CN116842663B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116842663B CN116842663B CN202311108756.3A CN202311108756A CN116842663B CN 116842663 B CN116842663 B CN 116842663B CN 202311108756 A CN202311108756 A CN 202311108756A CN 116842663 B CN116842663 B CN 116842663B
- Authority
- CN
- China
- Prior art keywords
- varying
- time
- load
- data set
- grid
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 132
- 238000012360 testing method Methods 0.000 claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 210000004027 cell Anatomy 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 4
- 208000025174 PANDAS Diseases 0.000 description 3
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 3
- 240000004718 Panda Species 0.000 description 3
- 235000016496 Panda oleosa Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供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，包括：对整车进行虚拟数字样机的搭建，将整车的实测道路载荷施加于虚拟数字样机，以获取测试板簧的板簧座处的载荷数据集；自载荷数据集内确定测试板簧的板簧座处的最大垂向时变载荷及最小垂向时变载荷；构建与测试板簧对应的孪生模型，基于最大垂向时变载荷、最小垂向时变载荷获取第一原始训练数据集；构建若干ANN深度神经网络，训练后的ANN深度神经网络用于根据输入的随机时变载荷及随机扭矩生成板簧上全部网格单元的不同的时变应力值。以此方法可考虑各种非线性因素，高速度、高精度的获取非线性时变应力值。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及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。
背景技术
汽车的疲劳耐久寿命是汽车可靠性的关键性能指标之一，因此在汽车产品开发设计阶段就需要对其疲劳耐久寿命进行基于数字孪生模型的仿真预测及优化，来提升其耐久寿命，降低汽车开发成本。
汽车零部件的疲劳寿命预测的关键在于对其在随机载荷作用下的时变应力值进行精确求解，对汽车板簧而言，因汽车板簧属于变刚度系统，其刚度随着受力状态而变化，导致其应力与受载的关系为非线性关系，因此很难精确预测其疲劳寿命。
现有的汽车板簧的时变应力值测量方式中，在考虑X向扭矩、Y向扭矩、垂向扭矩、X向载荷、Y向载荷及垂向载荷引起的应力变化时，仅仅以板簧处于自由状态下计算施加X向扭矩、Y向扭矩、垂向扭矩、X向载荷、Y向载荷引起的应力，然后叠加垂向载荷引起的非线性应力，较好的解决了非线性钢板弹簧垂向非线性应力求解的难题，在非制动和转弯工况，能较为精确的预测板簧系统的非线性时变应力，但是在转弯和制动工况中，X向载荷、Y向载荷以及制动时候产生的扭矩及垂向扭矩对板簧的非线性时变应力的影响非常巨大，在未考虑X向扭矩、Y向扭矩、垂向扭矩、X向载荷、Y向载荷对应力产生的非线性影响时，将造成板簧在转弯和制动工况下的时变应力的预测的精确性下降，进而影响板簧的疲劳寿命精确计算。
发明内容
本申请实施例提供了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，以解决现有技术中未考虑X向扭矩、Y向扭矩、垂向扭矩、X向载荷、Y向载荷对板簧应力产生的非线性影响，将造成板簧在转弯和制动工况下的时变应力的预测的精确性下降，进而影响板簧的疲劳寿命精确计算的技术问题。
第一方面，本申请实施例提供了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，包括以下步骤：
对安装有测试板簧的整车进行虚拟数字样机的搭建，将所述整车的实测道路载荷施加于所述虚拟数字样机，以获取所述测试板簧的板簧座处的载荷数据集，所述载荷数据集包括若干个垂向时变载荷；
自所述载荷数据集内确定所述测试板簧的板簧座处的最大垂向时变载荷及最小垂向时变载荷；
构建与所述测试板簧对应的孪生模型，基于所述最大垂向时变载荷、所述最小垂向时变载荷及所述孪生模型获取由若干个垂向时变载荷及若干个第一网格数据组构成的第一原始训练数据集，所述第一网格数据组包括所述孪生模型上全部的网格单元的第一时变应力值；
分别将X向固定载荷、Y向固定载荷、X向固定扭矩、Y向固定扭矩及垂向固定扭矩与所述最大垂向时变载荷及所述最小垂向时变载荷同步施加于所述孪生模型上，以获取包括第二时变应力值的第二原始训练数据集、包括第三时变应力值的第三原始训练数据集、包括第四时变应力值的第四原始训练数据集、包括第五时变应力值的第五原始训练数据集及包括第六时变应力值的第六原始训练数据集；
构建若干个ANN深度神经网络，若干个所述ANN深度神经网络分别与所述第一原始训练数据集、所述第二原始训练数据集、所述第三原始训练数据集、所述第四原始训练数据集、所述第五原始训练数据集及所述第六原始训练数据集一一对应，通过损失函数训练所述ANN深度神经网络，训练后的若干个所述ANN深度神经网络用于根据输入的随机时变载荷及随机扭矩，分别对应生成板簧上全部网格单元的第一时变应力值、第二时变应力值、第三时变应力值、第四时变应力值、第五时变应力值及第六时变应力值。
进一步地，所述自所述载荷数据集内确定所述测试板簧的板簧座处的最大垂向时变载荷及最小垂向时变载荷的步骤包括：
将所述载荷数据集导入数据处理库，以将若干个所述垂向时变载荷转换为若干个数据对象；
将若干个所述数据对象合并为类对象，对所述类对象进行函数求解，以确定所述测试板簧的板簧座处的最大垂向时变载荷及最小垂向时变载荷。
进一步地，所述自所述载荷数据集内确定所述测试板簧的板簧座处的最大垂向时变载荷及最小垂向时变载荷的步骤包括：
设置第一变量及第二变量，并将所述第一变量及所述第二变量赋值为零；
将某一所述垂向时变载荷与所述第一变量进行比对，若该所述垂向时变载荷大于所述第一变量，则将该所述垂向时变载荷的值赋予所述第一变量，遍历全部的所述垂向时变载荷，以获取所述测试板簧的板簧座处的最大垂向时变载荷；
将某一所述垂向时变载荷与所述第二变量进行比对，若该所述垂向时变载荷小于所述第二变量，则将该所述垂向时变载荷的值赋予所述第二变量，遍历全部的所述垂向时变载荷，以获取所述测试板簧的板簧座处的最小垂向时变载荷。
进一步地，所述基于所述最大垂向时变载荷、所述最小垂向时变载荷及所述孪生模型获取由若干个垂向时变载荷及若干个第一网格数据组构成的第一原始训练数据集，所述第一网格数据组包括所述孪生模型上全部的网格单元的第一时变应力值的步骤包括：
将所述最小垂向时变载荷施加于所述孪生模型的板簧座处，以获取所述孪生模型的第一状态；
将所述最大垂向时变载荷施加于所述孪生模型的板簧座处，以获取所述孪生模型的第二状态；
于所述第一状态至所述第二状态之间，获取与若干个所述垂向时变载荷一一对应的若干个第一网格数据组，所述第一网格数据组包括所述孪生模型上全部的网格单元的第一时变应力值，若干个所述垂向时变载荷及若干个所述第一网格数据组形成第一原始训练数据集。
进一步地，所述分别将X向固定载荷、Y向固定载荷、X向固定扭矩、Y向固定扭矩及垂向固定扭矩与所述最大垂向时变载荷及所述最小垂向时变载荷同步施加于所述孪生模型上，以获取包括第二时变应力值的第二原始训练数据集、包括第三时变应力值的第三原始训练数据集、包括第四时变应力值的第四原始训练数据集、包括第五时变应力值的第五原始训练数据集及包括第六时变应力值的第六原始训练数据集的步骤包括：
基于所述最小垂向时变载荷及所述最大垂向时变载荷分别获取所述孪生模型的所述第一状态及所述第二状态；
于所述第一状态至所述第二状态之间，同步于所述孪生模型的板簧座处分别施加X向固定载荷、Y向固定载荷、X向固定扭矩、Y向固定扭矩及垂向固定扭矩，以分别获取均包括所述孪生模型上全部的网格单元的对应时变应力值的第一应力数据组、第二应力数据组、第三应力数据组、第四应力数据组、第五应力数据组；
分别将所述第一应力数据组、所述第二应力数据组、所述第三应力数据组、所述第四应力数据组、所述第五应力数据组内的对应时变应力值与所述第一时变应力值进行比对，以获取若干个第二网格数据组、若干个第三网格数据组、若干个第四网格数据组、若干个第五网格数据组及若干个第六网格数据组，所述第二网格数据组包括所述孪生模型上全部的网格单元的第二时变应力值、所述第三网格数据组包括所述孪生模型上全部的网格单元的第三时变应力值、所述第四网格数据组包括所述孪生模型上全部的网格单元的第四时变应力值、所述第五网格数据组包括所述孪生模型上全部的网格单元的第五时变应力值、所述第六网格数据组包括所述孪生模型上全部的网格单元的第六时变应力值；
所述X向固定载荷、若干个所述垂向时变载荷与若干个所述第二网格数据组构成第二原始训练数据集，所述Y向固定载荷、若干个所述垂向时变载荷与若干个所述第三网格数据组构成第三原始训练数据集，所述X向固定扭矩、若干个所述垂向时变载荷与若干个所述第四网格数据组构成第四原始训练数据集，所述Y向固定扭矩、若干个所述垂向时变载荷与若干个所述第五网格数据组构成第五原始训练数据集，所述垂向固定扭矩、若干个所述垂向时变载荷与若干个所述第六网格数据组构成第六原始训练数据集。
进一步地，所述ANN深度神经网络的构建步骤包括：
构建输入层及输出层；
以若干个第一神经元组成第一单隐层、以若干个第二神经元组成第二单隐层、以若干个第三神经元组成第三单隐层，所述第一单隐层、所述第二单隐层及所述第三单隐层构成隐藏层；
将所述输入层通过所述隐藏层连接所述输出层，以形成ANN深度神经网络。
第二方面，本申请实施例提供了一种基于机器学习的汽车板簧非线性时变应力值测量系统，应用如上述技术方案中的基于机器学习的汽车板簧非线性时变应力值测量方法，所述系统包括：
获取模块，用于对安装有测试板簧的整车进行虚拟数字样机的搭建，将所述整车的实测道路载荷施加于所述虚拟数字样机，以获取所述测试板簧的板簧座处的载荷数据集，所述载荷数据集包括若干个垂向时变载荷；
分析模块，用于自所述载荷数据集内确定所述测试板簧的板簧座处的最大垂向时变载荷及最小垂向时变载荷；
第一生成模块，用于构建与所述测试板簧对应的孪生模型，基于所述最大垂向时变载荷、所述最小垂向时变载荷及所述孪生模型获取由若干个垂向时变载荷及若干个第一网格数据组构成的第一原始训练数据集，所述第一网格数据组包括所述孪生模型上全部的网格单元的第一时变应力值；
第二生成模块，用于分别将X向固定载荷、Y向固定载荷、X向固定扭矩、Y向固定扭矩及垂向固定扭矩与所述最大垂向时变载荷及所述最小垂向时变载荷同步施加于所述孪生模型上，以获取包括第二时变应力值的第二原始训练数据集、包括第三时变应力值的第三原始训练数据集、包括第四时变应力值的第四原始训练数据集、包括第五时变应力值的第五原始训练数据集及包括第六时变应力值的第六原始训练数据集；
执行模块，用于构建若干个ANN深度神经网络，若干个所述ANN深度神经网络分别与所述第一原始训练数据集、所述第二原始训练数据集、所述第三原始训练数据集、所述第四原始训练数据集、所述第五原始训练数据集及所述第六原始训练数据集一一对应，通过损失函数训练所述ANN深度神经网络，训练后的若干个所述ANN深度神经网络用于根据输入的随机时变载荷及随机扭矩，分别对应生成板簧上全部网格单元的第一时变应力值、第二时变应力值、第三时变应力值、第四时变应力值、第五时变应力值及第六时变应力值。
第三方面，本申请实施例提供了一种计算机，包括存储器、处理器以及存储在所述存储器上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上述第一方面所述的基于机器学习的汽车板簧非线性时变应力值测量方法。
第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面所述的基于机器学习的汽车板簧非线性时变应力值测量方法。
相比于相关技术，本发明的有益效果在于：通过所述孪生模型、所述最大垂向时变载荷及所述最小垂向时变载荷可考虑所述测试板簧的两种极致状态，以确保所述第一原始训练数据集的数据覆盖性及准确性，通过于所述第一状态及所述第二状态之间同步于所述孪生模型的板簧座处分别施加所述X向固定载荷、所述Y向固定载荷、所述X向固定扭矩、所述Y向固定扭矩及所述垂向固定扭矩，考虑了不同方向的载荷和扭矩对时变应力值产生的非线性影响，即综合考虑了各种工况下对时变应力的非线性影响因素。通过所述ANN深度神经网络对非线性系统进行处理，可考虑各种非线性因素，高速度、高精度的获取所述第一时变应力值、所述第二时变应力值、所述第三时变应力值、所述第四时变应力值、所述第五时变应力值及所述第六时变应力值，进而适配各种工况下的时变应力的获取精度，提高对汽车板簧疲劳寿命预测的准确性。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
图1为本发明第一实施例中基于机器学习的汽车板簧非线性时变应力值测量方法的流程图；
图2为本发明第一实施例中基于机器学习的汽车板簧非线性时变应力值测量方法中最大垂向时变载荷及最小垂向时变载荷的确定流程图；
图3为本发明第一实施例中基于机器学习的汽车板簧非线性时变应力值测量方法中孪生模型于第一状态及第二状态下的结构示意图；
图4为本发明第一实施例中基于机器学习的汽车板簧非线性时变应力值测量方法中ANN深度神经网络的结构示意图；
图5为本发明第二实施例中基于机器学习的汽车板簧非线性时变应力值测量方法中最大垂向时变载荷及最小垂向时变载荷的确定流程图
图6为本发明第三实施例中基于机器学习的汽车板簧非线性时变应力值测量系统的结构框图；
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
请参阅图1及图2，本发明第一实施例提供的基于机器学习的汽车板簧非线性时变应力值测量方法，包括以下步骤：
步骤S10：对安装有测试板簧的整车进行虚拟数字样机的搭建，将所述整车的实测道路载荷施加于所述虚拟数字样机，以获取所述测试板簧的板簧座处的载荷数据集，所述载荷数据集包括若干个垂向时变载荷；
通过多体动力学软件对所述整车进行所述虚拟数字样机的搭建，可以理解地，在对所述虚拟数字样机施加实测道路载荷后，通过多体动力学仿真手段即可获取所述测试板簧的板簧座处的垂向时变载荷，多体动力学仿真手段已较为成熟，此处不在进行赘述。实测道路载荷为不断变化的载荷，相应地可获取若干个所述垂向时变载荷，以形成所述载荷数据集。
步骤S20：自所述载荷数据集内确定所述测试板簧的板簧座处的最大垂向时变载荷及最小垂向时变载荷；
具体地，所述步骤S20包括：
S210：将所述载荷数据集导入数据处理库，以将若干个所述垂向时变载荷转换为若干个数据对象；
在本实施例中，将所述载荷数据集导入python第三方库pandas，以通过pandas生成若干个与所述垂向时变载荷相对应的数据对应。
S220：将若干个所述数据对象合并为类对象，对所述类对象进行函数求解，以确定所述测试板簧的板簧座处的最大垂向时变载荷及最小垂向时变载荷。
可以理解地，所述类对象包含了所有道路路试工况下的垂向时变载荷，通过调用pandas的内嵌函数，可快速求解出所述最大垂向时变载荷及所述最小垂向时变载荷。在本实施例中，所述最大垂向时变载荷为32000N，所述最小垂向时变载荷为-10000N。
步骤S30：构建与所述测试板簧对应的孪生模型，基于所述最大垂向时变载荷、所述最小垂向时变载荷及所述孪生模型获取由若干个垂向时变载荷及若干个第一网格数据组构成的第一原始训练数据集，所述第一网格数据组包括所述孪生模型上全部的网格单元的第一时变应力值；
通过通用工业有限元前处理软件Hypermesh或ANSA软件构建所述孪生模型，其构建过程较为成熟，此处不再进行赘述。
请参阅图3，具体地，所述步骤S30包括：
S310：将所述最小垂向时变载荷施加于所述孪生模型的板簧座处，以获取所述孪生模型的第一状态；
S320：将所述最大垂向时变载荷施加于所述孪生模型的板簧座处，以获取所述孪生模型的第二状态；
分别将所述最小垂向时变载荷及所述最大垂向时变载荷施加于所述孪生模型的板簧座处，以构建第一载荷步及第二载荷步，将所述第一载荷步及所述第二载荷步分别提交至Abaqus软件进行非线性求解，进而确定所述孪生模型的第一状态及第二状态，所述第一状态为反跳状态，所述第二状态为上跳状态，其代表了所述孪生模型的两种极致状态。对所述孪生模型进行网格化分隔，可将所述孪生模型分隔为若干个网格单元。
S330：于所述第一状态至所述第二状态之间，获取与若干个所述垂向时变载荷一一对应的若干个第一网格数据组，所述第一网格数据组包括所述孪生模型上全部的网格单元的第一时变应力值，若干个所述垂向时变载荷及若干个所述第一网格数据组形成第一原始训练数据集。
将所述第一状态逐步变化至所述第二状态，即将所述最小垂向时变载荷逐步增加至所述最大垂向时变载荷，记录不同时间点下的所述垂向时变载荷，同时记录与所述垂向时变载荷对应的第一时变应力值，可以理解地，因将所述孪生模型分隔为若干个网格单元，则与某一所述垂向时变载荷对应有若干个所述第一时变应力值，若干个所述第一时变应力值与若干个所述网格单元一一对应。将与同一所述垂向时变载荷对应的全部的所述网格单元的第一时变应力值汇总为所述第一网格数据组。进而将若干个相互对应的所述垂向时变载荷及所述第一网格数据组汇总为所述第一原始训练数据集。可以理解地，所述第一时变应力值同样通过Abaqus软件获取。优选地，对所述第一原始训练数据集进行归一化处理，以便于提高后续ANN深度神经网络的收敛速度。
步骤S40：分别将X向固定载荷、Y向固定载荷、X向固定扭矩、Y向固定扭矩及垂向固定扭矩与所述最大垂向时变载荷及所述最小垂向时变载荷同步施加于所述孪生模型上，以获取包括第二时变应力值的第二原始训练数据集、包括第三时变应力值的第三原始训练数据集、包括第四时变应力值的第四原始训练数据集、包括第五时变应力值的第五原始训练数据集及包括第六时变应力值的第六原始训练数据集；
在板簧装载于整车后的运行过程中，其所承受的力并非仅涉及垂向载荷，同时，X向载荷、Y向载荷、X向扭矩、Y向扭矩及垂向扭矩均会带来板簧的时变应力值的变化，且其对板簧带来的影响均为非线性影响。在本实施例中，所述X向固定载荷、所述Y向固定载荷、所述X向固定扭矩、所述Y向固定扭矩及所述垂向固定扭矩均为1N。
具体地，所述步骤S40包括：
S410：基于所述最小垂向时变载荷及所述最大垂向时变载荷分别获取所述孪生模型的所述第一状态及所述第二状态；
所述第一状态及所述第二状态的确定如步骤S30所述，此处不再进行赘述。
S420：于所述第一状态至所述第二状态之间，同步于所述孪生模型的板簧座处分别施加X向固定载荷、Y向固定载荷、X向固定扭矩、Y向固定扭矩及垂向固定扭矩，以分别获取均包括所述孪生模型上全部的网格单元的对应时变应力值的第一应力数据组、第二应力数据组、第三应力数据组、第四应力数据组、第五应力数据组；
