CN116663434B - 一种基于lstm深度神经网络的整车载荷分解方法 - Google Patents

一种基于lstm深度神经网络的整车载荷分解方法 Download PDF

Info

Publication number
CN116663434B
CN116663434B CN202310950472.2A CN202310950472A CN116663434B CN 116663434 B CN116663434 B CN 116663434B CN 202310950472 A CN202310950472 A CN 202310950472A CN 116663434 B CN116663434 B CN 116663434B
Authority
CN
China
Prior art keywords
neural network
whole vehicle
lstm
deep learning
learning model
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
Application number
CN202310950472.2A
Other languages
English (en)
Other versions
CN116663434A (zh
Inventor
陈为欢
熊伟
黄晖
吴和兴
段龙杨
余显忠
赵军辉
曾建邦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangling Motors Corp Ltd
Original Assignee
Jiangling Motors Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangling Motors Corp Ltd filed Critical Jiangling Motors Corp Ltd
Priority to CN202310950472.2A priority Critical patent/CN116663434B/zh
Publication of CN116663434A publication Critical patent/CN116663434A/zh
Application granted granted Critical
Publication of CN116663434B publication Critical patent/CN116663434B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/27—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06F2119/14—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
    • 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 Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

本发明属于汽车仿真领域，具体涉及一种基于LSTM深度神经网络的整车载荷分解方法。包括如下步骤S1:将待开发车型的基础物理样车进行实车测量道路载荷谱，S2：根据整车的参数搭建整车的多体动力学仿真模型；S3:将S1测量得到的数据施加到S2中的整车多体动力学模型，求解仿真模型；S4：构建LSTM循环神经网络深度学习模型；S5：将S1和S3数据分别作为S4的深度学习模型输出和输入对神经网络进行训练，并对训练结果进行评价；S6：将实测得到的数据经处理后输入深度神经网络，求解得到轮心的垂向位移；S7：整车载荷分解，求解获得整车的各个零件连接点的载荷。本发明基于LSTM循环神经网络来进行整车载荷分解，效率远高于基于虚拟迭代法，实现周期缩短及成本降低。

