同部件的厚度水平
S3、将不同厚度组合数据,与对应的系统振动应力及疲劳寿命构成训练数据对;
所述步骤S3中厚度类型包括:长托架厚度、吊耳厚度、底壳厚度、下支撑横梁厚度、上下连接支架厚度和上支架厚度。
S4、采用多个训练数据对,建立深度学习模型;
所述步骤S4包括以下分步骤:
S41、将多个训练数据(数据集)对划分为训练集和测试集;
步骤S41具体为,在500个训练数据对的情况下,可采用80%的数据作为训练集,20%的数据作为测试集。
S42、采用训练集对深度学习模型进行训练,得到训练完成的深度学习模型;
S43、采用测试集对训练完成的深度学习模型进行测试,进一步调节模型参数,得到构建完成的深度学习模型。
步骤S42和S43中对深度学习模型训练或测试时,将训练数据对的厚度组合数据作为深度学习模型的输入,对应的系统振动应力及疲劳寿命作为深度学习模型的输出。
所述步骤S4中深度学习模型包括:输入层、隐藏层和输出层,所述深度学习模型在训练时,交替地进行正向传播和反向传播。
输入层的神经元负责接收数据值并将其前向传播到神经网络的中间层的神经元中,即隐藏层。隐藏层的加权和在最终前向传播到输出层,输出层将展示神经网络的输出结果。在训练时,深度学习模型交替地进行正向传播和反向传播,并根据反向传播计算梯度迭代模型参数。
所述正向传播为:
A0=Z0
Zi=Wi TAi-1+Bi,i=1…n
Ai=fi(Zi),i=1…n
其中,Z0为第0层的输入,A0为第0层的输出,Zi为第i层的输入,Wi为第i层的权重矩阵,Bi为第i层的偏差矩阵,Ai为第i层的输出,n为隐藏层和输出层的总层数,fi()为第i层的激活函数,隐藏层选择Tansig函数作为激活函数,在隐藏层和输出层之间采用Purelin函数作为激活函数。
在进行一次正向传播后,计算当前深度学习模型的输出与目标输出之间的误差,在得到误差后,通过反向传播去调节权重矩阵和偏差矩阵,调节后,再次进行正向传播,直到误差满足要求,计算误差的损失函数可采用均方误差。
在训练和测试过程中,调节的深度学习模型的参数还包括:隐藏层层数、各隐藏层神经元数目和学习率等参数。
在本实施例中,还可通过将深度学习模型训练或测试过程中的输出结果与电池包系统有限元模型的振动仿真数据进行对比,可进一步地调节隐藏层层数、各隐藏层神经元数目和学习率等参数。
S5、通过深度学习模型对不同厚度组合下的系统振动应力及疲劳寿命进行预测。
在深度学习模型构建完成后,将不同厚度组合数据输入到深度学习模型中,则深度学习模型输出的系统振动应力及疲劳寿命则为本发明的预测值。
实验结果:
1、图3为有限元分析(FEM)和深度学习模型(DNN)应力结果分布对比箱型图;图4为有限元分析(FEM)和深度学习模型(DNN)疲劳寿命结果分布对比箱型图;图5为100组预测数据的有限元分析(FEM)和深度学习模型(DNN)应力结果分布;图6为100组预测数据的有限元分析(FEM)和深度学习模型(DNN)疲劳寿命结果分布。箱型图中的元素包括25%分位数-75%分位数分布范围perc(25-75)、最小值-最大值分布范围、中间值和平均值。从图3~6中可以看出,建立的深度学习模型可以较好地预测电池包系统的振动应力及疲劳寿命。
2、为了详细表达深度学习模型的精度,选取平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、最大绝对误差(ME)、均方根误差(RMSE)和决定系数(R2)等作为精度评估指标。
3、ME、MAE、MAPE和RMSE用于评估回归预测模型,其值表示相关的误差。误差越小,模型的精度越高。R2是用来衡量回归模型的质量。R2值越大,表示模型的性能越好。表2、表3、表4和表5分别描述了深度学习模型建模的实验数据、100组样本的深度学习模型预测结果、10次运行的深度学习模型应力预测精度以及10次运行的深度学习模型疲劳寿命预测精度。
表2.深度学习模型的实验数据
表3. 100组样本的深度学习模型预测结果
表4. 10次运行的深度学习模型应力预测精度
/>
表5. 10次运行的深度学习模型疲劳寿命预测精度
从表中可以看出,MAE、MAPE和RMSE相对较小,R2接近1。结果表明,建立的深度学习模型可以较好地预测电池包系统的振动应力及疲劳寿命。
综上所述,本实施例综合考虑了电池包系统的振动应力及疲劳寿命预测问题。结果显示,建立的深度学习模型可以较好的预测电池包系统的振动应力及疲劳寿命,可以用作系统在振动时的应力及疲劳寿命预测,由此进行高效、低成本的电池包系统设计。此外,这种深度学习模型方法可以用于电池安全预警系统设计。用于分析不同振动工况对电池模组安全性的影响,如振动频率、加速度、振动持续时间、电池模组的SOC等。此方法还可用于开发电池模组损伤预测模型以定量评估其损伤以及热失控现象。电池模组损伤信息实时反馈到电池控制单元,以确保车辆行驶过程中电池包系统无潜在安全隐患。
Claims (7)
1.一种用于电池包系统的振动应力及疲劳寿命预测方法,其特征在于,包括以下步骤:
1)建立电池包系统有限元模型;
2)设置电池模组有限元模型部件厚度;
3)测试在不同振动工况下,电池包系统有限元模型的系统振动应力和疲劳寿命;
4)修改电池模组有限元模型部件厚度,并返回步骤3),直至获取若干电池包系统有限元模型的系统振动应力和疲劳寿命;
5)根据电池模组有限元模型部件厚度、电池包系统有限元模型的系统振动应力和疲劳寿命建立训练数据集,并对深度学习模型进行训练,得到振动应力及疲劳寿命预测模型;
6)获取待检测电池包系统的部件厚度,并输入到振动应力及疲劳寿命预测模型中,得到待检测电池包系统的振动应力及疲劳寿命;
建立电池包系统有限元模型的步骤包括:
1.1)根据电池包系统的壳体尺寸、壳体结构和壳体材料,建立壳体有限元模型;