可以理解地，在所述第一状态至所述第二状态之间，施加于板簧座处的所述垂向时变载荷同样在发生变化，即在本步骤中，仍可获取若干个所述垂向时变载荷，在对所述板簧座施加所述垂向时变载荷的同时，分别向所述孪生模型的板簧座同步施加X向固定载荷、Y向固定载荷、X向固定扭矩、Y向固定扭矩及垂向固定扭矩，其影响所述孪生模型，使所述孪生模型上的全部网格单元的时变应力值发生变化，以此形成与施加所述X向固定载荷、所述Y向固定载荷、所述X向固定扭矩、所述Y向固定扭矩及所述垂向固定扭矩一一对应的所述第一应力数据组、所述第二应力数据组、所述第三应力数据组、所述第四应力数据组及所述第五应力数据组。
S430：分别将所述第一应力数据组、所述第二应力数据组、所述第三应力数据组、所述第四应力数据组、所述第五应力数据组内的对应时变应力值与所述第一时变应力值进行比对，以获取若干个第二网格数据组、若干个第三网格数据组、若干个第四网格数据组、若干个第五网格数据组及若干个第六网格数据组，所述第二网格数据组包括所述孪生模型上全部的网格单元的第二时变应力值、所述第三网格数据组包括所述孪生模型上全部的网格单元的第三时变应力值、所述第四网格数据组包括所述孪生模型上全部的网格单元的第四时变应力值、所述第五网格数据组包括所述孪生模型上全部的网格单元的第五时变应力值、所述第六网格数据组包括所述孪生模型上全部的网格单元的第六时变应力值；
以所述第一应力数据组内的对应时变应力值为例，所述第二时变应力值的计算公式为：
C=B-A，其中，C表示第二时变应力值，B表示第一应力数据组内的对应时变应力值，A表示第一时变应力值。
随着所述垂向时变载荷的不同，所述第二时变应力值也随之变化，进而形成所述第二网格数据组。不同的网格数据组的时变应力值的确定方式相同，此处不再进行赘述。
S440：分别使所述X向固定载荷、若干个所述垂向时变载荷与若干个所述第二网格数据组构成第二原始训练数据集，所述Y向固定载荷、若干个所述垂向时变载荷与若干个所述第三网格数据组构成第三原始训练数据集，所述X向固定扭矩、若干个所述垂向时变载荷与若干个所述第四网格数据组构成第四原始训练数据集，所述Y向固定扭矩、若干个所述垂向时变载荷与若干个所述第五网格数据组构成第五原始训练数据集，所述垂向固定扭矩、若干个所述垂向时变载荷与若干个所述第六网格数据组构成第六原始训练数据集；
可以理解地，以所述第二原始训练数据集为例，某一所述第二网格数据组内的所述第二时变应力值，其是因所述X向固定载荷施加于所述孪生模型的板簧座处后，产生的时变应力值，而随所述垂向时变载荷的不同，其同样发生变化，且此变化为非线性变化。
步骤S50：构建若干个ANN深度神经网络，若干个所述ANN深度神经网络分别与所述第一原始训练数据集、所述第二原始训练数据集、所述第三原始训练数据集、所述第四原始训练数据集、所述第五原始训练数据集及所述第六原始训练数据集一一对应，通过损失函数训练所述ANN深度神经网络，训练后的若干个所述ANN深度神经网络用于根据输入的随机时变载荷及随机扭矩，分别对应生成板簧上全部网格单元的第一时变应力值、第二时变应力值、第三时变应力值、第四时变应力值、第五时变应力值及第六时变应力值；
具体地，请参阅图4，所述ANN深度神经网络的构建步骤包括：
S510：构建输入层及输出层；
S520：以若干个第一神经元组成第一单隐层、以若干个第二神经元组成第二单隐层、以若干个第三神经元组成第三单隐层，所述第一单隐层、所述第二单隐层及所述第三单隐层构成隐藏层；
S530：将所述输入层通过所述隐藏层连接所述输出层，以形成ANN深度神经网络。
在本实施例中，所述第一神经元、所述第二神经元及所述第三神经元的数量均为30个，所述隐藏层的激活函数为Relu函数。选择Adam为所述ANN深度神经网络的优化器，设置所述ANN深度神经网络的学习率为0.005。
可以理解地，当通过所述第一原始训练数据集训练所述ANN深度神经网络时，所述垂向时变载荷为输入值，与所述垂向时变载荷对应的全部网格单元的所述第一时变应力值为输出值。
所述损失函数的作用是使所述ANN深度神经网络模型的预输出尽量靠近与所述垂向时变载荷对应的全部网格单元的所述时变应力值，所述损失函数为：
，
其中，表示损失函数，/>表示用于训练的第一网格数据组的数量，/>表示孪生模型上网格单元的数量，/>表示与第j个垂向时变载荷对应的第i网格单元的第一时变应力值，/>表示与第j个垂向时变载荷对应的ANN深度神经网络预输出的第i个网格的第一时变应力值。
在训练所述ANN深度神经网络模型时，将所述第一原始训练数据集拆分为训练集、验证集及测试集，所述训练集、所述验证集及所述测试集均包括若干个相互对应的所述垂向时变载荷及所述第一网格数据组。
训练不同的所述ANN深度神经网络模型所使用的损失函数相同，仅其使用的输入值及输出值相应进行替换，此处不再进行赘述。可以理解地，叠加所述第一时变应力值、所述第二时变应力值、所述第三时变应力值、所述第四时变应力值、所述第五时变应力值及所述第六时变应力值，即可获取非线性时变应力值。
通过所述孪生模型、所述最大垂向时变载荷及所述最小垂向时变载荷可考虑所述测试板簧的两种极致状态，以确保所述第一原始训练数据集的数据覆盖性及准确性，通过于所述第一状态及所述第二状态之间同步于所述孪生模型的板簧座处分别施加所述X向固定载荷、所述Y向固定载荷、所述X向固定扭矩、所述Y向固定扭矩及所述垂向固定扭矩，考虑了不同方向的载荷和扭矩对时变应力值产生的非线性影响，即综合考虑了各种工况下对时变应力的非线性影响因素。通过所述ANN深度神经网络对非线性系统进行处理，可考虑各种非线性因素，高速度、高精度的获取所述第一时变应力值、所述第二时变应力值、所述第三时变应力值、所述第四时变应力值、所述第五时变应力值及所述第六时变应力值，进而适配各种工况下的时变应力的获取精度，提高对汽车板簧疲劳寿命预测的准确性。
请参阅图5，本发明第二实施例提供的基于机器学习的汽车板簧非线性时变应力值测量方法，其与第一实施例中的基于机器学习的汽车板簧非线性时变应力值测量方法的不同之处在于，所述自所述载荷数据集内确定所述测试板簧的板簧座处的最大垂向时变载荷及最小垂向时变载荷的步骤包括：
S201：设置第一变量及第二变量，并将所述第一变量及所述第二变量赋值为零；
S202：将某一所述垂向时变载荷与所述第一变量进行比对，若该所述垂向时变载荷大于所述第一变量，则将该所述垂向时变载荷的值赋予所述第一变量，遍历全部的所述垂向时变载荷，以获取所述测试板簧的板簧座处的最大垂向时变载荷；
可以理解地，在遍历全部的所述垂向时变载荷时，将全部的所述垂向时变载荷一一与所述第一变量进行对比，进而替换所述第一变量的赋值，直至所述第一变量的赋值最大，即获取所述最大垂向时变载荷。
S203：将某一所述垂向时变载荷与所述第二变量进行比对，若该所述垂向时变载荷小于所述第二变量，则将该所述垂向时变载荷的值赋予所述第二变量，遍历全部的所述垂向时变载荷，以获取所述测试板簧的板簧座处的最小垂向时变载荷；
本步骤中遍历全部的所述垂向时变载荷与步骤S202一致，此处不再进行赘述。
请参阅图6，本发明第三实施例提供了一种基于机器学习的汽车板簧非线性时变应力值测量系统，该系统应用如上述实施例中的所述基于机器学习的汽车板簧非线性时变应力值测量方法，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
所述系统包括：
获取模块10，用于对安装有测试板簧的整车进行虚拟数字样机的搭建，将所述整车的实测道路载荷施加于所述虚拟数字样机，以获取所述测试板簧的板簧座处的载荷数据集，所述载荷数据集包括若干个垂向时变载荷；
分析模块20，用于自所述载荷数据集内确定所述测试板簧的板簧座处的最大垂向时变载荷及最小垂向时变载荷；
所述分析模块20包括：
第一单元，用于将所述载荷数据集导入数据处理库，以将若干个所述垂向时变载荷转换为若干个数据对象；
第二单元，用于将若干个所述数据对象合并为类对象，对所述类对象进行函数求解，以确定所述测试板簧的板簧座处的最大垂向时变载荷及最小垂向时变载荷；
在一些实施例中，所述分析模块20包括：
第一分单元，用于设置第一变量及第二变量，并将所述第一变量及所述第二变量赋值为零；
第二分单元，用于将某一所述垂向时变载荷与所述第一变量进行比对，若该所述垂向时变载荷大于所述第一变量，则将该所述垂向时变载荷的值赋予所述第一变量，遍历全部的所述垂向时变载荷，以获取所述测试板簧的板簧座处的最大垂向时变载荷；
第三分单元，用于将某一所述垂向时变载荷与所述第二变量进行比对，若该所述垂向时变载荷小于所述第二变量，则将该所述垂向时变载荷的值赋予所述第二变量，遍历全部的所述垂向时变载荷，以获取所述测试板簧的板簧座处的最小垂向时变载荷；
第一生成模块30，用于构建与所述测试板簧对应的孪生模型，基于所述最大垂向时变载荷、所述最小垂向时变载荷及所述孪生模型获取由若干个垂向时变载荷及若干个第一网格数据组构成的第一原始训练数据集，所述第一网格数据组包括所述孪生模型上全部的网格单元的第一时变应力值；
所述第一生成模块30包括：
第三单元，用于构建与所述测试板簧对应的孪生模型，将所述最小垂向时变载荷施加于所述孪生模型的板簧座处，以获取所述孪生模型的第一状态；
第四单元，用于将所述最大垂向时变载荷施加于所述孪生模型的板簧座处，以获取所述孪生模型的第二状态；
第五单元，用于于所述第一状态至所述第二状态之间，获取与若干个所述垂向时变载荷一一对应的若干个第一网格数据组，所述第一网格数据组包括所述孪生模型上全部的网格单元的第一时变应力值，若干个所述垂向时变载荷及若干个所述第一网格数据组形成第一原始训练数据集。
第二生成模块40，用于分别将X向固定载荷、Y向固定载荷、X向固定扭矩、Y向固定扭矩及垂向固定扭矩与所述最大垂向时变载荷及所述最小垂向时变载荷同步施加于所述孪生模型上，以获取包括第二时变应力值的第二原始训练数据集、包括第三时变应力值的第三原始训练数据集、包括第四时变应力值的第四原始训练数据集、包括第五时变应力值的第五原始训练数据集及包括第六时变应力值的第六原始训练数据集；
所述第二生成模块40包括：
第六单元，用于基于所述最小垂向时变载荷及所述最大垂向时变载荷分别获取所述孪生模型的所述第一状态及所述第二状态；
第七单元，用于于所述第一状态至所述第二状态之间，同步于所述孪生模型的板簧座处分别施加X向固定载荷、Y向固定载荷、X向固定扭矩、Y向固定扭矩及垂向固定扭矩，以分别获取均包括所述孪生模型上全部的网格单元的对应时变应力值的第一应力数据组、第二应力数据组、第三应力数据组、第四应力数据组、第五应力数据组；
第八单元，用于分别将所述第一应力数据组、所述第二应力数据组、所述第三应力数据组、所述第四应力数据组、所述第五应力数据组内的对应时变应力值与所述第一时变应力值进行比对，以获取若干个第二网格数据组、若干个第三网格数据组、若干个第四网格数据组、若干个第五网格数据组及若干个第六网格数据组，所述第二网格数据组包括所述孪生模型上全部的网格单元的第二时变应力值、所述第三网格数据组包括所述孪生模型上全部的网格单元的第三时变应力值、所述第四网格数据组包括所述孪生模型上全部的网格单元的第四时变应力值、所述第五网格数据组包括所述孪生模型上全部的网格单元的第五时变应力值、所述第六网格数据组包括所述孪生模型上全部的网格单元的第六时变应力值；
第九单元，用于分别使所述X向固定载荷、若干个所述垂向时变载荷与若干个所述第二网格数据组构成第二原始训练数据集，所述Y向固定载荷、若干个所述垂向时变载荷与若干个所述第三网格数据组构成第三原始训练数据集，所述X向固定扭矩、若干个所述垂向时变载荷与若干个所述第四网格数据组构成第四原始训练数据集，所述Y向固定扭矩、若干个所述垂向时变载荷与若干个所述第五网格数据组构成第五原始训练数据集，所述垂向固定扭矩、若干个所述垂向时变载荷与若干个所述第六网格数据组构成第六原始训练数据集
执行模块50，用于构建若干个ANN深度神经网络，若干个所述ANN深度神经网络分别与所述第一原始训练数据集、所述第二原始训练数据集、所述第三原始训练数据集、所述第四原始训练数据集、所述第五原始训练数据集及所述第六原始训练数据集一一对应，通过损失函数训练所述ANN深度神经网络，训练后的若干个所述ANN深度神经网络用于根据输入的随机时变载荷及随机扭矩，分别对应生成板簧上全部网格单元的第一时变应力值、第二时变应力值、第三时变应力值、第四时变应力值、第五时变应力值及第六时变应力值。
所述执行模块50包括：
第十单元，用于构建输入层及输出层；
第十一单元，用于以若干个第一神经元组成第一单隐层、以若干个所述第二神经元组成第二单隐层、以若干个所述第三神经元组成第三单隐层，所述第一单隐层、所述第二单隐层及所述第三单隐层构成隐藏层；
第十二单元，用于将所述输入层通过所述隐藏层连接所述输出层，以形成ANN深度神经网络。
本发明还提供了一种计算机，包括存储器、处理器以及存储在所述存储器上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上述技术方案中所述的基于机器学习的汽车板簧非线性时变应力值测量方法。
本发明还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述技术方案中所述的基于机器学习的汽车板簧非线性时变应力值测量方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于机器学习的汽车板簧非线性时变应力值测量方法，其特征在于，包括以下步骤：