Description

一种基于LSTM深度神经网络的整车载荷分解方法
技术领域
本发明属于汽车仿真领域，具体涉及一种基于LSTM深度神经网络的整车载荷分解方法。
背景技术
汽车零部件外联点的载荷谱无法直接通过传感器测量，需要通过多体动力学仿真软件将测试得到的六分力分解到各个零部件，测量的六分力不能直接施加到多体动力学模型，否则数值求解容易出现不收敛，无法正常求解整车零部件载荷，为了求解整车零部件的疲劳耐久载荷，需要基于虚拟迭代方法，根据实际测量的悬架位移及轮心加速度求解轮心的垂向位移激励。虚拟迭代是通过汽车悬挂系统的加速度响应及位移响应求解汽车轮心垂向位移的一种方法，传统虚拟迭代方法随着多体动力学模型建模越来越精细，虚拟迭代求解轮心垂向位移的周期越来越长。导致该方法使用成本高/周期长，最终导致汽车产品开发周期长，因此迫切需要有一种更好的轮心垂向位移求解方法。
汽车底盘悬挂系统属于典型的动力学系统，由于动力学系统阻尼的存在，板簧任一个网格单元在每一个时刻的动力学响应（应变/应力）和上一个时间时刻紧密相关。传统的深度神经网络，无法考虑时间依赖问题，因此无法很好地用于解决时间系列预测问题。循环神经网络（recurrent neural network,RNN），RNN 借助循环核从时间维度提取信息，循环核参数时间共享,可以对有时间依赖的时间序列问题进行预测，但当时间系列很长，RNN模型容易出现梯度消失问题，导致时间系列预测效果较差。
发明内容
为了解决长期依赖问题，本发明采用长短记忆网络（Long Short Term Memory,LSTM）模型，提供一种可以更加高效根据已知测量的响应求解轮心垂向位移激励的载荷分解方法。具体技术方案如下：
基于LSTM深度神经网络的载荷分解流程步骤如下s1-s7：
S1:将待开发车型的基础物理样车进行实车测量道路载荷谱，包括用拉线位移传感器测量悬架位移Ltest，轮心加速度acctest，轮心的六分力载荷fx，fy，fz，mx，my，mz；
S2：根据整车的参数搭建整车的多体动力学模型；
S3:将S1测量得到的Ltest施加到S2中的整车多体动力学模型，求解仿真模型的悬架位移量LSimulation，轮心的垂向加速度accsimulation；
S4：构建LSTM循环神经网络深度学习模型；
S5：将S1中所测量的Ltest和S3中仿真得到的悬架位移量LSimulation和轮心的垂向加速度accsimulation分别作为S4的深度学习模型输出和输入对神经网络进行训练，并对训练结果进行评价；
S6：将实测得到的轮心加速度acctest及悬架位移Ltest经处理后输入深度神经网络，求解得到轮心的垂向位移Dz；
S7：整车载荷分解：将fx，fy，mx，my，mz及Dz作为S2整车多体动力学模型的轮心输入，求解获得整车的各个零件连接点的载荷。
进一步的，所述步骤S1中所述悬架位移为左前，右前，左后和右后四个四分之一悬架的相应值，轮心加速度为四个车轮的轮心加速度。
进一步的，步骤S2具体为根据待求解载荷的整车基于ADAMS、SIMPACK或Motionview搭建整车多体动力学模型，然后对整车多体动力学模型的悬架进行垂向刚度对标，确保整车的垂向刚度和实车一致。
进一步的，步骤S3中仿真模型求解整车的四个车轮的轮心仿真加速度数据和四个四分之一悬挂架的位移数值。
进一步的，步骤S4中构建LSTM神经网络模型，基于LSTM cell 和感知机单元simple neural cell构建神经网络架构DNN（deep neural network），共包含2层循环神经网络LSTM layer和两层全连接神经网络FC layer，每两层神经网络之间采用dropout进行正则化，提升神经网络的泛化能力，dropout的比例为0.2；
其中，LSTM cell 设置了三个门限：输入门、遗忘门/>、输出门/>；表征长期记忆的细胞态/>；等待存入长期记忆的候选态/>：三个门限都是当前时刻的输入特征/>和上个时刻的短期记忆/>的函数，分别表示为：
输入门（门限）：,决定了多少比例的信息会被存入当前细胞态;
遗忘门（门限）：，将细胞态中的信息选择性的遗忘；
