CN115795982A - 一种汽车的疲劳耐久寿命预测方法、设备和存储介质 - Google Patents

Abstract

本发明涉及数据处理技术领域，公开了一种汽车的疲劳耐久寿命预测方法、设备和存储介质。本发明基于实际场景下的汽车行驶工况为基础进行有限元仿真虚拟的疲劳分析，预测结构疲劳损伤和疲劳寿命，实现了修正方案的加速验证，该方法的疲劳分析结果与实车试验结果比较吻合，具有一定的工程适用性，可以为后续的产品迭代及可靠性、耐久性能开发提供参考。与整车道路试验相比，本方法可选择性的进行零部件试验，且省时省力，且成本较低，能够以更短的时间和成本来验证汽车整车或零部件疲劳寿命，大大地缩短了产品的研发周期，且试验结果可信度高，能够全面准确地评价整车、子系统或零部件的质量和可靠度。

Description

一种汽车的疲劳耐久寿命预测方法、设备和存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种汽车的疲劳耐久寿命预测方法、设备和存储介质。

背景技术

整车、车辆各子系统和零部件的耐久性和可靠性验证试验规范及试验验证，是车辆耐久性和可靠性工程的重要环节，直接关系到车辆的使用安全性以及质量。然而，现实中使用的诸多试验规范的载荷谱，往往与被试验对象在真实环境中承受的载荷谱呈现极大的背离，出现俗称“两张皮”的现象，极大的制约和影响了依据这些验证试验规范进行试验考核的有效性，并间接影响到车辆的使用安全性、可靠性和质量品质的提升。同时，基于该载荷谱进行疲劳耐久寿命预测存在一定的误差，造成寿命预测结果与实际使用寿命相差较大。

发明内容

本发明的目的在于提供一种汽车的疲劳耐久寿命预测方法，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下。

本申请提供了一种汽车的疲劳耐久寿命预测方法，包括：基于汽车疲劳耐久寿命问题获取第一数据集合，所述第一数据集合中的每个第一数据对应一种汽车疲劳耐久寿命问题相关切的所有子数据库，每个所述子数据库对应同一种类型的数据；基于目标设计里程和所述第一数据中的每个所述子数据库分别进行归类统计，构建工况矩阵；基于实际环境中行驶里程获取第二数据并构建载荷矩阵，所述第二数据是传感器在实际行驶过程中采集的与所述第一数据中数据类型相同的高采样率数据和载荷信息；基于所述工况矩阵和所述载荷矩阵进行计算，得到损伤矩阵；基于所述工况矩阵和所述损伤矩阵中的所有信息进行关联分析，得到目标载荷谱；基于所述目标载荷谱对车辆进行疲劳耐久寿命预测。

本申请还提供一种电子设备，电子设备包括处理器和存储器；上述处理器通过调用所述存储器存储的程序或指令，用于执行上述的汽车的疲劳耐久寿命预测方法的步骤。

本申请还提供一种计算机可读存储介质，上述计算机可读存储介质存储程序或指令，上述程序或指令使计算机执行上述的汽车的疲劳耐久寿命预测方法的步骤。

本发明的有益效果为：本申请基于汽车行驶大数据进行分析得到汽车的用户画像，基于大数据中汽车行驶的道路类型、驾驶工况、环境等因素进行车辆用户画像得到虚拟仿真数据，同时通过全通道和高采样率采集现场的道路载荷数据后，与虚拟仿真数据实现用户关联，基于该方法可以对耐久性和可靠性验证试验规范进行合理制定，解决试验载荷谱与车辆在真实环境中承受的载荷谱相背离的问题，提高车辆耐久性和可靠性验证试验的故障复现率和故障拦截率，保障车辆的使用安全性，提升车辆的质量和品质。同时根据目标载荷谱进行计算，准确得到汽车的疲劳损伤以及汽车的总寿命。本发明基于汽车行驶大数据进行分析得到的实际场景下的汽车行驶工况为基础，进行有限元仿真的疲劳分析，预测结构疲劳损伤和疲劳寿命，实现了修正方案的合理加速验证，该方法得到的试验载荷谱所复现的失效形式与车辆在实际工况中出现的失效形式比较吻合，具有一定的工程适用性，可以为后续的产品迭代及可靠性、耐久性能开发提供参考。与整车道路试验相比，本方法可选择性的进行整体、子系统或零部件试验，且省时省力，且成本较低，通过虚拟仿真方法对试验载荷谱的强化和损伤等效加速，能够以更短的时间和成本来验证汽车整车或零部件疲劳寿命，大大地缩短了产品的研发周期，且试验结果可信度高，能够全面准确地评价汽车整车、子系统或零部件的质量和可靠度。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

