CN116629078B - 一种汽车疲劳寿命耐久性预测方法及系统 - Google Patents
一种汽车疲劳寿命耐久性预测方法及系统 Download PDFInfo
- Publication number
- CN116629078B CN116629078B CN202310901491.6A CN202310901491A CN116629078B CN 116629078 B CN116629078 B CN 116629078B CN 202310901491 A CN202310901491 A CN 202310901491A CN 116629078 B CN116629078 B CN 116629078B
- Authority
- CN
- China
- Prior art keywords
- automobile
- fatigue
- key
- fatigue life
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 112
- 206010016256 fatigue Diseases 0.000 claims abstract description 188
- 230000003068 static effect Effects 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000004458 analytical method Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 28
- 238000001228 spectrum Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 239000006096 absorbing agent Substances 0.000 claims description 6
- 230000035939 shock Effects 0.000 claims description 6
- 238000010183 spectrum analysis Methods 0.000 claims description 6
- 239000000725 suspension Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012888 cubic function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009661 fatigue test Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种汽车疲劳寿命耐久性预测方法及系统，涉及汽车数据处理技术领域，包括获取汽车在行驶过程中的动态数据和静态数据；将动态数据和静态数据输入至汽车有限元模型中，得到关键疲劳点；基于自注意力机制和双向长短期记忆网络，构建汽车疲劳寿命耐久性预测模型，得到汽车关键疲劳点预测结果；分析汽车在各个疲劳阶段的故障率变化规律情况，基于汽车关键疲劳点预测结果和故障率变化规律情况计算汽车疲劳寿命耐久性损伤值；判断汽车疲劳寿命耐久性损伤值与预设的疲劳损伤值的大小。本发明的有益效果为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，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。
Description
技术领域
本发明涉及汽车数据处理技术领域，具体而言，涉及一种汽车疲劳寿命耐久性预测方法及系统。
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。汽车的可靠寿命体现了在用车的整体技术水平和性能状态，其受车主的驾驶习惯、维修保养程度以及车型出厂质量水平等综合因素影响。然而，以往对车辆的可靠性分析及寿命预测主要基于汽车维修记录和故障数据，不仅需要大量的维修记录积累还须准确真实的识别出故障信息，因此具有时间延时性，在一定情况下，对车辆维修记录数量和数据质量的记录方面要求较高，但是在实际应用中操作难度大且不具备普遍适用性，因此往往无法实时高效的对车辆寿命及可靠性水平进行准确判断。
发明内容
本发明的目的在于提供一种汽车疲劳寿命耐久性预测方法及系统，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：
第一方面，本申请提供了一种汽车疲劳寿命耐久性预测方法，包括：
获取汽车在行驶过程中的动态数据和静态数据，其中动态数据为随着汽车的使用呈动态变化的车辆信息，静态数据为汽车固定的属性信息；
将动态数据和静态数据输入至汽车有限元模型中，采用静态叠加法和模态叠加法对汽车进行疲劳分析，得到关键疲劳点；
基于自注意力机制和双向长短期记忆网络，构建汽车疲劳寿命耐久性预测模型，将至少一个关键疲劳点输入至汽车疲劳寿命耐久性预测模型中进行预测，得到汽车关键疲劳点预测结果；
分析汽车在各个疲劳阶段的故障率变化规律情况，基于汽车关键疲劳点预测结果和故障率变化规律情况计算汽车疲劳寿命耐久性损伤值；
判断汽车疲劳寿命耐久性损伤值与预设的疲劳损伤值的大小，若汽车疲劳寿命耐久性损伤值小于预设的疲劳损伤值，则确定汽车疲劳耐久性测试合格；若汽车疲劳寿命耐久性损伤值大于预设的疲劳损伤值，则确定汽车疲劳耐久性测试不合格。
优选地，所述将动态数据和静态数据输入至汽车有限元模型中，采用静态叠加法和模态叠加法对汽车进行疲劳分析，得到关键疲劳点，其中包括：
采集有关于汽车的参数建立有限元模型；