输出门（门限）：，将细胞态中的信息选择性的进行输出；
三个公式中、/>和/>是待训练参数矩阵，/>、/>和/>是待训练偏置项；/>为sigmoid 激活函数，它可以使门限的范围在 0 到 1 之间；
为记忆体，表征短期记忆，是当前细胞态经过输出门得到的：记忆体（短期记忆）：/>；
候选态表示归纳出的待存入细胞态的新知识，是当前时刻的输入特征和上个时刻的短期记忆/>的函数： 候选态（归纳出的新知识）：/>=/>，Wc是候选态权重矩阵，bc是候选态偏置项，/>是输入门；
细胞态表示长期记忆，它等于上个时刻的长期记忆通过遗忘门的值和当前时刻归纳出的新知识/>通过输入门的值之和： 细胞态（长期记忆）：/>=/> 。
进一步的，步骤S5具体为：对S4构建的深度神经网络进行训练，首先将S3中的仿真悬架位移量数据以及仿真轮心加速度数据分别进行归一化处理作为深度学习模型输入的原始数据；将S1中的实际测试的悬架位移数据进行归一化处理作为神经网络训练的输出的原始数据；将每个归一化后的仿真加速度，仿真位移，测试位移基于时间窗口进行分割，分割为多份得到的数据即为训练数据。
进一步的，所述时间窗口的长度为含有35个不同时间点的长度，35为超参数，不同的动力学系统该超参数不同，需要进行调优。
进一步的，2个LSTM layer层和第一个FC layer的激活函数为Relu，Relu 函数定义为：当x>0,Relu(x)=x,当x<=0,Relu(x)=0，最后一个FC layer层的激活函数为线性激活函数linear；神经网络模型的训练为自主编程或采用成熟的深度学习框架如paddlepaddle，或者tensorflow或者华为的MindSpore；将训练数据集拆分为训练集，验证集和测试集，对神经网络模型进行训练，其中，仿真位移数据以及仿真加速度数据归一化后加窗处理后的数据为DNN的输入，实测数据归一化后加窗处理后的数据为DNN的输出，输入输出所对应的时间窗口的时间相同。
进一步的，S6具体为将实际测量得到的悬架位移数据以及轮心加速度数据经过归一化加滑动窗口分割为指定长度后，输入DNN则可输出整车四个车轮轮心垂向位移激励。
进一步的，S7：整车载荷分解，将S6得到的轮心垂向位移激励及S1中测量得到的轮心除垂向力外的5分力施加于多体动力学模型，将各个零部件连接点的载荷输出，即为零部件的实际道路载荷谱。
本发明基于LSTM循环神经网络来进行整车载荷分解，效率远高于基于虚拟迭代法，实现周期缩短及成本降低。
附图说明
图1 实施例1中拉线位移传感器的实测载荷谱；
图2 实施例1中仿真得到的悬架位移响应；
图3 实施例1中仿真得到的加速度响应；
图4 实施例1中LSTM cell；
图5 实施例1中深度神经网络架构 DNN；
图6 实施例1中归一化后加滑动窗口的仿真位移响应；
图7 实施例1中归一化后的仿真加速度载荷谱；
图8 实施例1中训练集及验证集的损失函数变化；
图9 实施例1中预测值和真实值比较图。
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。
实施例1
一种基于LSTM深度神经网络的整车载荷分解方法，具体步骤如下：
S1：对待载荷分解的整车的物理样车进行传感器安装，包括轮心六分力，悬架的拉线传感器，及轮心的垂向加速度传感器，在试验场测量获得六分力及悬架位移Ltest1，Ltest2，Ltest3，Ltest4（图1）和轮心加速度atest1，atest2,atest3,atest4，其中1,2,3,4分别代表左前，右前，左后，右后四分之一悬架。图1为拉线位移传感器的实测载荷谱。
S2：根据待求解载荷的整车基于ADAMS、SIMPACK或Motionview搭建整车多体动力学模型，然后对整车多体动力学模型的悬架进行垂向刚度对标，确保整车的垂向刚度和实车一致。
S3：将S1中实际测量得到整车四个四分之一悬挂的位移Ltest1，Ltest2，Ltest3，Ltest4分别施加于整车多体动力学模型的对应轮心，仿真求解整车的响应，包含四个车轮的轮心仿真加速度响应as1，as2，as3，as4，四个四分之一悬挂的位移响应Ls1，Ls2，Ls3，Ls4，如图2，图3。