图1为本实施例中汽车的疲劳耐久寿命预测方法的框图。

图2为本实施例中汽车的疲劳耐久寿命预测电子设备的框图。

图中：800-汽车的疲劳耐久寿命预测设备；801-处理器；802-存储器；803-多媒体组件；804-I/O接口；805-通信组件。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域图像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，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1：本实施例提供了一种汽车的疲劳耐久寿命预测方法，参见图1，图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4、步骤S5和步骤S6。

步骤S1、基于汽车疲劳耐久寿命问题获取第一数据集合，所述第一数据集合中的每个第一数据对应一种汽车疲劳耐久寿命问题相关切的所有子数据库，每个所述子数据库对应同一种类型的数据。

可以理解的是，在本步骤中，依据所编制的整车、子系统或零部件耐久性和可靠性的疲劳耐久寿命问题进行分析，分析该疲劳耐久寿命问题所涉及的具体失效形式和失效机理，确定影响该失效形式和失效机理的主要外部环境要素，依据该主要外部环境要素选择相应的子数据库进行分析处理，避免过多数据信息未被利用，进行轻量化信息处理避免由于数据信息过多而导致系统崩溃，减轻计算机的运算负担。同时，也可以快速的确定疲劳耐久寿命问题的主次问题，有选择性的采集、分析相关信息，简化流程，加快分析速率。

上述第一数据集合的获取方法包括步骤S11、步骤S12、步骤S13和步骤S14。

步骤S11、获取汽车可靠性对应的所有汽车疲劳耐久寿命问题。

步骤S12、基于每种所述汽车疲劳耐久寿命问题，分别确定每个所述子数据库与所述疲劳耐久寿命问题的关切度。

可以理解的是，在本步骤中，根据不同的汽车疲劳耐久寿命问题，确定影响该失效形式和失效机理的主要外部环境要素，每种外部环境要素所采集的电子数据对应一个子数据库，并针对每种汽车疲劳耐久寿命问题确定相关子数据库对应的关切度，影响越大关切度对应的值越大。基于关切度可根据自身需求选择相关的子数据库进行相应数据处理和分析，使得数据进行轻量化处理。

步骤S13、基于所述关切度筛选所述子数据库并构建映射关系，得到每种所述疲劳耐久寿命问题对应的第一数据。

可以理解的是，在本步骤中，根据每种汽车疲劳耐久寿命问题，根据关切度值的大小对子数据库进行降序排列，并排除关切度的值为零的子数据库，然后以汽车疲劳耐久寿命问题为中心，与剩余子数据库建立映射关系，得到第一数据。

步骤S14、基于所有的所述汽车疲劳耐久寿命问题及其对应的所述第一数据，构建第一数据集合。

可以理解的是，在本步骤中，针对不同的问题按照步骤S13分别建立相关的映射关系，所有的汽车疲劳耐久寿命问题分别对应的第一数据构成第一数据集合。

步骤S2、基于目标设计里程和所述第一数据中的每个所述子数据库分别进行归类统计，构建工况矩阵。

可以理解的是，在本步骤中，首先，根据汽车疲劳耐久寿命问题确定对应的第一数据，并基于每种行驶轨迹从第一数据中所有数据信息进行分析统计，并基于统计结果构建工况矩阵后进行计算，得到汽车虚拟行驶仿真对应的典型行驶工况，以获得目标设计里程对应的行驶工况数据，为车辆在实际场景中的相关信息提供对比数据。例如在新能源乘用车辆动力电池总成耐久性试验中，车辆在行驶过程中对于动力电池总成的外部激励主要取决于路面类型（不同的路面不平度将引起动力电池总成不同程度的振动）以及车速（行驶在同样的路面上，车速越高对动力电池总成产生的激励越强）。因此，根据车速和路面类型对应的第一数据构建工况矩阵。

