CN115937126A - 汽车底盘的疲劳测试方法、装置、电子设备及存储介质 - Google Patents
汽车底盘的疲劳测试方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115937126A CN115937126A CN202211524735.5A CN202211524735A CN115937126A CN 115937126 A CN115937126 A CN 115937126A CN 202211524735 A CN202211524735 A CN 202211524735A CN 115937126 A CN115937126 A CN 115937126A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- automobile chassis
- characteristic
- strain
- data
- 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
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
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本申请实施例提供一种汽车底盘的疲劳测试方法、装置、电子设备及存储介质,其中,该方法包括:获取所述汽车底盘的散斑图像;根据所述散斑图像提取所述汽车底盘的特征应变数据,获得特征应变云图;根据所述特征应变云图建立疲劳识别模型;根据所述疲劳识别模型对汽车底盘图像进行疲劳测试,获得测试结果。实施本申请实施例,可以及时发现汽车底盘的疲劳情况,并且对汽车底盘的疲劳情况给出准确的检测结果,提高对汽车底盘疲劳的检测效率和准确率,避免对汽车底盘的疲劳程度判断出现不标准的情况,提高安全性能,减少对人力资源的使用。
Description
技术领域
本申请涉及汽车技术领域,具体而言,涉及一种汽车底盘的疲劳测试方法、装置、电子设备及存储介质。
背景技术
现有技术中,对汽车底盘零部件疲劳耐久台架试验,通常是利用疲劳耐久试验台对固定在试验台上的汽车零部件持续施加耐久载荷工况,然后通过试验员肉眼观察样件的裂纹扩展情况或试验机上的应力和位移传感器所反馈的信号判断样件的工作状态及疲劳耐久状态,这需要人为通过观察样件的裂纹扩展情况或试验机上的传感器信号来判断样件的疲劳耐久性能状态,对设备要求和人力的依赖度都非常高。
这种方式导致疲劳耐久性试验效率低下,时间和人力成本耗费较大。并且,在高强耐久工况和综合耐久工况下,汽车底盘悬架系统通常产生循环性和非周期性相互交替出现的瞬时冲击,导致裂纹的产生不具有相对明显的规律性,难以依靠人眼直接观察初始裂纹的萌生情况,从而很难准确获取零件产生早期裂纹的时刻,不利于及时发现汽车汽车底盘的疲劳失效情况。此外,汽车汽车底盘种类繁多,不同部件的疲劳失效时刻和失效特征都完全不同,因此现有技术对汽车底盘的疲劳失效判定的标准难以统一,存在评判标准不规范的问题。
发明内容
本申请实施例的目的在于提供一种汽车底盘的疲劳测试方法、装置、电子设备及存储介质,可以及时发现汽车底盘的疲劳情况,并且对汽车底盘的疲劳情况给出准确的检测结果,提高对汽车底盘疲劳的检测效率和准确率,避免对汽车底盘的疲劳程度判断出现不标准的情况,提高安全性能,减少对人力资源的使用。
第一方面,本申请实施例提供了一种汽车底盘的疲劳测试方法,所述方法包括:
获取所述汽车底盘的散斑图像;
根据所述散斑图像提取所述汽车底盘的特征应变数据,获得特征应变云图;
根据所述特征应变云图建立疲劳识别模型;
根据所述疲劳识别模型对汽车底盘图像进行疲劳测试,获得测试结果。
在上述实现过程中,通过构建特有的疲劳识别模型对汽车底盘进行疲劳检测,可以及时发现汽车底盘的疲劳情况,并且对汽车底盘的疲劳情况给出准确的检测结果,提高对汽车底盘疲劳的检测效率和准确率,避免对汽车底盘的疲劳程度判断出现不标准的情况,提高安全性能,减少对人力资源的使用。
进一步地,所述根据所述散斑图像提取所述汽车底盘的特征应变数据,获得特征应变云图的步骤,包括:
根据所述散斑图像中散斑点对应的初始坐标数据获得形变坐标数据;
根据所述形变坐标数据获得所述汽车底盘的等效应变数据;
根据所述等效应变数据获得所述特征应变数据;
根据所述特征应变数据对所述散斑图像进行标记,获得所述特征应变云图。
在上述实现过程中,根据散斑点对应的初始坐标数据和形变坐标数据对散斑图像进行处理,得到特征应变云图,可以使得特征应变云图包含更多汽车底盘的形变特征,简化测试过程中的数据,减少误差的产生。