S4：构建神经网络模型，基于LSTM cell 和感知机单元simple neural cell构建神经网络架构DNN（deep neural network）（见图5），共包含三层循环神经网络LSTM layer和两层全连接神经网络FC layer，每两层神经网络之间采用dropout进行正则化，提升神经网络的泛化能力，dropout的比例为0.2；
LSTM cell（图4）引入了三个门限：输入门、遗忘门/>、输出门/>；引入了表征长期记忆的细胞态/>；引入了等待存入长期记忆的候选态/>：三个门限都是当前时刻的输入特征/>和上个时刻的短期记忆/>的函数，分别表示为：
输入门（门限）： ,决定了多少比例的信息会被存入当前细胞态;
遗忘门（门限）： ，将细胞态中的信息选择性的遗忘；
输出门（门限）： ，将细胞态中的信息选择性的进行输出；
三个公式中、/>和/>是待训练参数矩阵，/>、/>和/>是待训练偏置项。/>为sigmoid 激活函数，它可以使门限的范围在 0 到 1 之间。
为记忆体，它表征短期记忆，是当前细胞态经过输出门得到的：
记忆体（短期记忆）：
候选态表示归纳出的待存入细胞态的新知识，是当前时刻的输入特征和上个时刻的短期记忆/>的函数：
候选态（归纳出的新知识）：=/>
细胞态表示长期记忆，它等于上个时刻的长期记忆通过遗忘门的值和当前时刻归纳出的新知识/>通过输入门的值之和： 细胞态（长期记忆）：/>=/> 。
S5: 对S4构建的深度神经网络进行训练，首先将S3中的仿真位移数据Ls1，Ls2，Ls3，Ls4，以及仿真的加速度数据as1，as2，as3，as4分别进行归一化到（-1，1），归一化后的结果如图6及图7，作为深度学习模型输入的原始数据，将S1中的实际测试的数据Ltest1，Ltest2，Ltest3，Ltest4进行归一化（-1，1），作为神经网络训练的输出的原始数据。由于LSTM循环神经网络的输入为时间系列，将每个归一化后的仿真加速度，仿真位移，测试位移基于时间窗口进行分割，分割为多份，每一个时间窗口的长度为含有35个不同时间点的长度，此处35为超参数，不同的动力学系统该超参数不同，需要进行调优。8个仿真数据及4个测试数据系列归一化后经窗口分割得到的数据则为训练数据集。
2个LSTM layer层和第一个FC layer的激活函数为Relu(Relu 函数定义为：当x>0,Relu(x)=x,当x<=0,Relu(x)=0),Relu激活函数的优势在于其可以避免深度神经网络的梯度消失，而最后一个FC layer层，激活函数为线性激活函数（linear）。神经网络模型的训练可以自主编程，也可以采用成熟的深度学习框架如paddlepaddle，或者tensorflow或者华为的MindSpore等。将所述训练数据集拆分为训练集，验证集和测试集。对神经网络模型进行训练，其中，Ls1，Ls2，Ls3，Ls4，以及仿真的加速度数据as1，as2，as3，as4归一化后加窗处理后的数据为DNN的输入，而L1，L2，L3，L4归一化后加窗处理后的数据为DNN的输出，输入输出所对应的时间窗口的时间必须相同。训练后的损失函数变化趋势如图8，由结果可见，模型可以很好的拟合训练集及验证集合，对模型在测试集上进行验证，验证结果如图9，从结果可见，神经网络对测试集数据的预测能力非常良好，可以将神经网络DNN应用于求解轮心的垂向位移激励，DNN可以类似一个函数进行工作。
S6：将实际测量得到的Ltest1，Ltest2，Ltest3，Ltest4以及atest1，atest2，atest3，atest4经过归一化加滑动窗口分割为指定长度35后，输入DNN则可以输出整车四个车轮轮心垂向位移激励。此时输出的数值为归一化值，需要经过反转换为真实值。
S7：整车载荷分解，将S6得到的轮心垂向位移激励及S1中测量得到的轮心5分力（除垂向力）施加于多体动力学模型，将各个零部件连接点的载荷输出，即为零部件的实际道路载荷谱。
上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。