1.2)根据电池包系统的电池模组尺寸和材料,建立电池模组有限元模型;
1.3)根据电池包系统各个部件的连接关系,耦合壳体有限元模型和电池模组有限元模型,得到电池包系统有限元模型;
所述部件厚度包括电池模组有限元模型中长托架厚度、吊耳厚度、底壳厚度、下支撑横梁厚度、上下连接支架厚度和上支架厚度;
所述深度学习模型在训练时,交替地进行正向传播和反向传播,并根据反向传播计算梯度迭代模型参数;
在正向传播过程中,输入矩阵、权重矩阵和偏差矩阵分别如下所示:
Z0=(i1,i2,i3,…im) (2)
Wn=(Wn 1,Wn 2,Wn 3,…Wn m) (3)
Bn=(Bn 1,Bn 2,Bn 3,…Bn m) (4)
式中,m表示样本集数量;n表示隐藏层和输出层的总数;Z0表示输入矩阵,即为电池包系统部件的材料和厚度参数;Wn和Bn分别表示第n层的权重矩阵和偏差矩阵;
正向传播过程如下:
A0=Z0 (5)
Zi=Wi TAi-1+Bi,i=1…n (6)
Ai=fi(Zi),i=1…n (7)
式中,Z0为第0层的输入;A0为第0层的输出,第0层为输入层;Zi为第i层的输入;Wi为第i层的权重矩阵;Bi为第i层的偏差矩阵;Ai为第i层的输出;Ai-1为第i-1层的输出;n为隐藏层和输出层的总层数;fi()为第i层的激活函数;
反向传播过程中,通过损失函数调节权重矩阵和偏差矩阵。
2.根据权利要求1所述的用于电池包系统的振动应力及疲劳寿命预测方法,其特征在于,建立电池模组有限元模型的步骤包括:
1)根据电池模组的尺寸参数,建立电池模组几何模型;
2)对电池模组材料进行均质化处理;
3)根据均质化处理得到的电池模组材料信息定义电池模组几何模型的材料参数,从而得到电池模组有限元模型。
3.根据权利要求1所述的用于电池包系统的振动应力及疲劳寿命预测方法,其特征在于,所述振动工况包括随机振动工况、正扫频振动工况和定频振动工况。
4.根据权利要求1所述的用于电池包系统的振动应力及疲劳寿命预测方法,其特征在于,所述疲劳寿命通过达到疲劳破断时的应力循环次数N表征;
次数N满足下式:
σmN=C (1)
式中,σ为最大应力,N为达到疲劳破断时的应力循环次数;m、C为电池包系统材料常数。
5.根据权利要求1所述的用于电池包系统的振动应力及疲劳寿命预测方法,其特征在于,在建立振动应力及疲劳寿命预测模型时,还利用测试集对振动应力及疲劳寿命预测模型进行测试;
所述测试集的数据包括电池模组有限元模型部件厚度、电池包系统有限元模型的系统振动应力和疲劳寿命。
6.根据权利要求5所述的用于电池包系统的振动应力及疲劳寿命预测方法,其特征在于,测试集和训练数据集中,电池模组有限元模型部件厚度为输入数据,电池包系统有限元模型的系统振动应力和疲劳寿命为输出数据。
7.根据权利要求1所述的用于电池包系统的振动应力及疲劳寿命预测方法,其特征在于,所述深度学习模型包括输入层、隐藏层和输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210446346.9A CN114936485B (zh) | 2022-04-26 | 2022-04-26 | 一种用于电池包系统的振动应力及疲劳寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210446346.9A CN114936485B (zh) | 2022-04-26 | 2022-04-26 | 一种用于电池包系统的振动应力及疲劳寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114936485A CN114936485A (zh) | 2022-08-23 |
CN114936485B true CN114936485B (zh) | 2023-10-31 |
Family
ID=82862794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210446346.9A Active CN114936485B (zh) | 2022-04-26 | 2022-04-26 | 一种用于电池包系统的振动应力及疲劳寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936485B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107991103A (zh) * | 2017-10-20 | 2018-05-04 | 开沃新能源汽车集团有限公司 | 一种基于真实路谱的电动汽车电池包结构疲劳寿命预测方法 |
CN109580151A (zh) * | 2018-12-25 | 2019-04-05 | 北斗航天汽车(北京)有限公司 | 一种基于cae的新能源汽车电池包的振动疲劳性模拟测试方法 |
CN112685946A (zh) * | 2021-01-11 | 2021-04-20 | 重庆大学 | 基于二阶响应面模型的新能源汽车电池包壳体减重设计方法 |
KR20210125665A (ko) * | 2020-04-09 | 2021-10-19 | 연세대학교 산학협력단 | 진동 시험기를 이용한 소재의 피로 시험 시스템 |
CN114282409A (zh) * | 2021-12-20 | 2022-04-05 | 天津市捷威动力工业有限公司 | 一种电池模组结构疲劳寿命的仿真分析方法及其应用 |
-
2022