进一步地,通过以下方式根据所述形变坐标数据获得所述汽车底盘的等效应变数据:
其中,εe为所述等效应变数据,exx为所述形变坐标数据在x方向的正应变,eyy为所述形变坐标数据在y方向的正应变,exy为所述形变坐标数据的剪应变。
在上述实现过程中,根据形变坐标数据在x方向、y方向的正应变和剪应变获得等效应变数据,使得到的等效应变数据更加准确,确保在计算过程中不会产生不必要的误差。
进一步地,通过以下方式根据所述等效应变数据获得所述特征应变数据:
在上述实现过程中,根据等效应变数据获得特征应变数据,使得到的特征应变数据可以准确地表达散斑点的应变特征,提高后续检测的准确率。
进一步地,所述根据所述特征应变云图建立疲劳识别模型的步骤,包括:
将所述特征应变云图进行划分,得到测试数据集和训练数据集,所述特征应变云图包含正常工作状态的特征应变云图和疲劳失效状态的特征应变云图;
将所述训练数据集输入预先构建的修正ResNet神经网络进行训练,获得二分类模型;
根据所述测试数据集对所述二分类模型进行多次迭代,获得所述疲劳识别模型。
在上述实现过程中,将特征应变云图进行划分后,对训练数据集进行训练,并对得到的二分类模型进行迭代优化,可以使得到的疲劳识别模型更加贴近汽车底盘的形变情况,提高疲劳识别模型的检测效率和检测精度。
进一步地,所述将所述训练数据集输入预先构建的修正ResNet神经网络进行训练,获得二分类模型的步骤,包括:
将所述训练数据集输入所述修正ResNet神经网络的卷积层,获得特征图;
将所述特征图输入所述修正ResNet神经网络的BN层进行标准化处理,获得标准化激活值;
将所述标准化激活值输入所述修正ResNet神经网络的BN层进行缩放和引入偏置运算,获得重构激活值;
根据所述特征图和所述重构激活值进行算术相加,获得所述二分类模型。
在上述实现过程中,将特征图和标准化激活值二次经过BN层处理,并处理后的结果再与卷积层的输出做算术相加,使BN层处理后的等效映射值落入对输入比较敏感的区域,不仅极大提升了训练速度,收敛过程加快,还能增加分类效果。
进一步地,通过以下方式将所述特征图输入所述修正ResNet神经网络的BN层进行标准化处理,获得标准化激活值:
在上述实现过程中,将特征图输入修正ResNet神经网络的BN层进行标准化处理,可以提高BN层的训练速度,使得到的标准化激活值能更好地适应模型。
进一步地,通过以下方式将所述标准化激活值输入所述修正ResNet神经网络的BN层进行缩放和引入偏置运算,获得重构激活值:
在上述实现过程中,通过重构激活值可以提高二分类模型的分类准确率,使得二分类模型的鲁棒性更高。
第二方面,本申请实施例还提供了一种汽车底盘的疲劳测试装置,所述装置包括:
获取模块,用于获取所述汽车底盘的散斑图像;
数据获得模块,用于根据所述散斑图像提取所述汽车底盘的特征应变数据,获得特征应变云图;
建立模块,用于根据所述特征应变云图建立疲劳识别模型;
测试模块,用于根据所述疲劳识别模型对汽车底盘图像进行疲劳测试,获得测试结果。
在上述实现过程中,通过构建特有的疲劳识别模型对汽车底盘进行疲劳检测,可以及时发现汽车底盘的疲劳情况,并且对汽车底盘的疲劳情况给出准确的检测结果,提高对汽车底盘疲劳的检测效率和准确率,避免对汽车底盘的疲劳程度判断出现不标准的情况,提高安全性能,减少对人力资源的使用。
第三方面,本申请实施例提供的一种电子设备,包括:存储器、处理器以及存储在所述存储器中并可在所述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如第一方面任一项所述的方法的步骤。
第四方面,本申请实施例提供的一种计算机可读存储介质,所述存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行如第一方面任一项所述的方法。
第五方面,本申请实施例提供的一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行如第一方面任一项所述的方法。
本公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本公开的上述技术即可得知。
并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