利用求解器分别计算静态叠加和模态叠加，求解汽车车身单元或节点在一定时间范围内, 汽车车身受到的应力随时间的变化规律；
选取汽车车身上至少四个关键点位置，其中包括汽车的电机轴承、避震器、方向盘和火花塞；
基于静态叠加法和模态叠加法，分别对提取到的四个关键点位置进行计算得到四个关键点位置分别所对应的应力信号，并对应力信号进行幅值统计和频谱分析，得到关键疲劳点。
优选地，所述得到汽车关键疲劳点预测结果，其中还包括：
利用信号功率谱密度函数对汽车各关键零部件进行数据频域分析，确定汽车各关键零部件振动信号的频率成分和结构，其中包括对多通道响应信号进行分析，得到多通道响应信号中各个信号所对应的功率谱密度函数矩阵；其中汽车各关键零部件包括车轮、轮毅、轮轴、转向节和悬挂臂；
对功率谱密度函数矩阵进行奇异值分解，得到功率谱密度曲线；
将功率谱密度曲线中汽车各关键零部件所对应的数据输入至预先训练的第一网络模型，得到各汽车各关键零部件对应的预测数据，其中，第一网络模型是基于目标设计里程对应的目标曲线中汽车各关键零部件对应的数据为输入进行训练得到的。
优选地，所述将功率谱密度曲线中汽车各关键零部件所对应的数据输入至预先训练的第一网络模型，之前包括：
根据汽车各关键零部件进行相关性计算，得到汽车零部件结构图，其中汽车零部件结构图为网络矩阵结构图，并根据汽车零部件结构图中顶点之间的相关性得到第一信息；
获取第二信息，其中第二信息包括汽车零部件结构图中顶点的个数和所述顶点的特征向量，并根据第二信息构建汽车零部件特征矩阵；
基于第一信息构建汽车零部件邻接矩阵，并对汽车零部件邻接矩阵进行预处理；并根据皮尔森相关系数计算预处理后的汽车零部件邻接矩阵；
根据预处理后的汽车零部件邻接矩阵和汽车零部件特征矩阵，构建汽车各关键零部件图。
优选地，所述分析汽车在各个疲劳阶段的故障率变化规律情况，其中包括：
获取第一疲劳寿命信息数据，其中第一疲劳寿命信息数据包括汽车所行驶期间内的故障率和汽车单位时间范围内所行驶的里程数，其故障率的计算公式如下：
式中，为故障率函数，t为汽车工作到某一时间点，X为随机变量，表示在区间内的随机变量，且/>，P为概率；
基于第一疲劳寿命信息数据，得到有关于汽车疲劳寿命耐久性的浴盆曲线；
根据浴盆曲线中的斜率情况，判断汽车在各个疲劳阶段的故障率变化规律情况，并对各个疲劳阶段的故障率变化规进行拟合。
第二方面，本申请还提供了一种汽车疲劳寿命耐久性预测系统，包括获取模块、分析模块、构建模块、计算模块和判断模块，其中：
获取模块：用于获取汽车在行驶过程中的动态数据和静态数据，其中动态数据为随着汽车的使用呈动态变化的车辆信息，静态数据为汽车固定的属性信息；
分析模块：用于将动态数据和静态数据输入至汽车有限元模型中，采用静态叠加法和模态叠加法对汽车进行疲劳分析，得到关键疲劳点；
构建模块：用于基于自注意力机制和双向长短期记忆网络，构建汽车疲劳寿命耐久性预测模型，将至少一个关键疲劳点输入至汽车疲劳寿命耐久性预测模型中进行预测，得到汽车关键疲劳点预测结果；
计算模块：用于分析汽车在各个疲劳阶段的故障率变化规律情况，基于汽车关键疲劳点预测结果和故障率变化规律情况计算汽车疲劳寿命耐久性损伤值；
判断模块：用于判断汽车疲劳寿命耐久性损伤值与预设的疲劳损伤值的大小，若汽车疲劳寿命耐久性损伤值小于预设的疲劳损伤值，则确定汽车疲劳耐久性测试合格；若汽车疲劳寿命耐久性损伤值大于预设的疲劳损伤值，则确定汽车疲劳耐久性测试不合格。
本发明的有益效果为：
本发明通过对汽车各方面数据的采集分析和处理，避免过多信息未被利用而造成处理结果不准确的后果，同时也可以快速的确定后续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，提高预测结果的准确性，提高数据分析处理准确性，避免了数据误差大的缺陷，减轻后续工作压力；同时，采用静态叠加法和模态叠加法，能够准确的提取出动态应力和静态应力的变化，能够准确预测因振动引起的车身耐久性问题，同时在计算时也大大降低了对计算机存储空间的要求。采用信号功率谱密度函数是对随机动力汽车零部件载荷响应的概率统计，可以用于随机振动分析，更加具备真实性，使得实验结果也相对精确。利用信号功率谱密度函数矩阵获得功率谱密度曲线，根据功率谱密度曲线获得模态参数，较好的避免误差结果，提高模态参数估计的结果，提高了参数估计的精度，对汽车各关键零部件进行数据频域分析更加准确；本发明根据数据频域分析可以通过功率谱密度函数来体现汽车各关键零部件频率成分能量的强弱，分析振动信号的频率成分和结构，对于研究汽车各关键零部件的强度和疲劳寿命有着重要作用。本发明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，并且大大地缩短了检测汽车疲劳寿命耐久性测试方法，且预测结果可信度高，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
为了更清楚地说明本发明实施例的技术方案，下面将对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发明的某些实施例，因此不应被看作是对范围的限定，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为本发明实施例中所述的汽车疲劳寿命耐久性预测方法流程示意图；
图2为本发明实施例中所述的汽车疲劳寿命耐久性预测系统结构示意图。
图中：701、获取模块；702、分析模块；7021、采集单元；7022、求解单元；7023、选取单元；7024、分析单元；703、构建模块；7031、确定单元；7032、分解单元；7033、输入单元；70331、计算单元；70332、第一获取单元；70333、预处理单元；70334、构建单元；704、计算模块；7041、第二获取单元；7042、获得单元；7043、判断单元；705、判断模块。
