CN115906633A - 基于转向节应变的轮心六分力预测方法和装置、存储介质 - Google Patents
基于转向节应变的轮心六分力预测方法和装置、存储介质 Download PDFInfo
- Publication number
- CN115906633A CN115906633A CN202211467733.7A CN202211467733A CN115906633A CN 115906633 A CN115906633 A CN 115906633A CN 202211467733 A CN202211467733 A CN 202211467733A CN 115906633 A CN115906633 A CN 115906633A
- Authority
- CN
- China
- Prior art keywords
- strain
- knuckle
- wheel center
- data
- component force
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000010206 sensitivity analysis Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000001228 spectrum Methods 0.000 description 16
- 239000004575 stone Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000003595 spectral effect Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 241000510097 Megalonaias nervosa Species 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Force Measurement Appropriate To Specific Purposes (AREA)
Abstract
本发明公开一种基于转向节应变的轮心六分力预测方法和装置、存储介质，包括：获取转向节应变数据和轮心六分力数据；根据所述转向节应变数据和轮心六分力数据，构建MLP神经网络；将车辆运行数据实时监测的转向节应变数据输入到所述MLP神经网络中进行预测轮心六分力载荷数据；将预测出得到轮心六分力与期望信号进行时域、频域、雨流、幅值、伪损伤的精度验证；对精度不满足要求的通道通过分频带预测方法提升精度。采用本发明的技术方案，降低车辆运行实时监测的成本。
Description
技术领域
本发明属于车辆零部件的可靠性载荷谱分析技术领域，尤其涉及一种基于转向节应变的轮心六分力预测方法和装置、存储介质。
背景技术
轮心六分力是车辆耐久性分析必要的载荷数据。现有轮心六分力载荷获取需要通过车轮六分力传感器采集载荷信号，成本高昂、安装复杂。新车研发在多个试验场测试时，轮心六分力传感器在各试验场运输途中容易损坏，且使用周期长增加了成本；用户车辆运行数据实时监测也由于车轮六分力传感器高成本、易损坏的特点使其难以适用。
发明内容
本发明要解决的技术问题是，提供一种基于转向节应变的轮心六分力预测方法和装置、存储介质，降低车辆运行实时监测的成本。
为实现上述目的，本发明采用如下的技术方案：
本发明提供一种基于转向节应变的轮心六分力预测方法，包括：
步骤S1、获取转向节应变数据和轮心六分力数据；
步骤S2、根据所述转向节应变数据和轮心六分力数据，构建MLP神经网络；
步骤S3、将车辆运行数据实时监测的转向节应变数据输入到所述MLP神经网络中进行预测轮心六分力载荷数据。
作为优选，还包括：步骤S4、将预测出得到轮心六分力与期望信号进行时域、频域、雨流、幅值、伪损伤的精度验证。
作为优选，步骤S1中的获取转向节应变数据，具体包括：
通过虚拟迭代得到转向节接附点载荷；
对所述转向节接附点载荷进行转向节疲劳分析；
根据转向节疲劳分析结果布置虚拟应变片，以获取13个初始转向节应变数据。
作为优选，对所述13个初始转向节应变数据进行灵敏度分析，得到6个最优转向节应变数据。
本发明还提供一种基于转向节应变的轮心六分力预测装置，包括：
获取模块，用于获取转向节应变数据和轮心六分力数据；
构建模块，用于根据所述转向节应变数据和轮心六分力数据，构建MLP神经网络；
预测模块，用于将车辆运行数据实时监测的转向节应变数据输入到所述MLP神经网络中进行预测轮心六分力载荷数据。
作为优选，还包括：验证模块，用于将预测出得到轮心六分力与期望信号进行时域、频域、雨流、幅值、伪损伤的精度验证。
作为优选，所述获取模块包括：
迭代单元，用于通过虚拟迭代得到转向节接附点载荷；
疲劳分析单元，用于对所述转向节接附点载荷进行转向节疲劳分析；
获取单元，用于根据转向节疲劳分析结果布置虚拟应变片，以获取13个初始转向节应变数据。
灵敏度分析单元，对所述13个初始转向节应变数据进行灵敏度分析，得到6个最优转向节应变数据。
本发明还提供一种存储介质，所述存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现基于转向节应变的轮心六分力预测方法。