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中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围值的限定,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相关的附图。
图1为本申请实施例提供的汽车底盘的疲劳测试方法的流程示意图;
图2为本申请实施例提供的汽车底盘的疲劳失效时刻示意图;
图3为本申请实施例提供的修正ResNet神经网络的残差结构示意图;
图4为本申请实施例提供的汽车底盘的疲劳测试装置的结构组成示意图;
图5为本申请实施例提供的疲劳测试设备连接示意图;
图6为本申请实施例提供的电子设备的结构组成示意图。
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描述。
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,在本申请的描述中,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。
下面结合附图和实施例,对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围值。
实施例一
图1是本申请实施例提供的汽车底盘的疲劳测试方法的流程示意图,如图1所示,该方法包括:
S1,获取汽车底盘的散斑图像;
S2,根据散斑图像提取汽车底盘的特征应变数据,获得特征应变云图;
S3,根据特征应变云图建立疲劳识别模型;
S4,根据疲劳识别模型对汽车底盘图像进行疲劳测试,获得测试结果。
在上述实现过程中,通过构建特有的疲劳识别模型对汽车底盘进行疲劳检测,可以及时发现汽车底盘的疲劳情况,并且对汽车底盘的疲劳情况给出准确的检测结果,提高对汽车底盘疲劳的检测效率和准确率,避免对汽车底盘的疲劳程度判断出现不标准的情况,提高安全性能,减少对人力资源的使用。
本申请实施例设计了一种汽车底盘的疲劳测试方法,疲劳测试在疲劳耐久台架上进行试验,经过高精度摄像头不间断地采集汽车汽车底盘的工作图片,利用数字图像相关法计算出每张图片所对应的汽车底盘特征应变并绘制成特征应变云图,随后基于卷积神经网络对特征应变云图进行深度学习和训练,建立汽车底盘的疲劳识别模型,最后基于疲劳识别模型对后续试验的样件工作状态进行识别和判断。
本申请实施例可以高效并准确判断出汽车汽车底盘在疲劳耐久台架试验过程中的疲劳失效时刻,消除不同种类汽车底盘疲劳失效时刻的判定标准不一致的影响,降低试验的人为评价误差,并能在早期发现异常的耐久状态情况,指导汽车底盘生产工艺的一致性管控。
进一步地,S2包括:
根据散斑图像中散斑点对应的初始坐标数据获得形变坐标数据;
根据形变坐标数据获得汽车底盘的等效应变数据;
根据等效应变数据获得特征应变数据;
根据特征应变数据对散斑图像进行标记,获得特征应变云图。
在上述实现过程中,根据散斑点对应的初始坐标数据和形变坐标数据对散斑图像进行处理,得到特征应变云图,可以使得特征应变云图包含更多汽车底盘的形变特征,简化测试过程中的数据,减少误差的产生。
某个散斑点的形变前的初始坐标数据为(x0,y0),变形后的形变坐标数据为(x1,y1),利用获得该散斑点的应变情况。
其中,u、v分别为x方向、y方向上的位移,exx为形变坐标数据在x方向的正应变,eyy为形变坐标数据在y方向的正应变,exy为形变坐标数据的剪应变。
由于汽车汽车底盘的疲劳失效是各个方向受力作用的综合体现,因此需要综合考虑所有方向的变形情况。结合x方向的正应变、y方向的正应变和剪应变,用等效应变εe作为失效的评价指标更加合理且全面。通过以下方式根据形变坐标数据获得汽车底盘的等效应变数据:
其中,εe为等效应变数据,exx为形变坐标数据在x方向的正应变,eyy为形变坐标数据在y方向的正应变,exy为形变坐标数据的剪应变。
在上述实现过程中,根据形变坐标数据在x方向、y方向的正应变和剪应变获得等效应变数据,使得到的等效应变数据更加准确,确保在计算过程中不会产生不必要的误差。
把拍摄区域划分为k个子窗口,每个子窗口内有n个散斑点。对每个子窗口内散斑点的等效应变数据进行平均处理即可得到该子窗口的特征应变数据:
在上述实现过程中,根据等效应变数据获得特征应变数据,使得到的特征应变数据可以准确地表达散斑点的应变特征,提高后续检测的准确率。
进一步地,S3包括:
将特征应变云图进行划分,得到测试数据集和训练数据集,特征应变云图包含正常工作状态的特征应变云图和疲劳失效状态的特征应变云图;
将训练数据集输入预先构建的修正ResNet神经网络进行训练,获得二分类模型;
根据测试数据集对二分类模型进行多次迭代,获得疲劳识别模型。