- 2022-04-26 CN CN202210446346.9A patent/CN114936485B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107991103A (zh) * | 2017-10-20 | 2018-05-04 | 开沃新能源汽车集团有限公司 | 一种基于真实路谱的电动汽车电池包结构疲劳寿命预测方法 |
CN109580151A (zh) * | 2018-12-25 | 2019-04-05 | 北斗航天汽车(北京)有限公司 | 一种基于cae的新能源汽车电池包的振动疲劳性模拟测试方法 |
KR20210125665A (ko) * | 2020-04-09 | 2021-10-19 | 연세대학교 산학협력단 | 진동 시험기를 이용한 소재의 피로 시험 시스템 |
CN112685946A (zh) * | 2021-01-11 | 2021-04-20 | 重庆大学 | 基于二阶响应面模型的新能源汽车电池包壳体减重设计方法 |
CN114282409A (zh) * | 2021-12-20 | 2022-04-05 | 天津市捷威动力工业有限公司 | 一种电池模组结构疲劳寿命的仿真分析方法及其应用 |
Non-Patent Citations (1)
Title |
---|
农场电动汽车电池模组随机振动疲劳分析;高文英;;汽车零部件(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114936485A (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114564872A (zh) | 一种用于电池包系统的挤压应力预测方法 | |
US7092845B2 (en) | Computational design methods | |
Fei et al. | Vectorial surrogate modeling method for multi-objective reliability design | |
CN102024082B (zh) | 实现汽车仪表板结构系统多学科多目标优化的方法 | |
CN105608263A (zh) | 一种面向涡轮叶盘结构寿命概率分析的自适应处理方法 | |
CN104239734A (zh) | 一种整车四轮六分力道路谱载荷分析方法 | |
CN103970965A (zh) | 燃气涡轮发动机加速寿命试验试车方法 | |
CN112685946B (zh) | 基于二阶响应面模型的新能源汽车电池包壳体减重设计方法 | |
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 | |
Zhang et al. | Multi‐objective optimization of lithium‐ion battery pack casing for electric vehicles: key role of materials design and their influence | |
Pan et al. | Dynamic behavior prediction of modules in crushing via FEA-DNN technique for durable battery-pack system design | |
Zhang et al. | Deep learning-based vibration stress and fatigue-life prediction of a battery-pack system | |
Li et al. | Mechanical safety prediction of a battery-pack system under low speed frontal impact via machine learning | |
CN114936485B (zh) | 一种用于电池包系统的振动应力及疲劳寿命预测方法 | |
Zhang et al. | Deep-learning-based inverse structural design of a battery-pack system | |
CN115408893B (zh) | 一种基于疲劳寿命预测的电池包设计方法 | |
Lu et al. | Prediction method of bridge static deformation based on dynamic test | |
CN116432426A (zh) | 车载动力电池评估方法、可读存储介质及计算机设备 | |
CN114254533B (zh) | 考核疲劳振动对产品组部件固定角度影响和预测的方法 | |
Luo et al. | Application of a recurrent neural network and simplified semianalytical method for continuous strain histories estimation | |
CN115408900B (zh) | 一种电池包系统挤压应力与振动疲劳寿命优化方法 | |
CN115730461A (zh) | 一种基于可修复动态故障树的柴油机可靠性评估方法 | |
CN115408899B (zh) | 一种电池包系统挤压与振动双目标评估方法 | |
CN117390903A (zh) | 一种基于疲劳寿命预测的电池包壳体部件尺寸设计方法 | |
CN114091243A (zh) | 一种产品概念设计可靠性的预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |