CN117725764A - 基于回归模型的车辆底盘多目标优化方法、设备和介质 - Google Patents
基于回归模型的车辆底盘多目标优化方法、设备和介质 Download PDFInfo
- Publication number
- CN117725764A CN117725764A CN202410171985.8A CN202410171985A CN117725764A CN 117725764 A CN117725764 A CN 117725764A CN 202410171985 A CN202410171985 A CN 202410171985A CN 117725764 A CN117725764 A CN 117725764A
- Authority
- CN
- China
- Prior art keywords
- threshold
- regression model
- model
- linear
- determining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 title claims abstract description 59
- 238000013461 design Methods 0.000 claims abstract description 121
- 230000000694 effects Effects 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000012417 linear regression Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 75
- 238000007477 logistic regression Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 239000000725 suspension Substances 0.000 description 4
- 239000006096 absorbing agent Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,公开了一种基于回归模型的车辆底盘多目标优化方法、设备和介质。该方法通过确定各预测参数和各设计因子,针对线性列表中的每个预测参数,基于对应的样本集确定线性回归模型,针对非线性列表中的每个预测参数,确定各设计因子对应的门限阈值,进而构建对应的门限回归模型,通过样本集确定其中的模型系数,并对每个门限回归模型进行门限效应与门限值显著性检验,将未通过检验的门限回归模型剔除,确定线性回归模型,最后按照预设优化顺序依次对各目标函数进行优化,直至得到所有设计因子的优化值,该方法能够更好的拟合车辆底盘参数中非线性成分,提高车辆底盘优化效率,得到准确的车辆底盘设计因子的优化值。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于回归模型的车辆底盘多目标优化方法、设备和介质。
背景技术
汽车设计过程中,需要结合设计需求,对汽车设计因子进行调校,从而得到优化后的车辆设计方案,对减少设计成本,提高车辆操纵性能有着重要意义。根据车辆设计过程中的操纵性需求,需确定汽车硬点、衬套等设计因子。
然而,由于汽车底盘设计具有复杂性,硬点、衬套等参数变量数目较大,且车辆参数之间具有非常明显的非线性特征,因此,现有方案中仅建立线性的优化目标方程,无法准确的拟合目标函数,导致多目标优化效果较差。
有鉴于此,特提出本发明。
发明内容
为了解决上述技术问题,本发明提供了一种基于回归模型的车辆底盘多目标优化方法、设备和介质,解决现有技术中多目标优化效果较差的问题。
本发明实施例提供了一种基于回归模型的车辆底盘多目标优化方法,该方法包括:
确定车辆底盘模型的各预测参数和各设计因子,并获取线性列表和非线性列表,其中,所述线性列表包括各个与设计因子之间存在线性特征的预测参数,所述非线性列表包括各个与设计因子之间不存在线性特征的预测参数;
针对所述线性列表中的每一个预测参数,基于所述预测参数对应的样本集,确定所述预测参数与各设计因子之间的线性回归模型;
针对所述非线性列表中的每一个预测参数,确定各设计因子对应的门限阈值,基于各门限阈值构建所述预测参数对应的门限回归模型,并基于所述预测参数对应的样本集,确定所述门限回归模型中的模型系数;
对每个门限回归模型进行门限效应与门限值显著性检验,并将未通过检验的预测参数对应的门限回归模型剔除,确定对应的线性回归模型;
根据每个预测参数对应的回归模型分别构建目标函数,基于预设优化顺序依次对各目标函数进行优化,直至得到所有设计因子的优化值。
本发明实施例提供了一种电子设备,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行任一实施例所述的基于回归模型的车辆底盘多目标优化方法的步骤。
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行任一实施例所述的基于回归模型的车辆底盘多目标优化方法的步骤。
本发明实施例具有以下技术效果:
通过确定车辆底盘模型的各预测参数和各设计因子,并获取线性列表和非线性列表,针对线性列表中的每个预测参数,基于预测参数对应的样本集确定对应的线性回归模型,针对非线性列表中的每个预测参数,确定各设计因子对应的门限阈值,进而根据各门限阈值构建对应的门限回归模型,并通过样本集确定门限回归模型中的模型系数,进而对每个门限回归模型进行门限效应与门限值显著性检验,并将未通过检验的预测参数对应的门限回归模型剔除,确定对应的线性回归模型,最后通过每个预测参数对应的回归模型分别构建目标函数,按照预设优化顺序依次对各目标函数进行优化,直至得到所有设计因子的优化值,实现了车辆底盘调校优化,该方法通过建立门限回归模型对非线性的预测参数进行处理,能够更好的拟合车辆底盘参数中非线性成分,从而得到优化的车辆底盘操控回归模型,提高车辆底盘优化效率,得到准确的车辆底盘设计因子的优化值,解决了现有技术中多目标优化效果较差的问题,并且,该方法顺序对各目标函数依次进行优化,可以优先满足重要程度更高的预测参数,使得多目标优化过程中,能够保证行驶刚度、轮胎刚度等关键参数符合设计需求,从而保障车辆底盘操控性,得到满足性能需求的最佳优化方案。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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的附图。