在上述实现过程中,将特征应变云图进行划分后,对训练数据集进行训练,并对得到的二分类模型进行迭代优化,可以使得到的疲劳识别模型更加贴近汽车底盘的形变情况,提高疲劳识别模型的检测效率和检测精度。
将特征应变云图进行划分,即划分出处于正常工作状态的特征应变云图和处于疲劳失效状态的特征应变云图。在测试过程中,汽车底盘的特征应变数据εe随加载时间t的变化情况如图2所示。可以看到,汽车底盘的特征应变在经历了一个较长时间的缓慢增长阶段后,如果出现裂纹就会呈现出一个明显的拐点,此时把对应的时刻tf称为汽车底盘的失效时刻。以tf时刻为分割点,tf之前所拍摄的特征应变云图定义为正常工作状态的特征应变云图,tf之后所拍摄的特征应变云图定义为疲劳失效状态的特征应变云图。
同一种类不同批次的汽车底盘经过大量的疲劳耐久台架试验形成样本容量足够大的特征应变云图数据集{K},把该数据集划分为训练数据集{Ktr}和测试数据集{Kte}两部分,其中训练数据集占比为80%,测试数据集占比为20%。使用修正ResNet神经网络进行疲劳识别模型的构建。修正的ResNet神经网络的核心是残差结构,该结构包含卷积层、BN层和激活函数层,如图3所示。
进一步地,将训练数据集输入预先构建的修正ResNet神经网络进行训练,获得二分类模型的步骤,包括:
将训练数据集输入修正ResNet神经网络的卷积层,获得特征图;
将特征图输入修正ResNet神经网络的BN层进行标准化处理,获得标准化激活值;
将标准化激活值输入修正ResNet神经网络的BN层进行缩放和引入偏置运算,获得重构激活值;
根据特征图和重构激活值进行算术相加,获得二分类模型。
在上述实现过程中,将特征图和标准化激活值二次经过BN层处理,并处理后的结果再与卷积层的输出做算术相加,使BN层处理后的等效映射值落入对输入比较敏感的区域,不仅极大提升了训练速度,收敛过程加快,还能增加分类效果。
卷积层通过若干卷积核的作用逐层对输入的特征应变云图进行卷积运算,并通过非线性激活层获取每层网络的不同特征图,输出至BN层中。BN层先对隐藏层内每个神经元的激活值进行标准化处理,随后进行缩放和引入偏置运算使激活值恢复原始特征分布。
进一步地,通过以下方式将特征图输入修正ResNet神经网络的BN层进行标准化处理,获得标准化激活值:
在上述实现过程中,将特征图输入修正ResNet神经网络的BN层进行标准化处理,可以提高BN层的训练速度,使得到的标准化激活值能更好地适应模型。
进一步地,通过以下方式将标准化激活值输入修正ResNet神经网络的BN层进行缩放和引入偏置运算,获得重构激活值:
在上述实现过程中,通过重构激活值可以提高二分类模型的分类准确率,使得二分类模型的鲁棒性更高。
本申请实施例在ResNet神经网络的基础上做了改进,得到修正ResNet神经网络,具体地,常规的残差结构里面有一个分支把输入直接映射到输出上,而在修正ResNet神经网络中把该输入再经过BN层处理,处理后的结果再与卷积的输出做算术相加得到最终的输出。这样经过BN层处理后的等效映射值落入对输入比较敏感的区域,不仅极大提升了训练速度,收敛过程加快,还能增加分类效果。激活层使用ReLU激活函数。池化层分别采用最大池化和平均池化层,具体地,在模型训练初期使用最大池化,使得模型更关注某些特征本身而非特征具体的位置,使特征学习过程中包含某种自由度,容忍某些特征微小的位移,在模型训练后期使用平均池化,使模型可以抽取更广泛的特征,进而减少学习过程中的计算量和参数个数,并在一定程度上防止过拟合。最后通过一个全连接层处理并输出判定结果。
采用修正ResNet神经网络可训练出一个关于“正常工作”与“疲劳失效”的二分类模型,该模型会综合分析特征应变数据集中每个数据的特征信息,然后输出关于该图像数据不同判断结果的预测概率。为了便于描述预测结果,模型预测为“疲劳失效”,实际为“疲劳失效”的情况设为TP;预测为“疲劳失效”,实际为“正常工作”的情况设为FP;预测为“正常工作”,实际为“疲劳失效”的情况设为FN;预测为“正常工作”,实际为“正常工作”的情况设为TN。将TP、FP、FN、TN的结果制成3×3的表格,得到混淆矩阵如表1所示:
表1混淆矩阵
实际为“疲劳失效” | 实际为“正常工作” | |
预测为“疲劳失效” | TP | FP |
预测为“正常工作” | FN | TN |
用准确率Accuracy来表示预测正确的个案占总个案的百分比,其表达式为:
根据训练数据集和测试数据集对二分类模型进行多次迭代,当测试准确率达到95%时停止训练和测试并保存此模型,该模型即为疲劳识别模型。不同类型的汽车底盘的特征应变云图都经过上述算法可以生成多种疲劳识别模型库,把这些模型储存,后续根据试验的汽车底盘的种类直接调用对应的疲劳识别模型。