对安装有测试板簧的整车进行虚拟数字样机的搭建，将所述整车的实测道路载荷施加于所述虚拟数字样机，以获取所述测试板簧的板簧座处的载荷数据集，所述载荷数据集包括若干个垂向时变载荷；
自所述载荷数据集内确定所述测试板簧的板簧座处的最大垂向时变载荷及最小垂向时变载荷；
构建与所述测试板簧对应的孪生模型，基于所述最大垂向时变载荷、所述最小垂向时变载荷及所述孪生模型获取由若干个垂向时变载荷及若干个第一网格数据组构成的第一原始训练数据集，所述第一网格数据组包括所述孪生模型上全部的网格单元的第一时变应力值；
所述基于所述最大垂向时变载荷、所述最小垂向时变载荷及所述孪生模型获取由若干个垂向时变载荷及若干个第一网格数据组构成的第一原始训练数据集，所述第一网格数据组包括所述孪生模型上全部的网格单元的第一时变应力值的步骤包括：
将所述最小垂向时变载荷施加于所述孪生模型的板簧座处，以获取所述孪生模型的第一状态；
将所述最大垂向时变载荷施加于所述孪生模型的板簧座处，以获取所述孪生模型的第二状态；
于所述第一状态至所述第二状态之间，获取与若干个所述垂向时变载荷一一对应的若干个第一网格数据组，所述第一网格数据组包括所述孪生模型上全部的网格单元的第一时变应力值，若干个所述垂向时变载荷及若干个所述第一网格数据组形成第一原始训练数据集；
分别将X向固定载荷、Y向固定载荷、X向固定扭矩、Y向固定扭矩及垂向固定扭矩与所述最大垂向时变载荷及所述最小垂向时变载荷同步施加于所述孪生模型上，以获取包括第二时变应力值的第二原始训练数据集、包括第三时变应力值的第三原始训练数据集、包括第四时变应力值的第四原始训练数据集、包括第五时变应力值的第五原始训练数据集及包括第六时变应力值的第六原始训练数据集；
所述分别将X向固定载荷、Y向固定载荷、X向固定扭矩、Y向固定扭矩及垂向固定扭矩与所述最大垂向时变载荷及所述最小垂向时变载荷同步施加于所述孪生模型上，以获取包括第二时变应力值的第二原始训练数据集、包括第三时变应力值的第三原始训练数据集、包括第四时变应力值的第四原始训练数据集、包括第五时变应力值的第五原始训练数据集及包括第六时变应力值的第六原始训练数据集的步骤包括：
基于所述最小垂向时变载荷及所述最大垂向时变载荷分别获取所述孪生模型的所述第一状态及所述第二状态；
于所述第一状态至所述第二状态之间，同步于所述孪生模型的板簧座处分别施加X向固定载荷、Y向固定载荷、X向固定扭矩、Y向固定扭矩及垂向固定扭矩，以分别获取均包括所述孪生模型上全部的网格单元的对应时变应力值的第一应力数据组、第二应力数据组、第三应力数据组、第四应力数据组、第五应力数据组；
分别将所述第一应力数据组、所述第二应力数据组、所述第三应力数据组、所述第四应力数据组、所述第五应力数据组内的对应时变应力值与所述第一时变应力值进行比对，以获取若干个第二网格数据组、若干个第三网格数据组、若干个第四网格数据组、若干个第五网格数据组及若干个第六网格数据组，所述第二网格数据组包括所述孪生模型上全部的网格单元的第二时变应力值、所述第三网格数据组包括所述孪生模型上全部的网格单元的第三时变应力值、所述第四网格数据组包括所述孪生模型上全部的网格单元的第四时变应力值、所述第五网格数据组包括所述孪生模型上全部的网格单元的第五时变应力值、所述第六网格数据组包括所述孪生模型上全部的网格单元的第六时变应力值；
分别使所述X向固定载荷、若干个所述垂向时变载荷与若干个所述第二网格数据组构成第二原始训练数据集，所述Y向固定载荷、若干个所述垂向时变载荷与若干个所述第三网格数据组构成第三原始训练数据集，所述X向固定扭矩、若干个所述垂向时变载荷与若干个所述第四网格数据组构成第四原始训练数据集，所述Y向固定扭矩、若干个所述垂向时变载荷与若干个所述第五网格数据组构成第五原始训练数据集，所述垂向固定扭矩、若干个所述垂向时变载荷与若干个所述第六网格数据组构成第六原始训练数据集；
构建若干个ANN深度神经网络，若干个所述ANN深度神经网络分别与所述第一原始训练数据集、所述第二原始训练数据集、所述第三原始训练数据集、所述第四原始训练数据集、所述第五原始训练数据集及所述第六原始训练数据集一一对应，通过损失函数训练所述ANN深度神经网络，训练后的若干个所述ANN深度神经网络用于根据输入的随机时变载荷及随机扭矩，分别对应生成板簧上全部网格单元的第一时变应力值、第二时变应力值、第三时变应力值、第四时变应力值、第五时变应力值及第六时变应力值。
2.根据权利要求1所述的基于机器学习的汽车板簧非线性时变应力值测量方法，其特征在于，所述自所述载荷数据集内确定所述测试板簧的板簧座处的最大垂向时变载荷及最小垂向时变载荷的步骤包括：
将所述载荷数据集导入数据处理库，以将若干个所述垂向时变载荷转换为若干个数据对象；
将若干个所述数据对象合并为类对象，对所述类对象进行函数求解，以确定所述测试板簧的板簧座处的最大垂向时变载荷及最小垂向时变载荷。
3.根据权利要求1所述的基于机器学习的汽车板簧非线性时变应力值测量方法，其特征在于，所述自所述载荷数据集内确定所述测试板簧的板簧座处的最大垂向时变载荷及最小垂向时变载荷的步骤包括：
设置第一变量及第二变量，并将所述第一变量及所述第二变量赋值为零；
将某一所述垂向时变载荷与所述第一变量进行比对，若该所述垂向时变载荷大于所述第一变量，则将该所述垂向时变载荷的值赋予所述第一变量，遍历全部的所述垂向时变载荷，以获取所述测试板簧的板簧座处的最大垂向时变载荷；
将某一所述垂向时变载荷与所述第二变量进行比对，若该所述垂向时变载荷小于所述第二变量，则将该所述垂向时变载荷的值赋予所述第二变量，遍历全部的所述垂向时变载荷，以获取所述测试板簧的板簧座处的最小垂向时变载荷。
4.根据权利要求1所述的基于机器学习的汽车板簧非线性时变应力值测量方法，其特征在于，所述ANN深度神经网络的构建步骤包括：
构建输入层及输出层；
以若干个第一神经元组成第一单隐层、以若干个第二神经元组成第二单隐层、以若干个第三神经元组成第三单隐层，所述第一单隐层、所述第二单隐层及所述第三单隐层构成隐藏层；
将所述输入层通过所述隐藏层连接所述输出层，以形成ANN深度神经网络。
5.一种基于机器学习的汽车板簧非线性时变应力值测量系统，应用如权利要求1~4任一项所述的基于机器学习的汽车板簧非线性时变应力值测量方法，其特征在于，所述系统包括：
获取模块，用于对安装有测试板簧的整车进行虚拟数字样机的搭建，将所述整车的实测道路载荷施加于所述虚拟数字样机，以获取所述测试板簧的板簧座处的载荷数据集，所述载荷数据集包括若干个垂向时变载荷；
分析模块，用于自所述载荷数据集内确定所述测试板簧的板簧座处的最大垂向时变载荷及最小垂向时变载荷；