本实施例中上述工况矩阵的构建方法包括步骤S21、步骤S22、步骤S23和步骤S24。

步骤S21、基于目标设计里程获取第一数据，所述第一数据包括车辆运行工况数据、地图大数据和环境气候大数据中至少一种类型数据。

可以理解的是，在本步骤中，也可利用小型数据采集设备和必要的少量传感器，通过设备自带存储系统记录、存储或通过4G/5G移动无线通信向云端数据库传送第一数据，并从中截取目标设计里程中自出发地至目的地的相关信息。第一数据包括车辆运行工况数据、地图大数据和环境气候大数据中至少一种类型数据。其中车辆运行工况数据包括但不限于车辆运行的位置信息（如经度、纬度信息等）、车速信息、电机扭矩信息、速度信息、运行时间信息、里程信息和车辆状态信息等。地图大数据包括但不限于轨迹信息、与各个经度、维度方位信息相对应的、路面类型信息、路面坡度信息、海拔信息等。环境气候大数据包括但不限于各个经度、维度方位所对应区域的温度、湿度信息等。

步骤S22、基于所述第一数据中每种不同类型数据及其对应预设分类条件，分别对所述第一数据中每种不同类型数据进行归类，得到等级工况数据；所述预设分类条件为每种类型数据对应的区间分类阈值。

可以理解的是，在本步骤中，根据每种不同类型数据的归类条件分别进行归纳统计，分别得到每种类型数据对应的等级工况数据。例如在车辆行驶速度的统计中，以20km/h为间隔将车速分成0-20km/h、20-40km/h、40-60km/h等多个区间，并统计每个车速区间对应的累计里程的占比以及对应实际数据，得到车辆行驶速度的等级工况数据。例如在路面类型信息的统计中，将道路分为高速公路、国道、省道、主要大街或城市道路等多种类型，并统计每种道路类型对应的累计里程的占比以及对应实际数据，得到道路类型等级工况数据。按照上述方法分别针对路面坡度、出行时间等信息分别得到对应的等级工况数据。需要说明的是，上述归类条件是示例性分类，可根据实际情况设计相应的分类条件。

步骤S23、基于所述第一数据中不同类型数据总数和所述等级工况数据，构建随机矩阵。

可以理解的是，在本步骤中，由步骤S22将车速由低到高划分为M个区间，将路面类型划分为N种类型，则构建M×N=k的随机矩阵，k为行驶工况的总数，每种对应行驶工况用[W_m,n]表示，其对应的占比为随机变量W_i。

步骤S24、基于所述随机矩阵计算，构建工况矩阵，所述建工况矩阵是描述自出发地至目的地中每段路程对应的每种不同类型数据的典型行驶工况。

上述工况矩阵的构建方法包括步骤S241和步骤S242。

步骤S241、基于所述随机矩阵服从狄利克雷分布，分别计算数学期望值、方差值和相关系数，所述相关系数是两种不同工况数据之间权重占比的相关系数值。

可以理解的是，在本步骤中，根据所有的工况[W_m,n]分别计算其对应的占比得到随机变量W_i，基于随机变量W_i服从狄利克雷分布后分别计算随机变量W_i的数学期望值、方差值和相关系数，相关系数为第i种工况和第j种工况占比（权重）之间的相关系数。

步骤S242、基于所述数学期望值、所述方差值和所述相关系数对所述目标设计里程进行分解，得到各典型行驶工况并构建工况矩阵。

可以理解的是，在本步骤中，基于每个行驶工况的数学期望值、方差值和相关系数根据公式（1）和公式（2）进行推导，将目标设计里程合理的分解到各个典型行驶工况，获得各个典型行驶工况的目标设计里程，公式（1）和公式（2）如下所示。