本发明基于转向节应变信号预测轮心六分力信号，基于已采集的应变数据及轮心六分力数据，构建出MLP神经网络，在车辆运行数据实时监测中利用转向节应变信号，预测轮心六分力载荷数据，可替代车轮六分力传感器，降低了车辆运行实时监测的成本；在一个试验场完成载荷数据采集后，可通过训练出的MLP神经网络模型，在其他试验场载荷采集不搭载车轮六分力传感器的情况下，预测获取轮心六分力载荷；本发明通过与轮心六分力载荷具有相关性的部件(转向节)应变获取道路激励原始数据，为疲劳分析(虚拟迭代等)提供输入信号。本发明同样适用于将其他和轮心六分力载荷有相关性的部件应变作为神经网络输入，如悬架杆件应变等。
附图说明
图1是基于转向节应变的轮心六分力预测方法流程图；
图2是虚拟迭代求取转向节接附点载荷流程的示意图；
图3是部分转向节接附点载荷谱的示意图；
图4是转向节有限元建模的示意图；
图5是转向节疲劳分析结果的示意图；
图6是确定出的13处虚拟应变片位置的示意图；
图7是应变片9(y向和z向)与轮心Fz相关性的示意图；
图8是MLP神经网络结构的示意图；
图9是时域信号对比的示意图(卵石路Fx)；
图10是幅值对比的示意图(卵石路Fx)；
图11是雨流对比的示意图(卵石路Fx)；
图12是功率谱密度对比的示意图(卵石路Fx)；
图13是石块路My功率谱密度及按频带分解的载荷谱示意图；
图14是分频带预测方法的时域对比的示意图(以石块路My为例)；
图15是分频带预测方法的累计雨流对比的示意图(以石块路My为例)；
图16是分频带预测方法的功率谱密度对比的示意图(以石块路My为例)；
图17是分频带预测方法的幅值对比的示意图(以石块路My为例)；
图18是搓板路Fy功率谱密度的示意图；
图19是卵石路My功率谱密度的示意图。
图20是分频带预测的通道伪损伤误差对比的示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
如图1所示，本发明提供一种基于转向节应变的轮心六分力预测方法，包括：
步骤S1、获取转向节应变数据和轮心六分力数据；
步骤S2、根据所述转向节应变数据和轮心六分力数据，构建MLP神经网络；
步骤S3、将车辆运行数据实时监测的转向节应变数据输入到所述MLP神经网络中进行预测轮心六分力载荷数据；
步骤S4、将预测出得到轮心六分力与期望信号进行时域、频域、雨流、幅值、伪损伤的精度验证。
作为本发明实施例的一种实施方式，步骤S1中的获取转向节应变数据，具体包括：
通过虚拟迭代得到转向节接附点载荷；
对所述转向节接附点载荷进行转向节疲劳分析；
根据转向节疲劳分析结果布置虚拟应变片，以获取13个初始转向节应变数据；
对所述13个初始转向节应变数据进行灵敏度分析，得到6个最优转向节应变数据。
进一步，步骤S1中，对目标车辆依据试验场耐久性道路试验规范采集载荷谱，根据车辆实测的质量特性参数、几何特性参数、衬套刚度、减震器阻尼参数建立多体动力学模型，并通过虚拟迭代获取转向节接附点载荷，如图2、3所示。
进一步，步骤S1中，如图4、5所示，根据转向节有限元模型对转向节进行疲劳仿真分析。根据疲劳分析结果，优先在损伤大的单元周边预布置虚拟应变片，且需对比实际结构空间是否足够，最终确定出13处可布置虚拟应变片的位置(需至少确定7处可贴片位置)，如图6。应变片的方向首先以所在表面的平面位置决定，其次根据相关性分析，优先选择与三向力(三向力中Fz最重要)相关性较好的方向，应变片9可以选择的贴片方向有y向与z向，则通过与轮心Fz相关性来选择该位置点贴片方向，如图7所示，应变片9y向与轮心Fz相关性好于z向，因此选择的贴片方向为y向。
进一步，步骤S1中，如表1所示，对13个虚拟应变片进行计分，目标为只选取重要性靠前的6个应变片，由于具体到每个方向的力或力矩重要性得分靠前的6个虚拟应变片并不一定与六分力总分排在前6的应变片一致，故具体选取时分以下步骤筛选：
1、预测三向力比预测三向力矩对虚拟应变片位置的敏感性高，故首先选择的是三向力重要性都在前6的片(4，7)；并筛除三向力中没有一个在得分前6的应变片(1、3、10、11)，13个片中先选中2个，筛除4个。
2、由于Fz重点考察路面不平度，是疲劳分析输入的关键载荷，故本步骤选取Fz重要性在前4的片(4，6，7，9)，这4个片能够保证Fz有较高的预测精度。
3、次优先确定保留的是三向力中Fx、Fy重要性都在前6的虚拟应变片(4、7，12，13)。
4、上述最终确定的应变片数量已达到6个，选取的应变片序号为4，6，7，9，12，13。(本例满足要求的应变片正好为需求的6个。其中步骤1、2为固定流程。如果经过上述3个步骤选出的应变片数量超出6个，则需对步骤3的应变片进一步筛选，可将满足步骤3要求中得分靠后的应变片筛除。)
根据上述灵敏度分析将应变片数量降至6个后，后续预测只使用本步骤筛选出的6个应变片。
表1
作为本发明实施例的一种实施方式，步骤S2中，数据采样频率设为100Hz，每隔0.01s获取一个数据点，将应变信号作为输入X＝[S1,S2,S3,S4,S5,S6,S7,S8,S9,S10,S11,S12,S13]，轮心六分力作为输出Y＝[Fx,Fy,Fz,Mx,My,Mz]，建立MLP神经网络模型，如图8所示，MLP神经网络具有良好的泛化能力，其参数确定为：设定lbfgs为求解器,学习率参数设置为0.01,设定relu为激活函数,理论上神经元的个数及神经网络的层数越多，拟合函数的能力越强，但实际上更深的层数可能会带来过拟合的问题，同时也会增加训练难度，使得MLP神经网络模型难以收敛。隐藏层层数经调试后确定为hidden_layer_sizes＝(40,30,25),random_state＝1。最大迭代次数理论上多一些更为精准，但过多会消耗大量计算时间甚至造成过拟合，最大迭代次数确定为700次。MLP神经网络的精度依据均方误差MSE及可决系数R2来判定。