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疲劳寿命耐久性预测方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
S100、获取汽车在行驶过程中的动态数据和静态数据，其中动态数据为随着汽车的使用呈动态变化的车辆信息，静态数据为汽车固定的属性信息。
可以理解的是，在本步骤中，动态数据为实时更新的随着汽车的使用呈动态变化的车辆信息数据，而静态数据可以为汽车的固定属性信息，其中包括但是不限于汽车的材质、汽车的型号、汽车的类型以及汽车之前是否有过剧烈冲击事故的数据，若有冲击事件的产生，则
采集汽车行驶过程中受到剧烈冲击后的所有数据，结合汽车几何结构进行流场仿真，得到仿真结果；
针对仿真结果和数据，确定汽车内部各个零部件受冲击的应力分布，建立零部件磨损模型；
根据零部件磨损模型和至少两次外部汽车受损情况，构建汽车缺陷寿命模型；
根据汽车缺陷寿命模型，确定汽车在冲击事件中损坏的程度，并进行记录存储。
可以理解的是，通过对汽车各方面数据的采集分析和处理，避免过多信息未被利用而造成处理结果不准确的后果，同时，也可以快速的确定后续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，提高预测结果的准确性；提高数据分析处理准确性，避免了数据误差大的缺陷，减轻后续工作压力。
S200、将动态数据和静态数据输入至汽车有限元模型中，采用静态叠加法和模态叠加法对汽车进行疲劳分析，得到关键疲劳点；
可以理解的是，在本S200步骤中包括S201、S202、S203和S204，其中：
S201、采集有关于汽车的参数建立有限元模型；
可以理解的是，在本步骤中采用有限元模型不需要载荷分解等步骤，可以一次性得到需要的载荷信号，其中包括但是不限于根据激光扫描和几何建模进行处理获得。其中有限元建模需要提前建立汽车的相关质量配载，比如车身、副车架、电机轴承、避震器、座椅等。
S202、利用求解器分别计算静态叠加和模态叠加，求解汽车车身单元或节点在一定时间范围内, 汽车车身受到的应力随时间的变化规律；
S203、选取汽车车身上至少四个关键点位置，其中包括汽车的电机轴承、避震器、方向盘和火花塞；
S204、基于静态叠加法和模态叠加法，分别对提取到的四个关键点位置进行计算得到四个关键点位置分别所对应的应力信号，并对应力信号进行幅值统计和频谱分析，得到关键疲劳点。
需要说明的是，通过模态瞬态求解器将汽车车身上的载荷信号和单位载荷下的应力进行相乘和线性叠加，模态求解并输出模态应力，然后瞬态求解并输出模态坐标，得到车身单元或节点的应力历程；选取汽车车身上至少四个关键点位置，并进行幅值统计和频谱分析，得到车身受载荷最大且最重要的至少两个位置即为关键疲劳点。采用静态叠加法和模态叠加法，能够准确的提取出动态应力和静态应力的变化，能够准确预测因振动引起的车身耐久性问题，同时在计算时也大大降低了对计算机存储空间的要求。
S300、基于自注意力机制和双向长短期记忆网络，构建汽车疲劳寿命耐久性预测模型，将至少一个关键疲劳点输入至汽车疲劳寿命耐久性预测模型中进行预测，得到汽车关键疲劳点预测结果。
需要说明的是，自注意力机制和双向长短期记忆网络可以相互弥补，可以长期准确的预测汽车疲劳寿命耐久性问题。
可以理解的是，在本S300步骤中包括S301、S302和S303，其中：
S301、利用信号功率谱密度函数对汽车各关键零部件进行数据频域分析，确定汽车各关键零部件振动信号的频率成分和结构，其中包括对多通道响应信号进行分析，得到多通道响应信号中各个信号所对应的功率谱密度函数矩阵；其中汽车各关键零部件包括车轮、轮毅、轮轴、转向节和悬挂臂；
需要说明的是，功率谱密度是结构在随机动态载荷激励下响应的统计结果，阐述了信号作为频率函数的平均功率分布，本发明采用信号功率谱密度函数是对随机动力汽车零部件载荷响应的概率统计，可以用于随机振动分析，更加具备真实性，使得结果也相对精确。
在本实施例中，包括但是不限于时频和频域的相互转换可以通过傅里叶变换公式来进行。其中，功率谱密度函数的定义为：
式中，为随机变量，/>为频带宽度，/>为功率谱密度函数，数据频域分析可以通过功率谱密度函数来体现汽车各关键零部件频率成分能量的强弱，分析振动信号的频率成分和结构，对于研究汽车各关键零部件的强度和疲劳寿命有着重要作用。
S302、对功率谱密度函数矩阵进行奇异值分解，得到功率谱密度曲线；
需要说明的是，利用信号功率谱密度函数矩阵获得功率谱密度曲线，根据功率谱密度曲线获得模态参数，较好的避免误差结果，提高模态参数估计的结果，提高了参数估计的精度，对汽车各关键零部件进行数据频域分析更加准确。
S303、将功率谱密度曲线中汽车各关键零部件所对应的数据输入至预先训练的第一网络模型，得到各汽车各关键零部件对应的预测数据，其中，第一网络模型是基于目标设计里程对应的目标曲线中汽车各关键零部件对应的数据为输入进行训练得到的。
需要说明的是，预先训练的第一网络模型是根据计算功率谱密度曲线中汽车各关键零部件所对应的数据与样本功率谱密度曲线中汽车各关键零部件所对应的数据之间差值的平方作为第一数据，并将所有第一数据加起来作为第二数据，判断第二数据是否小于预设阈值，若是则结束训练，并输出第一网络模型的参数，若不是，则进一步调整参数量，从而训练完成得到第一网络模型。
需要说明的是，在步骤S303之前还包括S3031、S3032、S3033和S3034，其中：
S3031、根据汽车各关键零部件进行相关性计算，得到汽车零部件结构图，其中汽车零部件结构图为网络矩阵结构图，并根据汽车零部件结构图中顶点之间的相关性得到第一信息；