在根据疲劳识别模型对汽车底盘进行疲劳测试后,若检测到汽车底盘的状态异常,则发出异常状态信号并反馈至疲劳耐久台架中,进而根据测试需求控制疲劳耐久台架终止试验,从而实现对汽车底盘工作状态的实时智能监测和早期风险自动预警功能。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种汽车底盘的疲劳测试装置,如图4所示,该装置包括:
获取模块1,用于获取汽车底盘的散斑图像;
数据获得模块2,用于根据散斑图像提取汽车底盘的特征应变数据,获得特征应变云图;
建立模块3,用于根据特征应变云图建立疲劳识别模型;
测试模块4,用于根据疲劳识别模型对汽车底盘图像进行疲劳测试,获得测试结果。
在上述实现过程中,通过构建特有的疲劳识别模型对汽车底盘进行疲劳检测,可以及时发现汽车底盘的疲劳情况,并且对汽车底盘的疲劳情况给出准确的检测结果,提高对汽车底盘疲劳的检测效率和准确率,避免对汽车底盘的疲劳程度判断出现不标准的情况,提高安全性能,减少对人力资源的使用。
本申请实施例所包含的元件如图5所示:疲劳耐久台架①、汽车底盘②、高精度摄像头③、实时监测装置M。其中,实时监测装置M内部包含四个子模块:数字图像处理模块④、卷积神经网络训练模块⑤、疲劳识别模块⑥、实时监测及反馈模块⑦。
本申请实施例的获取模块1可以是高精度摄像头③,建立模块3可以是实时监测装置M,数据获得模块2可以是数字图像处理模块④,测试模块4可以是疲劳识别模块⑥。
如图5所示,汽车底盘②安装在疲劳耐久台架①上,高精度摄像头③拍摄处于疲劳耐久台架下的汽车底盘,实时监测装置M分别与高精度摄像头③及疲劳耐久台架①相连接,实时监测装置M的内外连接方式如下:高精度摄像头③拍摄的散斑图像由数字图像处理模块④收集并转换成特征应变云图,数字图像处理模块④分别与卷积神经网络训练模块⑤及疲劳识别模块⑥相连接,卷积神经网络训练模块⑤也直接与疲劳识别模块⑥连接,疲劳识别模块⑥与实时监测及反馈模块⑦连接;实时监测及反馈模块⑦与疲劳耐久台架①相连。
测试时,表面喷涂了散斑的汽车底盘②由工装夹具安装在疲劳耐久台架①上,在疲劳耐久台架①中输入实车等效载荷工况以模拟悬架件在整车中的受力情况。高精度摄像头③拍摄处于疲劳耐久工况下的汽车底盘,并把散斑图像输入至实时监测装置M中。实时监测装置M内部的数字图像处理模块④中将其转换成特征应变云图。对于尚未建立疲劳识别模型的汽车底盘,需要把该样件对应的特征应变云图传输至卷积神经网络训练模块⑤进行学习和训练,形成疲劳识别模型后输入至疲劳识别模块⑥中进行处理和储存,而对于已经建立疲劳识别模型的汽车底盘,则直接把数字图像处理模块④处理后的特征应变云图传输至疲劳识别模块⑥中进行处理即可。疲劳识别模块⑥的处理结果会持续不断地输出至实时监测及反馈模块⑦,从而实现对汽车底盘工作状态的实时监测模块⑦一旦接收到从模块⑥中发出的疲劳失效异常状态信号则马上发出预警并反馈至疲劳耐久台架①中,进而根据实验需求控制疲劳耐久台架①终止试验。
进一步地,数据获得模块2还用于:
根据散斑图像中散斑点对应的初始坐标数据获得形变坐标数据;
根据形变坐标数据获得汽车底盘的等效应变数据;
根据等效应变数据获得特征应变数据;
根据特征应变数据对散斑图像进行标记,获得特征应变云图。
在上述实现过程中,根据散斑点对应的初始坐标数据和形变坐标数据对散斑图像进行处理,得到特征应变云图,可以使得特征应变云图包含更多汽车底盘的形变特征,简化测试过程中的数据,减少误差的产生。
进一步地,数据获得模块2还用于通过以下方式根据形变坐标数据获得汽车底盘的等效应变数据:
其中,εe为等效应变数据,exx为形变坐标数据在x方向的正应变,eyy为形变坐标数据在y方向的正应变,exy为形变坐标数据的剪应变。
在上述实现过程中,根据形变坐标数据在x方向、y方向的正应变和剪应变获得等效应变数据,使得到的等效应变数据更加准确,确保在计算过程中不会产生不必要的误差。
进一步地,数据获得模块2还用于通过以下方式根据等效应变数据获得特征应变数据:
在上述实现过程中,根据等效应变数据获得特征应变数据,使得到的特征应变数据可以准确地表达散斑点的应变特征,提高后续检测的准确率。
进一步地,建立模块3还用于:
将特征应变云图进行划分,得到测试数据集和训练数据集,特征应变云图包含正常工作状态的特征应变云图和疲劳失效状态的特征应变云图;
将训练数据集输入预先构建的修正ResNet神经网络进行训练,获得二分类模型;