（1）

（2）

其中：

为第i种行驶工况目标设计里程定义的数学期望值；L为目标设计里程；

为基于随机矩阵中第i种行驶工况对应的数学期望值（即步骤S242中的数学期望值）；

为第i种行驶工况目标设计里程定义的方差值；k为行驶工况的总数；

为第m种行驶工况和第n种行驶工况占比（权重）之间的相关系数；

为第i种行驶工况所对应随机变量的方差。

步骤S3、基于实际环境中行驶里程获取第二数据并构建载荷矩阵，所述第二数据是传感器在实际行驶过程中采集的与所述第一数据中数据类型相同的高采样率数据和载荷信息。

可以理解的是，在本步骤中，根据第一数据所涉及到的整车、子系统或零部件的数据类型，有针对性在汽车相应部位设置传感器，开展全通道高采样率的数据采集，提高采样分辨率以获得完整、准确的载荷信息。比如，在新能源乘用车辆动力电池总成耐久性试验中，需要在电池包与底盘连接部位的被动端安放加速度传感器，采用较高的采样率（如512Hz）进行模拟信号采集。然后将采集的信息，按照步骤S21至S23构建随机矩阵的方法构建载荷矩阵。

进一步地，在获取所述第一数据或所述第二数据之后需要进行滤波和剔除奇异值的预处理，以提高数据的信噪比进而提升数据准确性。可选地，采用巴特沃斯滤波器或傅里叶滤波器等进行滤波处理；采用标准方差统计法进行奇异值判定后剔除。

步骤S4、基于所述工况矩阵和所述载荷矩阵进行计算，得到损伤矩阵。

可以理解的是，在本步骤中，根据汽车虚拟行驶仿真对应的工况矩阵与实际场景采集信息构成的载荷矩阵进行误差计算，得到损伤矩阵以便于对汽车虚拟行驶仿真信息进行修正，提高其运算精度以便于提高对汽车疲劳耐久寿命预测的准确性。

具体地，步骤S4包括步骤S41、步骤S42、步骤S43和步骤S44。

步骤S41、基于所述载荷矩阵形成的载荷-时间图谱经雨流计数分析后，结合S-N曲线在Miner线性疲劳损伤累积假设下计算，分别得到各循环应力范围以及伪损伤。

可以理解的是，在本步骤中，根据传感器等设备采集的载荷信息所构成的载荷-时间图谱，利用旋转雨流计数法通过外推、叠加等手段，分别得到各循环应力范围以获得能够用于疲劳寿命试验的载荷谱序列，然后结合S-N曲线在Miner线性疲劳损伤累积假设下计算得到每种行驶工况对应的伪损伤。

步骤S42、基于所述伪损伤和所述伪损伤对应的行驶载荷里程的比值，得到每种行驶工况对应的伪损伤密度。

步骤S43、基于对所述伪损伤密度的统计计算，得到每种行驶工况对应的伪损伤平均值和伪损伤方差。

步骤S44、基于每种行驶工况对应的所述伪损伤平均值和所述伪损伤方差，对所述各循环应力范围进行修正，得到损伤矩阵。

步骤S5、基于所述工况矩阵和所述损伤矩阵中的所有信息进行关联分析，得到目标载荷谱。

可以理解的是，在本步骤中，根据不同的行驶工况，基于目标里程中对应载荷在时间域内进行拼接得到目标载荷谱，基于该目标载荷谱能够快速的对汽车待验证零部件、子系统或整车进行寿命验证，缩短项目研发周期和成本。

详细地，步骤S5包括步骤S51、步骤S52、步骤S53和步骤S54。

步骤S51、基于所述损伤矩阵和所述工况矩阵的叠加，得到总载荷谱。

可以理解的是，在本步骤中，在动力电池耐久性试验载荷谱中，将依据车速和路面类型划分的工况矩阵及加速度雨流计数结果对应的损伤矩阵进行叠加，最终得到与某一汽车实际行驶工况的新能源乘用车动力电池包耐久性试验载荷谱目标值，即总载荷谱。