需要说明的是，相关性用来构造汽车各关键零部件图，其中将顶点、每个顶点的特征向量、特征向量的相关性相加，得到网络矩阵结构图，即汽车各关键零部件图。
S3032、获取第二信息，其中第二信息包括汽车零部件结构图中顶点的个数和所述顶点的特征向量，并根据第二信息构建汽车零部件特征矩阵；
S3033、基于第一信息构建汽车零部件邻接矩阵，并对汽车零部件邻接矩阵进行预处理；并根据皮尔森相关系数计算预处理后的汽车零部件邻接矩阵；
需要说明的是，汽车零部件邻接矩阵的计算公式如下：
其中，来表示节点/>和/>之间基于输入特征矩阵/>的连接关系，其中，F表示特征向量维度；/>代表两个节点间的皮尔逊相关系数，/>表示节点m的第i维特征向量值，/>表示节点n的第i维特征向量值；/>和/>表示两者的样本均值，/>表示两个变量完全正向线性相关，即满足/>的关系，/>表示两个变量无关，表示两个变量完全负相关，即满足/>。
S3034、根据预处理后的汽车零部件邻接矩阵和汽车零部件特征矩阵，构建汽车各关键零部件图。
需要说明的是，汽车各关键零部件图的图中的每个顶点分别代表发动机零部件、传动系统零部件、制动系统零部件、转向系统零部件、行驶系统零部件和电器仪表零部件。
S400、分析汽车在各个疲劳阶段的故障率变化规律情况，基于汽车关键疲劳点预测结果和故障率变化规律情况计算汽车疲劳寿命耐久性损伤值。
可以理解的是，在本S400步骤中包括S401、S402和S403，其中：
S401、获取第一疲劳寿命信息数据，其中第一疲劳寿命信息数据包括汽车所行驶期间内的故障率和汽车单位时间范围内所行驶的里程数，其故障率的计算公式如下：
式中，为故障率函数，t为汽车工作到某一时间点，X为随机变量，表示在区间内的随机变量，且/>，P为概率；
S402、基于第一疲劳寿命信息数据，得到有关于汽车疲劳寿命耐久性的浴盆曲线；
具体地，浴盆曲线即故障率曲线，求解浴盆曲线即为求解汽车零部件的故障率曲线，众所周知汽车关键零部件会随着时间的变化进行老化，其中分为三个阶段，包括已经失效的零部件、正在失效的零部件以及快要失效耗损的零部件。
S403、根据浴盆曲线中的斜率情况，判断汽车在各个疲劳阶段的故障率变化规律情况，并对各个疲劳阶段的故障率变化规进行拟合。
需要说明的是，选择合适的数学模型，包括但是不限于使用指数函数、三次函数和对数函数等对故障率各阶段的变化规律进行拟合，得到拟合结果，为了后期对汽车的疲劳寿命耐久性预测其剩余使用寿命打下坚实的基础，不但可以预防事故的发生，还可以为汽车制定修复、改进和预防等政策提供重要依据。
S500、判断汽车疲劳寿命耐久性损伤值与预设的疲劳损伤值的大小，若汽车疲劳寿命耐久性损伤值小于预设的疲劳损伤值，则确定汽车疲劳耐久性测试合格；若汽车疲劳寿命耐久性损伤值大于预设的疲劳损伤值，则确定汽车疲劳耐久性测试不合格。
可以理解的是，在本步骤中该阈值为1，即当该汽车的疲劳损伤值小于1时，则说明其满足疲劳性能设计要求，确定汽车疲劳耐久性测试合格；若该疲劳损伤值大于或等于1说明该汽车不满足疲劳性能设计要求，汽车耐久性测试不合格，则需要对汽车的材料或结构进行优化；本发明大大提高了疲劳测试准确率，且测试周期短，测试效率高。
综上所述，本发明有选择性的采集、分析相关信息，简化流程，提高预测结果的准确性，提高数据分析处理准确性，避免了数据误差大的缺陷，减轻后续工作压力本发明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，并且大大地缩短了检测汽车疲劳寿命耐久性测试方法，且预测结果可信度高，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。
实施例2
如图2所示，本实施例提供了一种汽车疲劳寿命耐久性预测系统，参见图2所述系统包括获取模块701、分析模块702、构建模块703、计算模块704和判断模块705，其中：
获取模块701：用于获取汽车在行驶过程中的动态数据和静态数据，其中动态数据为随着汽车的使用呈动态变化的车辆信息，静态数据为汽车固定的属性信息；
分析模块702：用于将动态数据和静态数据输入至汽车有限元模型中，采用静态叠加法和模态叠加法对汽车进行疲劳分析，得到关键疲劳点；
构建模块703：用于基于自注意力机制和双向长短期记忆网络，构建汽车疲劳寿命耐久性预测模型，将至少一个关键疲劳点输入至汽车疲劳寿命耐久性预测模型中进行预测，得到汽车关键疲劳点预测结果；
计算模块704：用于分析汽车在各个疲劳阶段的故障率变化规律情况，基于汽车关键疲劳点预测结果和故障率变化规律情况计算汽车疲劳寿命耐久性损伤值；
判断模块705：用于判断汽车疲劳寿命耐久性损伤值与预设的疲劳损伤值的大小，若汽车疲劳寿命耐久性损伤值小于预设的疲劳损伤值，则确定汽车疲劳耐久性测试合格；若汽车疲劳寿命耐久性损伤值大于预设的疲劳损伤值，则确定汽车疲劳耐久性测试不合格。
具体地，所述分析模块702，包括采集单元7021、求解单元7022、选取单元7023和分析单元7024，其中：
采集单元7021：用于采集有关于汽车的参数建立有限元模型；
求解单元7022：用于利用求解器分别计算静态叠加和模态叠加，求解汽车车身单元或节点在一定时间范围内, 汽车车身受到的应力随时间的变化规律；
选取单元7023：用于选取汽车车身上至少四个关键点位置，其中包括汽车的电机轴承、避震器、方向盘和火花塞；
分析单元7024：用于基于静态叠加法和模态叠加法，分别对提取到的四个关键点位置进行计算得到四个关键点位置分别所对应的应力信号，并对应力信号进行幅值统计和频谱分析，得到关键疲劳点。
具体地，所述构建模块703中得到汽车关键疲劳点预测结果，还包括确定单元7031、分解单元7032和输入单元7033，其中：
确定单元7031：用于利用信号功率谱密度函数对汽车各关键零部件进行数据频域分析，确定汽车各关键零部件振动信号的频率成分和结构，其中包括对多通道响应信号进行分析，得到多通道响应信号中各个信号所对应的功率谱密度函数矩阵；其中汽车各关键零部件包括车轮、轮毅、轮轴、转向节和悬挂臂；
分解单元7032：用于对功率谱密度函数矩阵进行奇异值分解，得到功率谱密度曲线；
输入单元7033：用于将功率谱密度曲线中汽车各关键零部件所对应的数据输入至预先训练的第一网络模型，得到各汽车各关键零部件对应的预测数据，其中，第一网络模型是基于目标设计里程对应的目标曲线中汽车各关键零部件对应的数据为输入进行训练得到的。
具体地，所述输入单元7033，之前包括计算单元70331、第一获取单元70332、预处理单元70333和构建单元70334，其中：
计算单元70331：用于根据汽车各关键零部件进行相关性计算，得到汽车零部件结构图，其中汽车零部件结构图为网络矩阵结构图，并根据汽车零部件结构图中顶点之间的相关性得到第一信息；
第一获取单元70332：用于获取第二信息，其中第二信息包括汽车零部件结构图中顶点的个数和所述顶点的特征向量，并根据第二信息构建汽车零部件特征矩阵；
预处理单元70333：用于基于第一信息构建汽车零部件邻接矩阵，并对汽车零部件邻接矩阵进行预处理；并根据皮尔森相关系数计算预处理后的汽车零部件邻接矩阵；
构建单元70334：用于根据预处理后的汽车零部件邻接矩阵和汽车零部件特征矩阵，构建汽车各关键零部件图。
具体地，所述计算模块704，包括第二获取单元7041、获得单元7042和判断单元7043，其中：
第二获取单元7041：用于获取第一疲劳寿命信息数据，其中第一疲劳寿命信息数据包括汽车所行驶期间内的故障率和汽车单位时间范围内所行驶的里程数，其故障率的计算公式如下：
式中，为故障率函数，t为汽车工作到某一时间点，X为随机变量，表示在区间内的随机变量，且/>，P为概率；
获得单元7042：用于基于第一疲劳寿命信息数据，得到有关于汽车疲劳寿命耐久性的浴盆曲线；
判断单元7043：用于根据浴盆曲线中的斜率情况，判断汽车在各个疲劳阶段的故障率变化规律情况，并对各个疲劳阶段的故障率变化规进行拟合。
需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
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 (6)
1.一种汽车疲劳寿命耐久性预测方法，其特征在于，包括：
获取汽车在行驶过程中的动态数据和静态数据，其中动态数据为随着汽车的使用呈动态变化的车辆信息，静态数据为汽车固定的属性信息；
将动态数据和静态数据输入至汽车有限元模型中，采用静态叠加法和模态叠加法对汽车进行疲劳分析，得到关键疲劳点；
基于自注意力机制和双向长短期记忆网络，构建汽车疲劳寿命耐久性预测模型，将至少一个关键疲劳点输入至汽车疲劳寿命耐久性预测模型中进行预测，得到汽车关键疲劳点预测结果；
分析汽车在各个疲劳阶段的故障率变化规律情况，基于汽车关键疲劳点预测结果和故障率变化规律情况计算汽车疲劳寿命耐久性损伤值；
判断汽车疲劳寿命耐久性损伤值与预设的疲劳损伤值的大小，若汽车疲劳寿命耐久性损伤值小于预设的疲劳损伤值，则确定汽车疲劳耐久性测试合格；若汽车疲劳寿命耐久性损伤值大于预设的疲劳损伤值，则确定汽车疲劳耐久性测试不合格；
其中，将动态数据和静态数据输入至汽车有限元模型中，采用静态叠加法和模态叠加法对汽车进行疲劳分析，得到关键疲劳点，其中包括：
采集有关于汽车的参数建立有限元模型；
利用求解器分别计算静态叠加和模态叠加，求解汽车车身单元或节点在一定时间范围内, 汽车车身受到的应力随时间的变化规律；
选取汽车车身上至少四个关键点位置，其中包括汽车的电机轴承、避震器、方向盘和火花塞；
基于静态叠加法和模态叠加法，分别对提取到的四个关键点位置进行计算得到四个关键点位置分别所对应的应力信号，并对应力信号进行幅值统计和频谱分析，得到关键疲劳点；
其中，得到汽车关键疲劳点预测结果，还包括：
利用信号功率谱密度函数对汽车各关键零部件进行数据频域分析，确定汽车各关键零部件振动信号的频率成分和结构，其中包括对多通道响应信号进行分析，得到多通道响应信号中各个信号所对应的功率谱密度函数矩阵；其中汽车各关键零部件包括车轮、轮毅、轮轴、转向节和悬挂臂；
对功率谱密度函数矩阵进行奇异值分解，得到功率谱密度曲线；
将功率谱密度曲线中汽车各关键零部件所对应的数据输入至预先训练的第一网络模型，得到各汽车各关键零部件对应的预测数据，其中，第一网络模型是基于目标设计里程对应的目标曲线中汽车各关键零部件对应的数据为输入进行训练得到的。
2.根据权利要求1所述的汽车疲劳寿命耐久性预测方法，其特征在于，所述将功率谱密度曲线中汽车各关键零部件所对应的数据输入至预先训练的第一网络模型，之前包括：
根据汽车各关键零部件进行相关性计算，得到汽车零部件结构图，其中汽车零部件结构图为网络矩阵结构图，并根据汽车零部件结构图中顶点之间的相关性得到第一信息；
获取第二信息，其中第二信息包括汽车零部件结构图中顶点的个数和所述顶点的特征向量，并根据第二信息构建汽车零部件特征矩阵；
基于第一信息构建汽车零部件邻接矩阵，并对汽车零部件邻接矩阵进行预处理；并根据皮尔森相关系数计算预处理后的汽车零部件邻接矩阵；
根据预处理后的汽车零部件邻接矩阵和汽车零部件特征矩阵，构建汽车各关键零部件图。
3.根据权利要求1所述的汽车疲劳寿命耐久性预测方法，其特征在于，所述分析汽车在各个疲劳阶段的故障率变化规律情况，其中包括：
获取第一疲劳寿命信息数据，其中第一疲劳寿命信息数据包括汽车所行驶期间内的故障率和汽车单位时间范围内所行驶的里程数，其故障率的计算公式如下：式中，/>为故障率函数，t为汽车工作到某一时间点，X为随机变量，表示在/>区间内的随机变量，且/>，P为概率；