作为本发明实施例的一种实施方式，步骤S4中，对预测出的轮心六分力信号与期望信号进行时域、频域、幅值、雨流、伪损伤的对比。时域、频域信号趋势吻合，峰值接近视为满足要求；雨流、幅值除曲线趋势吻合外，重点关注大载荷的数值误差不能过大；伪损伤误差在20％以内视为载荷能够满足作为疲劳分析输入的要求。结果表明，轮心三向力的预测精度已经高于三向力矩，本发明实施例各路况Fx、Fz、Mx能够满足要求，石块路My、Mz，搓板路Fy，卵石路My不满足要求。如图9、图10、图11、图12、表2所示。
表2
进一步，S5：使用分频带预测方法提升S4中不满足要求的通道精度。
将应变信号与轮心力进行傅里叶带通滤波。由于各路况PSD频谱分布特征不同，为了分频带预测方法能有更高的精度，各路况频带分解区间要求不同。使用傅里叶滤波，将轮心力信号分解成4个频率、幅值不一的载荷谱，并使用MLP神经网络逐一对各个频率分量载荷谱进行时序预测，将预测信号叠加还原后与期望信号对比，验证精度提升情况。
分频带预测方法原理为使用傅里叶带通滤波将信号分解成4个频带，其中低频载荷幅值大，对伪损伤影响更大，通过合适的分频区间，可以使应变与轮心力之间的相关性在低频带远好于不分频的情况，使低频信号能够预测的很精准，从而叠加还原后的预测信号误差将减小。本例中，对于精度不满足要求的搓板路Fy、石块路My、Mz、卵石路My进行傅里叶变换带通滤波。由于各路况PSD频谱分布特征不同，，各路况的分频要求不同。根据石块路功率谱密度，如图13所示，每隔10Hz分一个频带，将原始载荷谱分别分解为频带分布在0.001-10Hz，10-20Hz，20-30Hz，30-50Hz的4个谱，使用同样方法将6个应变信号按相同频带区间分解。按对应频带的应变信号作为输入、轮心力信号作为输出，分别建立MLP神经网络模型，逐一对石块路My4个分解的信号进行预测，将预测出的4个信号叠加还原为1个谱，与期望载荷进行精度对比验证，对比方法同S4，结果表明石块路轮心My预测精度大幅提升，时域、频域趋势更加吻合，雨流及幅值大载荷的数值更加接近，伪损伤误差大幅缩小。图14-17为石块路My的时域、雨流、频域、幅值对比。表3为分频带预测前后石块路My伪损伤对比。搓板路功率谱密度如图18，将原始载荷谱分解成频带为0.001-10，10-16，16-22，22-50Hz的4个谱，前三个频带区间各包含一个明显峰值，分别预测并叠加还原；卵石路功率谱密度如图19，将原始载荷谱分解成频带为0.001-8，8-18，18-24，24-50Hz的4个谱，分别预测后叠加还原。表4为部分通道分频带方法预测后汇总的伪损伤误差结果。如图20为分频带预测的通道伪损伤误差对比图。
表3
| 伪损伤 | 实际值 | 预测值 | 误差 |
| 分频带方法预测 | 1.05E+09 | 9.47E+08 | -10.04％ |
| 直接预测 | 1.05E+09 | 7.42E+08 | -29.51％ |
表4
| 伪损伤误差 | Fx | Fy | Fz | Mx | My | Mz |
| 凹坑路 | 10.34％ | 0.76％ | -1.21％ | 0.20％ | 6.16％ | 8.88％ |
| 石块路 | 7.74％ | 21.45％ | -8.99％ | -6.60％ | -10.04％ | 9.97％ |
| 搓板路 | 1.48％ | 22.41％ | -1.74％ | 0.5％ | -1.94％ | -1.14％ |
| 起伏路 | 19.57％ | 9.45％ | -3.69％ | -6.55％ | -1.93％ | 0.86％ |
| 卵石路 | 6.39％ | -10.75％ | -18.95％ | 5.40％ | -17.45％ | -0.43％ |
本发明实施例基于转向节应变的轮心六分力预测方法，可通过低成本应变片获取的转向节上应变信号来预测轮心六分力信号，在训练出神经网络模型且预测精度满足要求后，可在车辆运行实时监测中替代车轮六分力传感器，降低了车辆运行数据实时监测的成本；通过其他部件(转向节)应变获取道路激励原始数据，为疲劳分析提供输入信号。
实施例2：
本发明还提供一种基于转向节应变的轮心六分力预测装置，包括：
获取模块，用于获取转向节应变数据和轮心六分力数据；
构建模块，用于根据所述转向节应变数据和轮心六分力数据，构建MLP神经网络；
预测模块，用于将车辆运行数据实时监测的转向节应变数据输入到所述MLP神经网络中进行预测轮心六分力载荷数据。
作为本发明实施例的一种实施方式，还包括：验证模块，用于将预测出得到轮心六分力与期望信号进行时域、频域、雨流、幅值、伪损伤的精度验证。
作为本发明实施例的一种实施方式，所述获取模块包括：
迭代单元，用于通过虚拟迭代得到转向节接附点载荷；
疲劳分析单元，用于对所述转向节接附点载荷进行转向节疲劳分析；
获取单元，用于根据转向节疲劳分析结果布置虚拟应变片，以获取13个初始转向节应变数据。
灵敏度分析单元，对所述13个初始转向节应变数据进行灵敏度分析，得到6个最优转向节应变数据。
实施例3：
本发明还提供一种存储介质，所述存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现基于转向节应变的轮心六分力预测方法。
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，在任何熟悉本技术领域的技术人员在本发明所述的技术范围内，可轻易想到的变化或替换，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该以权利要求的保护范围为准。
Claims (8)
1.一种基于转向节应变的轮心六分力预测方法，其特征在于，包括：
步骤S1、获取转向节应变数据和轮心六分力数据；
步骤S2、根据所述转向节应变数据和轮心六分力数据，构建MLP神经网络；
步骤S3、将车辆运行数据实时监测的转向节应变数据输入到所述MLP神经网络中进行预测轮心六分力载荷数据。
2.如权利要求1所述的基于转向节应变的轮心六分力预测方法，其特征在于，还包括：步骤S4、将预测出得到轮心六分力与期望信号进行时域、频域、雨流、幅值、伪损伤的精度验证。
3.如权利要求2所述的基于转向节应变的轮心六分力预测方法，其特征在于，步骤S1中的获取转向节应变数据，具体包括：
通过虚拟迭代得到转向节接附点载荷；
对所述转向节接附点载荷进行转向节疲劳分析；
根据转向节疲劳分析结果布置虚拟应变片，以获取13个初始转向节应变数据。
4.如权利要求3所述的基于转向节应变的轮心六分力预测方法，其特征在于，对所述13个初始转向节应变数据进行灵敏度分析，得到6个最优转向节应变数据。
5.一种基于转向节应变的轮心六分力预测装置，其特征在于，包括：
获取模块，用于获取转向节应变数据和轮心六分力数据；
构建模块，用于根据所述转向节应变数据和轮心六分力数据，构建MLP神经网络；
预测模块，用于将车辆运行数据实时监测的转向节应变数据输入到所述MLP神经网络中进行预测轮心六分力载荷数据。
6.如权利要求5所述的基于转向节应变的轮心六分力预测装置，其特征在于，还包括：验证模块，用于将预测出得到轮心六分力与期望信号进行时域、频域、雨流、幅值、伪损伤的精度验证。
7.如权利要求6所述的基于转向节应变的轮心六分力预测装置，其特征在于，所述获取模块包括：
迭代单元，用于通过虚拟迭代得到转向节接附点载荷；
疲劳分析单元，用于对所述转向节接附点载荷进行转向节疲劳分析；
获取单元，用于根据转向节疲劳分析结果布置虚拟应变片，以获取13个初始转向节应变数据。
灵敏度分析单元，对所述13个初始转向节应变数据进行灵敏度分析，得到6个最优转向节应变数据。
8.一种存储介质，其特征在于，所述存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1至4任一项所述的基于转向节应变的轮心六分力预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211467733.7A CN115906633A (zh) | 2022-11-22 | 2022-11-22 | 基于转向节应变的轮心六分力预测方法和装置、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211467733.7A CN115906633A (zh) | 2022-11-22 | 2022-11-22 | 基于转向节应变的轮心六分力预测方法和装置、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115906633A true CN115906633A (zh) | 2023-04-04 |
Family
ID=86485565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211467733.7A Pending CN115906633A (zh) | 2022-11-22 | 2022-11-22 | 基于转向节应变的轮心六分力预测方法和装置、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115906633A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0227382D0 (en) * | 2001-12-18 | 2002-12-31 | Visteon Global Tech Inc | Fatigue sensitivity determination procedure |
| CN108760349A (zh) * | 2018-05-24 | 2018-11-06 | 中策橡胶集团有限公司 | 一种轮胎六分力的预测方法和系统 |
| CN112395940A (zh) * | 2020-09-15 | 2021-02-23 | 海南大学 | 一种基于密度峰值机器学习算法的道路载荷谱制取方法 |
-
2022
- 2022-11-22 CN CN202211467733.7A patent/CN115906633A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0227382D0 (en) * | 2001-12-18 | 2002-12-31 | Visteon Global Tech Inc | Fatigue sensitivity determination procedure |
| CN108760349A (zh) * | 2018-05-24 | 2018-11-06 | 中策橡胶集团有限公司 | 一种轮胎六分力的预测方法和系统 |
| CN112395940A (zh) * | 2020-09-15 | 2021-02-23 | 海南大学 | 一种基于密度峰值机器学习算法的道路载荷谱制取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun | Simulation of pavement roughness and IRI based on power spectral density | |
| CN103674578B (zh) | 高速列车运行动力学性能状态的检测方法 | |
| CN109033643B (zh) | 基于灵敏度分析的汽车操稳性瞬态性能参数优化方法 | |
| CN110147648A (zh) | 基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法 | |
| CN108228994B (zh) | 在越野道路随机激励下车辆及工作装置的应力计算方法 | |
| CN113886974B (zh) | 一种车内结构声路噪预测方法 | |
| CN104794312A (zh) | 轨道平顺状态的评定方法及装置 | |
| Zhang et al. | Ride comfort and energy dissipation of vehicle suspension system under non-stationary random road excitation | |
| CN110781607A (zh) | 一种考虑车辆轮载空间分布的桥梁影响面识别方法 | |
| CN115186377A (zh) | 一种商用车悬置系统的稳健性优化方法 | |
| Chen et al. | Operational damage identification scheme utilizing de-noised frequency response functions and artificial neural network | |
| CN107505139A (zh) | 一种整车疲劳测试方法及装置 | |
| CN115906633A (zh) | 基于转向节应变的轮心六分力预测方法和装置、存储介质 | |
| CN114065373A (zh) | 一种汽车控制臂台架耐久试验方法、装置以及设备 | |
| CN111090959A (zh) | 车辆载荷谱获取方法和系统 | |
| CN113722308B (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
| CN112560162A (zh) | 一种动力总成悬置路谱载荷的缩减方法及装置 | |
| Jang et al. | A feasible strain-history extraction method using machine learning for the durability evaluation of automotive parts | |
| Li et al. | Research method of tyre contact characteristics based on modal analysis | |
| CN110987269B (zh) | 一种测力轮对应变片位置确定方法及系统 | |
| Chen et al. | Analysis of factors affecting the accuracy of moving force identification | |
| Liu et al. | Numerical and experimental-aided framework based on TPA for acoustic contributions of individual transfer paths on a vehicle door in the slamming event | |
| CN113361000A (zh) | 一种低频结构振动相关性特征的相干分析方法 | |
| Cheng et al. | Perceiving Excitation Characteristics from Interactions between Field Road and Vehicle via Vibration Sensing | |
| CN112816122A (zh) | 基于深度学习和压电主动传感的螺栓松紧程度监测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230404 |
|
| RJ01 | Rejection of invention patent application after publication |