步骤S52、基于所述伪损伤平均值和所述数学期望值计算，得到总成载荷伪损伤平均值。

可以理解的是，在本步骤中，根据公式（3）计算总成载荷伪损伤平均值。

（3）

其中：E(D)为总成载荷伪损伤平均值；L为目标设计里程；

为第i种行驶工况对应的伪损伤平均值；

为第i种行驶工况的随机变量对应的数学期望值；k为行驶工况的总数。

步骤S53、基于所述数学期望值、所述方差值、所述相关系数、所述伪损伤平均值和所述伪损伤方差计算，得到总成载荷伪损伤方差。

可以理解的是，在本步骤中，根据公式（4）计算总成载荷伪损伤方差。

（4）

其中：Var(D)为总成载荷伪损伤方差；L为目标设计里程；k为行驶工况的总数；

为第i种行驶工况对应的随机变量的方差值；

为第i种行驶工况对应的伪损伤平均值；

为第m种行驶工况和第n种行驶工况占比（权重）之间的相关系数；

为第m种行驶工况对应的伪损伤平均值；

为第n种行驶工况对应的伪损伤平均值；

为第i种行驶工况的随机变量对应的数学期望值；

为第i种行驶工况对应的伪损伤方差。

步骤S54、基于所述总成载荷伪损伤平均值和所述总成载荷伪损伤方差，对所述总载荷谱进行修正，得到目标载荷谱。

可以理解的是，本发明中基于汽车行驶的道路类型、驾驶工况、环境等因素进行车辆用户画像得到虚拟仿真数据，同时通过全通道和高采样率现场采集的道路载荷数据与虚拟仿真数据实现用户关联，基于该方法可以对耐久性和可靠性验证试验规范进行合理制定，解决试验载荷谱与车辆在真实环境中承受的载荷谱相背离的问题，提高车辆耐久性和可靠性验证试验的故障复现率和故障拦截率，保障车辆的使用安全性，提升车辆的质量和品质。

步骤S6、基于所述目标载荷谱对车辆进行疲劳耐久寿命预测。

可以理解的是，在本步骤中，根据目标载荷谱进行功率谱密度分析并进行数据处理后，进行特征统计分析以及雨流统计分析确定雨流循环次数，并对材料疲劳特性S-N曲线进行修正；最后基于Miner疲劳损伤累计法则，运用雨流计数结果和修正的S-N曲线，准确计算得到了汽车的疲劳损伤以及汽车的总寿命。本发明基于实际场景下的汽车行驶工况为基础进行虚拟有限元仿真的疲劳分析，预测结构疲劳损伤和疲劳寿命，实现了修正方案的加速验证，该方法的疲劳分析结果与实车试验结果比较吻合，具有一定的工程适用性，可以为后续的产品迭代及可靠性、耐久性能开发提供参考。

实施例2：相应于上面的方法实施例，本实施例中还提供了汽车的疲劳耐久寿命预测设备，下文描述的汽车的疲劳耐久寿命预测设备与上文描述的汽车的疲劳耐久寿命预测方法可相互对应参照。

图2是根据示例性实施例示出的汽车的疲劳耐久寿命预测设备800的框图。如图2所示，该汽车的疲劳耐久寿命预测设备800可以包括：处理器801，存储器802。该汽车的疲劳耐久寿命预测设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。

其中，处理器801用于控制该汽车的疲劳耐久寿命预测设备800的整体操作，以完成上述的汽车的疲劳耐久寿命预测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该汽车的疲劳耐久寿命预测设备800的操作，这些数据例如可以包括用于在该汽车的疲劳耐久寿命预测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该汽车的疲劳耐久寿命预测设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，汽车的疲劳耐久寿命预测设备800可以被一个或多个应用专用集成电路(ApplicationSpecific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的汽车的疲劳耐久寿命预测方法。

实施例3：相应于上面的方法实施例，本实施例中还提供了一种存储介质，下文描述的一种存储介质与上文描述的汽车的疲劳耐久寿命预测方法可相互对应参照。

一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的汽车的疲劳耐久寿命预测方法的步骤。

该存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的存储介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种汽车的疲劳耐久寿命预测方法，其特征在于，包括：

基于汽车疲劳耐久寿命问题获取第一数据集合，所述第一数据集合中的每个第一数据对应一种汽车疲劳耐久寿命问题相关切的所有子数据库，每个所述子数据库对应同一种类型的数据；