基于第一疲劳寿命信息数据，得到有关于汽车疲劳寿命耐久性的浴盆曲线；
根据浴盆曲线中的斜率情况，判断汽车在各个疲劳阶段的故障率变化规律情况，并对各个疲劳阶段的故障率变化规进行拟合。
4.一种汽车疲劳寿命耐久性预测系统，其特征在于，包括：
获取模块：用于获取汽车在行驶过程中的动态数据和静态数据，其中动态数据为随着汽车的使用呈动态变化的车辆信息，静态数据为汽车固定的属性信息；
分析模块：用于将动态数据和静态数据输入至汽车有限元模型中，采用静态叠加法和模态叠加法对汽车进行疲劳分析，得到关键疲劳点；
构建模块：用于基于自注意力机制和双向长短期记忆网络，构建汽车疲劳寿命耐久性预测模型，将至少一个关键疲劳点输入至汽车疲劳寿命耐久性预测模型中进行预测，得到汽车关键疲劳点预测结果；
计算模块：用于分析汽车在各个疲劳阶段的故障率变化规律情况，基于汽车关键疲劳点预测结果和故障率变化规律情况计算汽车疲劳寿命耐久性损伤值；
判断模块：用于判断汽车疲劳寿命耐久性损伤值与预设的疲劳损伤值的大小，若汽车疲劳寿命耐久性损伤值小于预设的疲劳损伤值，则确定汽车疲劳耐久性测试合格；若汽车疲劳寿命耐久性损伤值大于预设的疲劳损伤值，则确定汽车疲劳耐久性测试不合格；
所述分析模块，其中包括：
采集单元：用于采集有关于汽车的参数建立有限元模型；
求解单元：用于利用求解器分别计算静态叠加和模态叠加，求解汽车车身单元或节点在一定时间范围内, 汽车车身受到的应力随时间的变化规律；
选取单元：用于选取汽车车身上至少四个关键点位置，其中包括汽车的电机轴承、避震器、方向盘和火花塞；
分析单元：用于基于静态叠加法和模态叠加法，分别对提取到的四个关键点位置进行计算得到四个关键点位置分别所对应的应力信号，并对应力信号进行幅值统计和频谱分析，得到关键疲劳点；
所述构建模块中得到汽车关键疲劳点预测结果，其中还包括：
确定单元：用于利用信号功率谱密度函数对汽车各关键零部件进行数据频域分析，确定汽车各关键零部件振动信号的频率成分和结构，其中包括对多通道响应信号进行分析，得到多通道响应信号中各个信号所对应的功率谱密度函数矩阵；其中汽车各关键零部件包括车轮、轮毅、轮轴、转向节和悬挂臂；
分解单元：用于对功率谱密度函数矩阵进行奇异值分解，得到功率谱密度曲线；
输入单元：用于将功率谱密度曲线中汽车各关键零部件所对应的数据输入至预先训练的第一网络模型，得到各汽车各关键零部件对应的预测数据，其中，第一网络模型是基于目标设计里程对应的目标曲线中汽车各关键零部件对应的数据为输入进行训练得到的。
5.根据权利要求4所述的汽车疲劳寿命耐久性预测系统，其特征在于，所述输入单元，之前包括：
计算单元：用于根据汽车各关键零部件进行相关性计算，得到汽车零部件结构图，其中汽车零部件结构图为网络矩阵结构图，并根据汽车零部件结构图中顶点之间的相关性得到第一信息；
第一获取单元：用于获取第二信息，其中第二信息包括汽车零部件结构图中顶点的个数和所述顶点的特征向量，并根据第二信息构建汽车零部件特征矩阵；
预处理单元：用于基于第一信息构建汽车零部件邻接矩阵，并对汽车零部件邻接矩阵进行预处理；并根据皮尔森相关系数计算预处理后的汽车零部件邻接矩阵；
构建单元：用于根据预处理后的汽车零部件邻接矩阵和汽车零部件特征矩阵，构建汽车各关键零部件图。
6.根据权利要求4所述的汽车疲劳寿命耐久性预测系统，其特征在于，所述计算模块，其中包括：
第二获取单元：用于获取第一疲劳寿命信息数据，其中第一疲劳寿命信息数据包括汽车所行驶期间内的故障率和汽车单位时间范围内所行驶的里程数，其故障率的计算公式如下：式中，/>为故障率函数，t为汽车工作到某一时间点，X为随机变量，表示在/>区间内的随机变量，且/>，P为概率；
获得单元：用于基于第一疲劳寿命信息数据，得到有关于汽车疲劳寿命耐久性的浴盆曲线；
判断单元：用于根据浴盆曲线中的斜率情况，判断汽车在各个疲劳阶段的故障率变化规律情况，并对各个疲劳阶段的故障率变化规进行拟合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310901491.6A CN116629078B (zh) | 2023-07-21 | 2023-07-21 | 一种汽车疲劳寿命耐久性预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310901491.6A CN116629078B (zh) | 2023-07-21 | 2023-07-21 | 一种汽车疲劳寿命耐久性预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116629078A CN116629078A (zh) | 2023-08-22 |
| CN116629078B true CN116629078B (zh) | 2023-10-13 |
Family
ID=87636875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310901491.6A Active CN116629078B (zh) | 2023-07-21 | 2023-07-21 | 一种汽车疲劳寿命耐久性预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629078B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118332735B (zh) * | 2024-06-12 | 2024-08-13 | 成都航空职业技术学院 | 一种基于机器学习的机械零件疲劳寿命预测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR19980036608A (ko) * | 1996-11-19 | 1998-08-05 | 박병재 | 파워 스펙트럼 밀도를 이용한 차체 내구 해석 장치 및 그 방법 |