根据测试数据集对二分类模型进行多次迭代,获得疲劳识别模型。
在上述实现过程中,将特征应变云图进行划分后,对训练数据集进行训练,并对得到的二分类模型进行迭代优化,可以使得到的疲劳识别模型更加贴近汽车底盘的形变情况,提高疲劳识别模型的检测效率和检测精度。
进一步地,建立模块3还用于:
将训练数据集输入修正ResNet神经网络的卷积层,获得特征图;
将特征图输入修正ResNet神经网络的BN层进行标准化处理,获得标准化激活值;
将标准化激活值输入修正ResNet神经网络的BN层进行缩放和引入偏置运算,获得重构激活值;
根据特征图和重构激活值进行算术相加,获得二分类模型。
在上述实现过程中,将特征图和标准化激活值二次经过BN层处理,并处理后的结果再与卷积层的输出做算术相加,使BN层处理后的等效映射值落入对输入比较敏感的区域,不仅极大提升了训练速度,收敛过程加快,还能增加分类效果。
进一步地,建立模块3还用于通过以下方式将特征图输入修正ResNet神经网络的BN层进行标准化处理,获得标准化激活值:
在上述实现过程中,将特征图输入修正ResNet神经网络的BN层进行标准化处理,可以提高BN层的训练速度,使得到的标准化激活值能更好地适应模型。
进一步地,建立模块3还用于通过以下方式将标准化激活值输入修正ResNet神经网络的BN层进行缩放和引入偏置运算,获得重构激活值:
在上述实现过程中,通过重构激活值可以提高二分类模型的分类准确率,使得二分类模型的鲁棒性更高。
上述的汽车底盘的疲劳测试装置可实施上述实施例一的方法。上述实施例一中的可选项也适用于本实施例,这里不再详述。
本申请实施例的其余内容可参照上述实施例一的内容,在本实施例中,不再进行赘述。
实施例三
本申请实施例提供一种电子设备,包括存储器及处理器,该存储器用于存储计算机程序,该处理器运行计算机程序以使电子设备执行实施例一的汽车底盘的疲劳测试方法。
可选地,上述电子设备可以是服务器。
请参见图6,图6为本申请实施例提供的电子设备的结构组成示意图。该电子设备可以包括处理器61、通信接口62、存储器63和至少一个通信总线64。其中,通信总线64用于实现这些组件直接的连接通信。其中,本申请实施例中设备的通信接口62用于与其他节点设备进行信令或数据的通信。处理器61可以是一种集成电路芯片,具有信号的处理能力。
上述的处理器61可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器61也可以是任何常规的处理器等。
存储器63可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。存储器63中存储有计算机可读取指令,当计算机可读取指令由所述处理器361执行时,设备可以执行上述图1方法实施例涉及的各个步骤。
可选地,电子设备还可以包括存储控制器、输入输出单元。存储器63、存储控制器、处理器61、外设接口、输入输出单元各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通信总线64实现电性连接。处理器61用于执行存储器63中存储的可执行模块,例如设备包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。输入输出单元可以是,但不限于,鼠标和键盘等。
可以理解,图6所示的结构仅为示意,电子设备还可包括比图6中所示更多或者更少的组件,或者具有与图6所示不同的配置。图6中所示的各组件可以采用硬件、软件或其组合实现。
另外,本申请实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的汽车底盘的疲劳测试方法。
本申请实施例还提供一种计算机程序产品,该计算机程序产品在计算机上运行时,使得计算机执行方法实施例所述的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围值,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围值之内。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。
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值并不局限于此,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值内,可轻易想到变化或替换,都应涵盖在本申请的保护范围值之内。因此,本申请的保护范围值应所述以权利要求的保护范围值为准。