基于目标设计里程和所述第一数据中的每个所述子数据库分别进行归类统计，构建工况矩阵；

基于实际环境中行驶里程获取第二数据并构建载荷矩阵，所述第二数据是传感器在实际行驶过程中采集的与所述第一数据中数据类型相同的高采样率数据和载荷信息；

基于所述工况矩阵和所述载荷矩阵进行计算，得到损伤矩阵；

基于所述工况矩阵和所述损伤矩阵中的所有信息进行关联分析，得到目标载荷谱；

基于所述目标载荷谱对车辆进行疲劳耐久寿命预测。

2.根据权利要求1所述的方法，其特征在于，所述基于汽车疲劳耐久寿命问题获取第一数据集合，包括：

获取汽车可靠性对应的所有汽车疲劳耐久寿命问题；

基于每种所述汽车疲劳耐久寿命问题，分别确定每个所述子数据库与所述疲劳耐久寿命问题的关切度；

基于所述关切度筛选所述子数据库并构建映射关系，得到每种所述疲劳耐久寿命问题对应的第一数据；

基于所有的所述汽车疲劳耐久寿命问题及其对应的所述第一数据，构建第一数据集合。

3.根据权利要求1所述的方法，其特征在于，所述工况矩阵的构建方法包括：

基于目标设计里程获取第一数据，所述第一数据包括车辆运行工况数据、地图大数据和环境气候大数据中至少一种类型数据；

基于所述第一数据中每种不同类型数据及其对应预设分类条件，分别对所述第一数据中每种不同类型数据进行归类，得到等级工况数据；所述预设分类条件为每种类型数据对应的区间分类阈值；

基于所述第一数据中不同类型数据总数和所述等级工况数据，构建随机矩阵；

基于所述随机矩阵计算，构建工况矩阵，所述建工况矩阵是描述自出发地至目的地中每段路程对应的每种不同类型数据的典型行驶工况。

4.根据权利要求3所述的方法，其特征在于，基于所述随机矩阵计算，构建工况矩阵包括：

基于所述随机矩阵服从狄利克雷分布后，分别计算数学期望值、方差值和相关系数，所述相关系数是两种不同工况数据之间权重占比的相关系数值；

基于所述数学期望值、所述方差值和所述相关系数对所述目标设计里程进行分解，得到各典型行驶工况并构建工况矩阵。

5.根据权利要求4所述的方法，其特征在于，基于所述工况矩阵和所述载荷矩阵进行计算，得到损伤矩阵包括：

基于所述载荷矩阵形成的载荷-时间图谱经雨流计数分析后，结合S-N曲线在Miner线性疲劳损伤累积假设下计算，分别得到各循环应力范围和伪损伤；

基于所述伪损伤和所述伪损伤对应的行驶载荷里程的比值，得到伪损伤密度；

基于所述伪损伤密度计算，得到伪损伤平均值和伪损伤方差；

基于所述伪损伤平均值和所述伪损伤方差，对所述各循环应力范围进行修正，得到损伤矩阵。

6.根据权利要求5所述的方法，其特征在于，基于所述工况矩阵和所述损伤矩阵中的所有信息进行关联分析，得到目标载荷谱包括：

基于所述损伤矩阵和所述工况矩阵的叠加，得到总载荷谱；

基于所述伪损伤平均值和所述数学期望值计算，得到总成载荷伪损伤平均值；

基于所述数学期望值、所述方差值、所述相关系数、所述伪损伤平均值和所述伪损伤方差计算，得到总成载荷伪损伤方差；

基于所述总成载荷伪损伤平均值和所述总成载荷伪损伤方差，对所述总载荷谱进行修正，得到目标载荷谱。

7.根据权利要求1所述的方法，其特征在于，获取所述第一数据或所述第二数据之后需要进行滤波和剔除奇异值的预处理。

8.一种电子设备，其特征在于，所述电子设备包括：

处理器和存储器；

所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至7任一项所述的汽车的疲劳耐久寿命预测方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至7任一项所述的汽车的疲劳耐久寿命预测方法的步骤。

Images