| CN109029884A (zh) * | 2018-06-29 | 2018-12-18 | 江铃汽车股份有限公司 | 一种汽车悬臂结构件振动疲劳分析的方法 |
| CN109783961A (zh) * | 2019-01-23 | 2019-05-21 | 北斗航天汽车（北京）有限公司 | 一种基于cae的汽车车架疲劳寿命的模拟检测方法及模拟测试系统 |
| CN110348082A (zh) * | 2019-06-26 | 2019-10-18 | 中国第一汽车股份有限公司 | 一种前束控制臂的设计方法 |
| CN110738753A (zh) * | 2019-09-23 | 2020-01-31 | 中国船舶重工集团公司第七一九研究所 | 一种船舶动力管道疲劳损伤预测系统及预测方法 |
| CN113147551A (zh) * | 2021-05-24 | 2021-07-23 | 徐州徐工矿业机械有限公司 | 一种超大吨位三桥刚性矿用自卸车 |
| CN114429060A (zh) * | 2021-12-02 | 2022-05-03 | 中国兵器科学研究院宁波分院 | 考核疲劳振动中结构错位失效及寿命预测的方法 |
| CN115270296A (zh) * | 2022-07-21 | 2022-11-01 | 东风柳州汽车有限公司 | 一种商用车驾驶室疲劳耐久性分析方法及系统 |
| CN115577586A (zh) * | 2022-09-29 | 2023-01-06 | 重庆长安汽车股份有限公司 | 一种车辆道路瞬态疲劳关键模态识别方法及系统 |
| CN115795982A (zh) * | 2023-02-07 | 2023-03-14 | 中汽研汽车检验中心（天津）有限公司 | 一种汽车的疲劳耐久寿命预测方法、设备和存储介质 |
-
2023
- 2023-07-21 CN CN202310901491.6A patent/CN116629078B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR19980036608A (ko) * | 1996-11-19 | 1998-08-05 | 박병재 | 파워 스펙트럼 밀도를 이용한 차체 내구 해석 장치 및 그 방법 |
| CN109029884A (zh) * | 2018-06-29 | 2018-12-18 | 江铃汽车股份有限公司 | 一种汽车悬臂结构件振动疲劳分析的方法 |
| CN109783961A (zh) * | 2019-01-23 | 2019-05-21 | 北斗航天汽车（北京）有限公司 | 一种基于cae的汽车车架疲劳寿命的模拟检测方法及模拟测试系统 |
| CN110348082A (zh) * | 2019-06-26 | 2019-10-18 | 中国第一汽车股份有限公司 | 一种前束控制臂的设计方法 |
| CN110738753A (zh) * | 2019-09-23 | 2020-01-31 | 中国船舶重工集团公司第七一九研究所 | 一种船舶动力管道疲劳损伤预测系统及预测方法 |
| CN113147551A (zh) * | 2021-05-24 | 2021-07-23 | 徐州徐工矿业机械有限公司 | 一种超大吨位三桥刚性矿用自卸车 |
| CN114429060A (zh) * | 2021-12-02 | 2022-05-03 | 中国兵器科学研究院宁波分院 | 考核疲劳振动中结构错位失效及寿命预测的方法 |
| CN115270296A (zh) * | 2022-07-21 | 2022-11-01 | 东风柳州汽车有限公司 | 一种商用车驾驶室疲劳耐久性分析方法及系统 |
| CN115577586A (zh) * | 2022-09-29 | 2023-01-06 | 重庆长安汽车股份有限公司 | 一种车辆道路瞬态疲劳关键模态识别方法及系统 |
| CN115795982A (zh) * | 2023-02-07 | 2023-03-14 | 中汽研汽车检验中心（天津）有限公司 | 一种汽车的疲劳耐久寿命预测方法、设备和存储介质 |
Non-Patent Citations (8)
| Title |
|---|
| Apattern recognition artificial neural network method for random fatigue loading life prediction;J.F. Durodola 等;International Journal of Fatigue;第99卷(第1期);55-67 * |
| Evaluation of Vehicle Systems Structural Durability Using PSD Based Fatigue Life Approach;Abhijit Londhe 等;SAE Technical Paper;1-7 * |
| 一种基于整车道路载荷谱的低成本零部件结构耐久性试验方法;闫冬;上海汽车(第07期);33-36 * |
| 动车组转向架构架结构型式评价方法;王建斌 等;机械工程学报;第54卷(第18期);140-145 * |
| 客车车身骨架动应力研究的现状与未来;王海霞 等;应用力学学报(第03期);8-13+146 * |
| 扭力梁悬架一体化疲劳寿命方法研究;伊斯武 等;汽车科技(第06期);38-42 * |
| 某战场侦察雷达电子机箱重要件寿命预测与可靠性分析;田丰;装备环境工程;第14卷(第12期);102-105 * |