Claims (8)

1.一种基于LSTM循环神经网络深度学习模型的整车载荷分解方法，其特征在于：流程步骤如下S1-S7：
S1：将待开发车型的基础物理样车进行实车测量道路载荷谱，包括用拉线位移传感器测量悬架位移Ltest，轮心加速度acctest，轮心的六分力载荷fx，fy，fz，mx，my，mz；
S2：根据整车的参数搭建整车的多体动力学模型；
S3：将S1测量得到的Ltest施加到S2中的整车多体动力学模型，求解仿真模型的悬架位移量LSimulation，轮心的垂向加速度accsimulation；
S4：构建LSTM循环神经网络深度学习模型；
S5：将S1中所测量的Ltest和S3中仿真得到的悬架位移量LSimulation和轮心的垂向加速度accsimulation分别作为S4的深度学习模型输出和输入对LSTM循环神经网络深度学习模型进行训练，并对训练结果进行评价；
S6：将实测得到的轮心加速度acctest及悬架位移Ltest经处理后输入LSTM循环神经网络深度学习模型，求解得到轮心的垂向位移Dz；
S7：整车载荷分解：将fx，fy，mx，my，mz及Dz作为S2整车多体动力学模型的轮心输入，求解获得整车的各个零件连接点的载荷；
其中，步骤S4中构建LSTM循环神经网络深度学习模型，基于LSTM cell和感知机单元simple eural cell构建神经网络架构DNN，共包含2层循环神经网络LSTM layer和两层全连接神经网络FC layer，每两层神经网络之间采用dropout进行正则化，提升神经网络的泛化能力，dropout的比例为0.2；
其中，LSTM cell设置了三个门限：输入门it、遗忘门ft、输出门Ot；表征长期记忆的细胞态Ct；等待存入长期记忆的候选态三个门限都是当前时刻的输入特征xt和上个时刻的短期记忆ht-1的函数，分别表示为：
输入门：it＝σ(Wi[ht-1，xt]+bi)，决定了多少比例的信息会被存入当前细胞态；
遗忘门：将细胞态中的信息选择性的遗忘；
输出门：Ot＝σ(Wo[ht-1，xt]+bo)，将细胞态中的信息选择性的进行输出；
三个公式中Wi、Wf和Wo是待训练参数矩阵，bi、bf和bo是待训练偏置项；σ为sigmoid激活函数，它可以使门限的范围在0到1之间；
ht为记忆体，表征短期记忆，是当前细胞态经过输出门得到的：记忆体：
候选态表示归纳出的待存入细胞态的新知识，是当前时刻的输入特征xt和上个时刻的短期记忆ht-1的函数：候选态：/>Wc是候选态权重矩阵，bc是候选态偏置项，it是输入门；
细胞态Ct表示长期记忆，它等于上个时刻的长期记忆Ct-1通过遗忘门的值和当前时刻归纳出的新知识通过输入门的值之和：细胞态：/>
2.根据权利要求1所述的一种基于LSTM循环神经网络深度学习模型的整车载荷分解方法，其特征在于：所述步骤S1中所述悬架位移为左前，右前，左后和右后四个四分之一悬架的相应值，轮心加速度为四个车轮的轮心加速度。
3.根据权利要求1所述的一种基于LSTM循环神经网络深度学习模型的整车载荷分解方法，其特征在于：步骤S2具体为根据待求解载荷的整车基于ADAMS、SIMPACK或Motionview搭建整车多体动力学模型，然后对整车多体动力学模型的悬架进行垂向刚度对标，确保整车的垂向刚度和实车一致。
4.根据权利要求1所述的一种基于LSTM循环神经网络深度学习模型的整车载荷分解方法，其特征在于：步骤S3中仿真模型求解整车的四个车轮的轮心仿真加速度数据和四个四分之一悬架的位移数值。
5.根据权利要求1所述的一种基于LSTM循环神经网络深度学习模型的整车载荷分解方法，其特征在于：步骤S5具体为：对S4构建的神经网络进行训练，首先将S3中的仿真悬架位移量数据以及仿真轮心加速度数据分别进行归一化处理作为LSTM循环神经网络深度学习模型训练的输入的原始数据；将S1中的实际测试的悬架位移数据进行归一化处理作为LSTM循环神经网络深度学习模型训练的输出的原始数据；将每个归一化后的仿真加速度，仿真位移，测试位移基于时间窗口进行分割，分割为多份得到的数据即为训练数据。
6.根据权利要求5所述的一种基于LSTM循环神经网络深度学习模型的整车载荷分解方法，其特征在于：所述时间窗口的长度为含有35个不同时间点的长度，35为超参数，不同的动力学系统该超参数不同，需要进行调优。
7.根据权利要求5所述的一种基于LSTM循环神经网络深度学习模型的整车载荷分解方法，其特征在于：2个LSTM layer层和第一个FC layer的激活函数为Relu，Relu函数定义为：当x＞0，Relu(x)＝x，当x＜＝0，Relu(x)＝0，最后一个FC layer层的激活函数为线性激活函数linear；将训练数据集拆分为训练集，验证集和测试集，对神经网络模型进行训练，其中，仿真位移数据以及仿真加速度数据归一化后加窗处理后的数据为DNN的输入，实测数据归一化后加窗处理后的数据为DNN的输出，输入输出所对应的时间窗口的时间相同。
8.根据权利要求1所述的一种基于LSTM循环神经网络深度学习模型的整车载荷分解方法，其特征在于：S6具体为将实际测量得到的悬架位移数据以及轮心加速度数据经过归一化加滑动窗口分割为指定长度后，输入DNN则可输出整车四个车轮轮心垂向位移。
CN202310950472.2A 2023-07-31 2023-07-31 一种基于lstm深度神经网络的整车载荷分解方法 Active CN116663434B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310950472.2A CN116663434B (zh) 2023-07-31 2023-07-31 一种基于lstm深度神经网络的整车载荷分解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310950472.2A CN116663434B (zh) 2023-07-31 2023-07-31 一种基于lstm深度神经网络的整车载荷分解方法