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、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种汽车底盘的疲劳测试方法,其特征在于,所述方法包括:
获取所述汽车底盘的散斑图像;
根据所述散斑图像提取所述汽车底盘的特征应变数据,获得特征应变云图;
根据所述特征应变云图建立疲劳识别模型;
根据所述疲劳识别模型对汽车底盘图像进行疲劳测试,获得测试结果。
2.根据权利要求1所述的汽车底盘的疲劳测试方法,其特征在于,所述根据所述散斑图像提取所述汽车底盘的特征应变数据,获得特征应变云图的步骤,包括:
根据所述散斑图像中散斑点对应的初始坐标数据获得形变坐标数据;
根据所述形变坐标数据获得所述汽车底盘的等效应变数据;
根据所述等效应变数据获得所述特征应变数据;
根据所述特征应变数据对所述散斑图像进行标记,获得所述特征应变云图。
5.根据权利要求1所述的汽车底盘的疲劳测试方法,其特征在于,所述根据所述特征应变云图建立疲劳识别模型的步骤,包括:
将所述特征应变云图进行划分,得到测试数据集和训练数据集,所述特征应变云图包含正常工作状态的特征应变云图和疲劳失效状态的特征应变云图;
将所述训练数据集输入预先构建的修正ResNet神经网络进行训练,获得二分类模型;
根据所述测试数据集对所述二分类模型进行多次迭代,获得所述疲劳识别模型。
6.根据权利要求5所述的汽车底盘的疲劳测试方法,其特征在于,所述将所述训练数据集输入预先构建的修正ResNet神经网络进行训练,获得二分类模型的步骤,包括:
将所述训练数据集输入所述修正ResNet神经网络的卷积层,获得特征图;
将所述特征图输入所述修正ResNet神经网络的BN层进行标准化处理,获得标准化激活值;
将所述标准化激活值输入所述修正ResNet神经网络的BN层进行缩放和引入偏置运算,获得重构激活值;
根据所述特征图和所述重构激活值进行算术相加,获得所述二分类模型。
9.一种汽车底盘的疲劳测试装置,其特征在于,所述装置包:
获取模块,用于获取所述汽车底盘的散斑图像;
数据获得模块,用于根据所述散斑图像提取所述汽车底盘的特征应变数据,获得特征应变云图;
建立模块,用于根据所述特征应变云图建立疲劳识别模型;
测试模块,用于根据所述疲劳识别模型对汽车底盘图像进行疲劳测试,获得测试结果。
10.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至8中任一项所述的汽车底盘的疲劳测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211524735.5A CN115937126A (zh) | 2022-11-30 | 2022-11-30 | 汽车底盘的疲劳测试方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211524735.5A CN115937126A (zh) | 2022-11-30 | 2022-11-30 | 汽车底盘的疲劳测试方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115937126A true CN115937126A (zh) | 2023-04-07 |
Family
ID=86653539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211524735.5A Pending CN115937126A (zh) | 2022-11-30 | 2022-11-30 | 汽车底盘的疲劳测试方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937126A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992698A (zh) * | 2023-09-26 | 2023-11-03 | 泰富特钢悬架(成都)有限公司 | 一种车辆板簧疲劳试验模拟检测方法、系统及存储介质 |
CN117029706A (zh) * | 2023-10-10 | 2023-11-10 | 上海荣成汽车装备科技有限公司 | 一种用于汽车底盘快速检测装置 |
-
2022