| 频域疲劳寿命预测方法对比与分析;程侃 等;农业装备与车辆工程;第56卷(第09期);1-5 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116629078A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Metallidis et al. | Fault detection and optimal sensor location in vehicle suspensions | |
| CN116629078B (zh) | 一种汽车疲劳寿命耐久性预测方法及系统 | |
| CN111833604B (zh) | 基于驾驶行为特征提取的车辆载重状态识别方法及装置 | |
| Liu et al. | Reliability analysis and evaluation of a brake system based on competing risk | |
| James | Reliability, availability and maintainability aspects of automobiles | |
| Xue et al. | Real-time diagnosis of an in-wheel motor of an electric vehicle based on dynamic Bayesian networks | |
| Van Nguyen et al. | Modeling and prediction of remaining useful lifetime for maintenance scheduling optimization of a car fleet | |
| Chen et al. | Characterizing the Dynamic Response of a Chassis Frame in a Heavy‐Duty Dump Vehicle Based on an Improved Stochastic System Identification | |
| CN111709160B (zh) | 一种基于卡车底盘的行驶动态性能分析优化方法及系统 | |
| Li et al. | Squeak and rattle analysis of automotive interiors considering contact nonlinearity | |
| CN116432426A (zh) | 车载动力电池评估方法、可读存储介质及计算机设备 | |
| GB2598785A (en) | Monitoring system | |
| Jang et al. | A feasible strain-history extraction method using machine learning for the durability evaluation of automotive parts | |
| CN115979548A (zh) | 车用氢系统泄漏诊断方法、系统、电子设备及存储介质 | |
| Chen et al. | The average correlation signal based stochastic subspace identification for the online modal analysis of a dump truck frame | |
| CN115577615A (zh) | 一种汽车多体动力学建模方法和系统 | |
| Zhang et al. | Extreme Value Prediction of Traffic Loads Using the Average Conditional Exceedance Rate Method | |
| CN114088416A (zh) | 液力缓速器消音器故障诊断方法、装置及计算机设备 | |
| Veltri | FEM techniques for high stress detection in accelerated fatigue simulation | |
| Shen et al. | Modal analysis and frequency matching study of subway bogie frame under ambient excitation | |
| Kulagin et al. | Modern approaches of vehicle suspension durability evaluation at early stages of development | |
| Weber et al. | Opening distortion fingerprint (odf)-a new body evaluation method for perceived quality and vehicle dynamics | |
| Chemistruck et al. | Review of current developments in terrain characterization and modeling | |
| CN114048548B (zh) | 一种重载车辆空气弹簧动态载荷估计方法 | |
| Klyatis | The Basis of Automotive Engineering Accelerated Testing |
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 |