Publications (2)

Publication Number Publication Date
CN116663434A CN116663434A (zh) 2023-08-29
CN116663434B true CN116663434B (zh) 2023-12-05

Family

ID=87724603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310950472.2A Active CN116663434B (zh) 2023-07-31 2023-07-31 一种基于lstm深度神经网络的整车载荷分解方法

Country Status (1)

Country Link
CN (1) CN116663434B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239734A (zh) * 2014-09-24 2014-12-24 重庆长安汽车股份有限公司 一种整车四轮六分力道路谱载荷分析方法
CN109685252A (zh) * 2018-11-30 2019-04-26 西安工程大学 基于循环神经网络和多任务学习模型的建筑能耗预测方法
CN109829587A (zh) * 2019-02-12 2019-05-31 国网山东省电力公司电力科学研究院 基于深度lstm网络的小区域级超短期负荷预测及可视化方法
CN109829410A (zh) * 2019-01-23 2019-05-31 东南大学 一种基于多传感器信息融合的竖向车轮力识别方法
CN110263447A (zh) * 2019-06-24 2019-09-20 中国汽车工程研究院股份有限公司 一种基于长短期记忆网络的载荷谱外推方法
CN110852655A (zh) * 2019-11-29 2020-02-28 湖南科技大学 带有太阳能供电系统的家庭用电负荷分解系统与分解方法
CN111241658A (zh) * 2019-12-30 2020-06-05 浙江大学 基于lstm神经网络模型的梁式桥移动荷载识别方法
CN112109704A (zh) * 2020-09-22 2020-12-22 同济大学 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法
CN113570057A (zh) * 2021-09-27 2021-10-29 岚图汽车科技有限公司 一种基于模型训练的车辆轮心垂向位移测量方法和装置
CN115766125A (zh) * 2022-11-01 2023-03-07 中国电子科技集团公司第五十四研究所 一种基于lstm和生成对抗网络的网络流量预测方法
CN115906279A (zh) * 2022-11-09 2023-04-04 上海船舶研究设计院 用于起重船波浪载荷直接预报方法
CN116341099A (zh) * 2023-02-16 2023-06-27 吉林大学 一种基于注意力机制的lstm神经网络车辆悬架系统状态观测器的搭建方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7359787B2 (en) * 2003-09-03 2008-04-15 Nsk Ltd. Stability control apparatus and load measuring instrument for wheel supporting rolling bearing unit
FR2923437B1 (fr) * 2007-11-09 2010-04-09 Michelin Soc Tech Systeme de controle du comportement d'un vehicule comportant une determination du coefficient d'adherence de roue
WO2016060763A2 (en) * 2014-09-19 2016-04-21 Sikorsky Aircraft Corporation Slung load identification with aircraft flight dynamics data
JP2016081359A (ja) * 2014-10-20 2016-05-16 クラリオン株式会社 情報提示装置
US20180284735A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment
US20200234100A1 (en) * 2019-01-23 2020-07-23 Royal Bank Of Canada System and method for time-dependent machine learning architecture
US11546205B1 (en) * 2021-06-16 2023-01-03 Ironwood Cyber Inc. Control system anomaly detection using neural network consensus