第一生成模块，用于构建与所述测试板簧对应的孪生模型，基于所述最大垂向时变载荷、所述最小垂向时变载荷及所述孪生模型获取由若干个垂向时变载荷及若干个第一网格数据组构成的第一原始训练数据集，所述第一网格数据组包括所述孪生模型上全部的网格单元的第一时变应力值；
所述第一生成模块包括：
第三单元，用于构建与所述测试板簧对应的孪生模型，将所述最小垂向时变载荷施加于所述孪生模型的板簧座处，以获取所述孪生模型的第一状态；
第四单元，用于将所述最大垂向时变载荷施加于所述孪生模型的板簧座处，以获取所述孪生模型的第二状态；
第五单元，用于于所述第一状态至所述第二状态之间，获取与若干个所述垂向时变载荷一一对应的若干个第一网格数据组，所述第一网格数据组包括所述孪生模型上全部的网格单元的第一时变应力值，若干个所述垂向时变载荷及若干个所述第一网格数据组形成第一原始训练数据集；
第二生成模块，用于分别将X向固定载荷、Y向固定载荷、X向固定扭矩、Y向固定扭矩及垂向固定扭矩与所述最大垂向时变载荷及所述最小垂向时变载荷同步施加于所述孪生模型上，以获取包括第二时变应力值的第二原始训练数据集、包括第三时变应力值的第三原始训练数据集、包括第四时变应力值的第四原始训练数据集、包括第五时变应力值的第五原始训练数据集及包括第六时变应力值的第六原始训练数据集；
所述第二生成模块包括：
第六单元，用于基于所述最小垂向时变载荷及所述最大垂向时变载荷分别获取所述孪生模型的所述第一状态及所述第二状态；
第七单元，用于于所述第一状态至所述第二状态之间，同步于所述孪生模型的板簧座处分别施加X向固定载荷、Y向固定载荷、X向固定扭矩、Y向固定扭矩及垂向固定扭矩，以分别获取均包括所述孪生模型上全部的网格单元的对应时变应力值的第一应力数据组、第二应力数据组、第三应力数据组、第四应力数据组、第五应力数据组；
第八单元，用于分别将所述第一应力数据组、所述第二应力数据组、所述第三应力数据组、所述第四应力数据组、所述第五应力数据组内的对应时变应力值与所述第一时变应力值进行比对，以获取若干个第二网格数据组、若干个第三网格数据组、若干个第四网格数据组、若干个第五网格数据组及若干个第六网格数据组，所述第二网格数据组包括所述孪生模型上全部的网格单元的第二时变应力值、所述第三网格数据组包括所述孪生模型上全部的网格单元的第三时变应力值、所述第四网格数据组包括所述孪生模型上全部的网格单元的第四时变应力值、所述第五网格数据组包括所述孪生模型上全部的网格单元的第五时变应力值、所述第六网格数据组包括所述孪生模型上全部的网格单元的第六时变应力值；
第九单元，用于分别使所述X向固定载荷、若干个所述垂向时变载荷与若干个所述第二网格数据组构成第二原始训练数据集，所述Y向固定载荷、若干个所述垂向时变载荷与若干个所述第三网格数据组构成第三原始训练数据集，所述X向固定扭矩、若干个所述垂向时变载荷与若干个所述第四网格数据组构成第四原始训练数据集，所述Y向固定扭矩、若干个所述垂向时变载荷与若干个所述第五网格数据组构成第五原始训练数据集，所述垂向固定扭矩、若干个所述垂向时变载荷与若干个所述第六网格数据组构成第六原始训练数据集；
执行模块，用于构建若干个ANN深度神经网络，若干个所述ANN深度神经网络分别与所述第一原始训练数据集、所述第二原始训练数据集、所述第三原始训练数据集、所述第四原始训练数据集、所述第五原始训练数据集及所述第六原始训练数据集一一对应，通过损失函数训练所述ANN深度神经网络，训练后的若干个所述ANN深度神经网络用于根据输入的随机时变载荷及随机扭矩，分别对应生成板簧上全部网格单元的第一时变应力值、第二时变应力值、第三时变应力值、第四时变应力值、第五时变应力值及第六时变应力值。
6.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的基于机器学习的汽车板簧非线性时变应力值测量方法。
7.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4中任一项所述的基于机器学习的汽车板簧非线性时变应力值测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311108756.3A CN116842663B (zh) | 2023-08-31 | 2023-08-31 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311108756.3A CN116842663B (zh) | 2023-08-31 | 2023-08-31 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116842663A CN116842663A (zh) | 2023-10-03 |
| CN116842663B true CN116842663B (zh) | 2023-12-08 |
Family
ID=88172824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311108756.3A Active CN116842663B (zh) | 2023-08-31 | 2023-08-31 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842663B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011002010A (ja) * | 2009-06-18 | 2011-01-06 | Toyo Tire & Rubber Co Ltd | 車両用懸架装置 |
| WO2013034367A1 (de) * | 2011-09-05 | 2013-03-14 | Bayerische Motoren Werke Aktiengesellschaft | Fahrzeug-radaufhängung mit über einen umlenkhebel veränderbarer radlast |
| CN113343374A (zh) * | 2021-04-26 | 2021-09-03 | 江铃汽车股份有限公司 | 汽车板簧疲劳测试方法 |
| CN113408164A (zh) * | 2021-06-03 | 2021-09-17 | 江铃汽车股份有限公司 | 板簧强度分析方法、系统、可读存储介质和计算机设备 |
| CN113704872A (zh) * | 2021-08-02 | 2021-11-26 | 江铃汽车股份有限公司 | 一种提高汽车板簧疲劳仿真分析效率的方法 |