- 2022-11-30 CN CN202211524735.5A patent/CN115937126A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992698A (zh) * | 2023-09-26 | 2023-11-03 | 泰富特钢悬架(成都)有限公司 | 一种车辆板簧疲劳试验模拟检测方法、系统及存储介质 |
CN116992698B (zh) * | 2023-09-26 | 2023-12-15 | 泰富特钢悬架(成都)有限公司 | 一种车辆板簧疲劳试验模拟检测方法、系统及存储介质 |
CN117029706A (zh) * | 2023-10-10 | 2023-11-10 | 上海荣成汽车装备科技有限公司 | 一种用于汽车底盘快速检测装置 |
CN117029706B (zh) * | 2023-10-10 | 2023-12-08 | 上海荣成汽车装备科技有限公司 | 一种用于汽车底盘快速检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115937126A (zh) | 汽车底盘的疲劳测试方法、装置、电子设备及存储介质 | |
JP2008536219A (ja) | 診断及び予知方法並びにシステム | |
US20100004898A1 (en) | Method and system for pre-processing data using the Mahalanobis Distance (MD) | |
US20090300052A1 (en) | System and method for improving data coverage in modeling systems | |
US20210374634A1 (en) | Work efficiency evaluation method, work efficiency evaluation apparatus, and program | |
US20170176985A1 (en) | Method for predicting end of line quality of assembled product | |
CN111382029B (zh) | 基于pca和多维监测数据的主板异常诊断方法及装置 | |
CN109308225B (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
CN113569432B (zh) | 一种液气密元件的模拟检测方法及系统 | |
DE112019007519T5 (de) | Sensordiagnoseeinrichtung und sensordiagnoseprogramm | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN113157561A (zh) | 一种数控系统软件模块的缺陷预测方法 | |
CN111238927A (zh) | 疲劳耐久性评测方法、装置、电子设备和计算机可读介质 | |
CN113722308B (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
US20220327042A1 (en) | Method for testing a product | |
Song et al. | Airepair: A repair platform for neural networks | |
CN115099264A (zh) | 船舶零件故障诊断方法及装置、计算机和计算机储存介质 | |
CN113590458A (zh) | 用于检查技术系统的方法和设备 | |
CN113011748A (zh) | 推荐效果的评估方法、装置、电子设备及可读存储介质 | |
CN113704085A (zh) | 用于检查技术系统的方法和设备 | |
JP7099296B2 (ja) | 評価方法、システム構築方法、及び評価システム | |
CN110865939A (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
CN117055537B (zh) | 一种基于物联网的摩托车电控系统故障诊断方法 | |
CN117367775B (zh) | 一种液压制动系统模拟测试装置及方法 | |
CN117556187B (zh) | 基于深度学习的云数据修复方法、系统及可读存储介质 |
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 |