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239734A (zh) * 2014-09-24 2014-12-24 重庆长安汽车股份有限公司 一种整车四轮六分力道路谱载荷分析方法
CN109685252A (zh) * 2018-11-30 2019-04-26 西安工程大学 基于循环神经网络和多任务学习模型的建筑能耗预测方法
CN109829410A (zh) * 2019-01-23 2019-05-31 东南大学 一种基于多传感器信息融合的竖向车轮力识别方法
CN109829587A (zh) * 2019-02-12 2019-05-31 国网山东省电力公司电力科学研究院 基于深度lstm网络的小区域级超短期负荷预测及可视化方法
CN110263447A (zh) * 2019-06-24 2019-09-20 中国汽车工程研究院股份有限公司 一种基于长短期记忆网络的载荷谱外推方法
CN110852655A (zh) * 2019-11-29 2020-02-28 湖南科技大学 带有太阳能供电系统的家庭用电负荷分解系统与分解方法
CN111241658A (zh) * 2019-12-30 2020-06-05 浙江大学 基于lstm神经网络模型的梁式桥移动荷载识别方法
CN112109704A (zh) * 2020-09-22 2020-12-22 同济大学 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法
CN113570057A (zh) * 2021-09-27 2021-10-29 岚图汽车科技有限公司 一种基于模型训练的车辆轮心垂向位移测量方法和装置
CN115766125A (zh) * 2022-11-01 2023-03-07 中国电子科技集团公司第五十四研究所 一种基于lstm和生成对抗网络的网络流量预测方法
CN115906279A (zh) * 2022-11-09 2023-04-04 上海船舶研究设计院 用于起重船波浪载荷直接预报方法
CN116341099A (zh) * 2023-02-16 2023-06-27 吉林大学 一种基于注意力机制的lstm神经网络车辆悬架系统状态观测器的搭建方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Novel Soft Sensor Modeling Approach Based on Difference-LSTM for Complex Industrial Process;Jiayi Zhou;《IEEE Transactions on Industrial Informatics ( Volume: 18, Issue: 5, May 2022)》;全文 *
基于整车动力学模型的虚拟迭代技术分析;李鹏宇;尹辉俊;官勇健;柳泽田;;汽车实用技术(08);全文 *
基于虚拟耐久路面的动态载荷分解方法研究;邢如飞;《沈阳航空航天大学学报》;全文 *
电动汽车混沌振动信号的小波神经网络预测;牛治东;吴光强;;振动与冲击(08);全文 *

Also Published As

Publication number Publication date
CN116663434A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN108182259B (zh) 基于深度长短期记忆神经网络对多变量时间序列分类方法
US11709979B1 (en) Bridge damage identification method considering uncertainty
Marques et al. Identification and prediction of unsteady transonic aerodynamic loads by multi-layer functionals
CN116090111B (zh) 一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法
CN106485289A (zh) 一种菱镁矿矿石的品级的分类方法及设备
Chen et al. Artificial immune pattern recognition for structure damage classification
CN111638034B (zh) 基于深度学习的应变天平温度梯度误差补偿方法及系统
Long et al. Stochastic hybrid system approach to task-orientated remaining useful life prediction under time-varying operating conditions
CN110443348A (zh) 一种基于msvl的神经网络系统的建模和验证方法
Zhao et al. A neural architecture search method based on gradient descent for remaining useful life estimation
CN111967308A (zh) 一种在线路面不平度辨识方法及系统
CN115099135A (zh) 一种改进的人工神经网络多类型作业功耗预测方法
Le Riche et al. Neural identification of non-linear dynamic structures
CN111241658A (zh) 基于lstm神经网络模型的梁式桥移动荷载识别方法
CN116663434B (zh) 一种基于lstm深度神经网络的整车载荷分解方法
CN114676648B (zh) 一种基于机器学习的车辆载荷谱预测方法和装置
CN115270284A (zh) 一种减振器动力特性识别模型建立方法及仿真方法
CN116702628A (zh) 一种基于卷积深度神经网络的汽车轮心垂向位移求解方法
CN114219118A (zh) 一种d-s证据理论的智能电表寿命预测方法及系统
Reuter et al. A novel approach for automatic detection of linear and nonlinear dependencies between data by means of autoencoders
Cram et al. Parameter Identification of a Large-Scale Vibroacoustic Finite Element Model with a One-dimensional Convolutional Neural Network
Almansa et al. Health assessment of automotive batteries through computational intelligence-based soft sensors: an empirical study
CN116842663B (zh) 一种基于机器学习的汽车板簧非线性时变应力值测量方法
Alasty et al. Genetic algorithm based parameter identification of a nonlinear full vehicle ride model
Luo et al. SGD Distributional Dynamics of Three Layer Neural Networks

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