| CN115169185A (zh) * | 2022-07-11 | 2022-10-11 | 武汉理工大学 | 具有变属性复合空气悬架板簧导向臂结构的设计方法 |
| CN116090111A (zh) * | 2023-04-10 | 2023-05-09 | 华东交通大学 | 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 |
-
2023
- 2023-08-31 CN CN202311108756.3A patent/CN116842663B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011002010A (ja) * | 2009-06-18 | 2011-01-06 | Toyo Tire & Rubber Co Ltd | 車両用懸架装置 |
| WO2013034367A1 (de) * | 2011-09-05 | 2013-03-14 | Bayerische Motoren Werke Aktiengesellschaft | Fahrzeug-radaufhängung mit über einen umlenkhebel veränderbarer radlast |
| CN113343374A (zh) * | 2021-04-26 | 2021-09-03 | 江铃汽车股份有限公司 | 汽车板簧疲劳测试方法 |
| CN113408164A (zh) * | 2021-06-03 | 2021-09-17 | 江铃汽车股份有限公司 | 板簧强度分析方法、系统、可读存储介质和计算机设备 |
| CN113704872A (zh) * | 2021-08-02 | 2021-11-26 | 江铃汽车股份有限公司 | 一种提高汽车板簧疲劳仿真分析效率的方法 |
| CN115169185A (zh) * | 2022-07-11 | 2022-10-11 | 武汉理工大学 | 具有变属性复合空气悬架板簧导向臂结构的设计方法 |
| CN116090111A (zh) * | 2023-04-10 | 2023-05-09 | 华东交通大学 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| The method of structure configuration for vehicle leaf-spring based upon BP Neural Network;B. He;《2010 Sixth International Conference on Natural Computation》;全文 * |
| 等截面钢板弹簧动态特性分析及试验研究;徐景霞;李斌;郑博;;中原工学院学报(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116842663A (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN109976998B (zh) | 一种软件缺陷预测方法、装置和电子设备 | |
| 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 | |
| CN109885916B (zh) | 一种基于lssvm的混合试验在线模型更新方法 | |
| CN110633859B (zh) | 一种两阶段分解集成的水文序列预测方法 | |
| CN114676598B (zh) | 汽车车身系统的整车道路耐久试验的加速方法和装置 | |
| CN111125946A (zh) | 一种基于mdo技术的上车体结构优化方法 | |
| CN111861238A (zh) | 高速公路桥梁工程风险评估方法、装置及计算机设备 | |
| CN116089870A (zh) | 基于元学习的小样本条件下工业设备故障预测方法及装置 | |
| CN113176022A (zh) | 一种分段式神经网络压力传感器压力检测方法及系统 | |
| CN113240117B (zh) | 一种变保真度迁移学习模型建立方法 | |
| 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 | |
| CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
| CN111639388B (zh) | 一种汽车弹性元件参数仿真方法及系统 | |
| CN113343470A (zh) | 一种公共钢结构建筑微应变预测方法及系统 | |
| CN110955933B (zh) | 一种基于响应面法的机械结构模糊疲劳可靠度计算方法 | |
| US9245067B2 (en) | Probabilistic method and system for testing a material | |
| CN114595627A (zh) | 模型量化方法、装置、设备及存储介质 | |
| CN110851344A (zh) | 基于计算公式复杂性的大数据测试方法、装置、电子设备 | |
| CN116956738B (zh) | 一种基于自适应代理模型的机械结构可靠度计算方法 | |
| CN116839783B (zh) | 一种基于机器学习的汽车板簧受力值及变形量的测量方法 | |
| CN117910120B (zh) | 基于轻量化Transformer的风-桥系统抖振响应预测方法 | |
| Ensor et al. | Optimising simulation and test techniques for efficient vehicle durability design and development | |
| Gurumoorthy et al. | Automotive Wheel Metamodeling Using Response Surface Methodology (RSM) Technique | |
| Wang et al. | Development in the acquisition of vehicle loads integrated with a rigid and flexible multi-body model |
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 |