图1是本发明实施例提供的一种基于回归模型的车辆底盘多目标优化方法的流程图;
图2是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整的描述。显然,所描述的实施例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的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
本发明实施例提供的基于回归模型的车辆底盘多目标优化方法,主要适用于对车辆底盘进行多目标优化,以得到底盘各设计因子的优化值的情况。本发明实施例提供的基于回归模型的车辆底盘多目标优化方法可以由计算机等电子设备执行。
图1是本发明实施例提供的一种基于回归模型的车辆底盘多目标优化方法的流程图。参见图1,该基于回归模型的车辆底盘多目标优化方法具体包括:
S110、确定车辆底盘模型的各预测参数和各设计因子,并获取线性列表和非线性列表。
其中,预测参数可以是车辆底盘模型的性能参数,如,描述操纵性的性能参数、描述舒适性的性能参数、描述稳定性的性能参数等。示例性的,预测参数可以是轮胎跳动、前束角、主销内倾角、悬架上跳行程、轮距等反映底盘性能的参数。
设计因子可以是在车辆底盘模型的优化过程中需要确定对应取值的底盘零部件的相关参数。示例性的,设计因子可以是悬架设计中的硬点、衬套、减震器、弹簧、差速锁等参数。
车辆底盘模型可以是仿真软件中用于模拟真实汽车底盘系统的模型。在仿真软件中,车辆底盘模型可以基于输入的各设计因子的取值,对整车的性能(如操控性、稳定性或舒适性)进行分析,输出各预测参数的对应取值。
其中,线性列表包括各个与设计因子之间存在线性特征的预测参数,非线性列表包括各个与设计因子之间不存在线性特征的预测参数。具体的,与设计因子之间存在线性特征的预测参数,可以理解为能够使用线性的模型拟合的线性预测参数,与设计因子之间不存在线性特征的预测参数,可以理解为无法使用线性的模型拟合的非线性预测参数。
示例性的,可以通过读取预设文件获取线性列表和非线性列表,或者,通过获取用户于预设界面上执行的选取操作,确定线性列表和非线性列表。
S120、针对线性列表中的每一个预测参数,基于预测参数对应的样本集,确定预测参数与各设计因子之间的线性回归模型。
其中,对于线性列表中的每一个预测参数,可以通过预测参数对应的样本集,进行线性拟合,得到预测参数与各设计因子之间的线性回归模型。
示例性的,对于与众多设计因子之间存在明显线性特性的预测参数,如车辆前束角与硬点、衬套等设计因子之间的线性关系,可以建立如下线性模型:
;
式中,~/>分别对应线性列表中的各个预测参数,如前束角、主销内倾角、悬架上跳行程、轮距等,/>~/>分别对应与预测参数之间存在线性特征的各设计因子,如硬点、衬套、减震器、弹簧、差速锁等,/>~/>、/>~/>等,分别对应各项系数,/>~/>分别对应线性列表中的各个预测参数的残差项。
进一步的,在建立上述线性模式之后,可以通过预测参数对应的样本集进行线性拟合,得到最终的线性回归模型。
在一种具体的实施方式中,基于预测参数对应的样本集,确定预测参数与各设计因子之间的线性回归模型,包括如下步骤:
步骤11、确定各设计因子的样本值,并将各设计因子的样本值输入至车辆底盘模型中,得到预测参数的模型输出值;
步骤12、基于各设计因子的样本值与预测参数的模型输出值,构建预测参数对应的样本集;
步骤13、构建预测参数与各设计因子之间的线性模型,并基于预测参数对应的样本集对线性模型进行拟合,得到预测参数对应的线性回归模型。
在上述步骤11中,可以先确定各设计因子的取值范围,进而在取值范围内进行采样,得到各设计因子的样本值,进而将各设计因子的样本值输入至车辆底盘模型中,以使车辆底盘模型基于输入的样本值进行性能分析,输出预测参数的模型输出值。
通过上述步骤11,可以得到多组样本值以及对应的模型输出值。进一步的,在上述步骤12中,可以根据多组样本值以及对应的模型输出值构建预测参数对应的样本集。
进一步的,在上述步骤13中,可以先构建预测参数与各设计因子之间的线性模型,进而通过样本集对线性模型进行拟合,以确定线性模型中各项系数以及残差项,得到预测参数对应的线性回归模型。
通过上述步骤11-步骤13,实现了针对与各设计因子之间的满足线性特征的预测参数,建立相应的线性回归模型,进而便于后续构建目标函数进行优化求解。通过车辆底盘模型构建拟合所需的样本集,无需人为采集大量样本数据,提高了底盘优化效率。
S130、针对非线性列表中的每一个预测参数,确定各设计因子对应的门限阈值,基于各门限阈值构建预测参数对应的门限回归模型,并基于预测参数对应的样本集,确定门限回归模型中的模型系数。
其中,对于非线性列表中的每一个预测参数,采用线性回归模型无法准确拟合设计因子,因此,可以建立对应的门限回归模型。例如,针对车辆轮胎垂直方向刚度、车辆行驶刚度、悬架刚度与阻尼等预测参数,可以建立对应的门限回归模型。
具体的,可以先确定各设计因子的门限阈值。其中,门限阈值可以是用于定位设计因子的取值所在的范围区间的阈值,每个设计因子对应的门限阈值的数量可以为多个。
在本发明实施例中,确定门限阈值的目的在于:针对每一个设计因子,可以确定设计因子对应的各个门限阈值,以通过各门限阈值将设计因子划分为多个范围区间,进而分别确定每个范围区间对应的系数,实现分段函数的构建,得到门限回归模型。
在一种示例中,确定各设计因子对应的门限阈值,包括:
针对每一个设计因子,获取设计因子的取值范围,在取值范围内,基于等分法确定多个门限阈值;或者,针对每一个设计因子,确定设计因子的取值分布概率,基于取值分布概率确定多个门限阈值。
具体的,对于每个设计因子,可以根据设计因子的取值范围进行等分,得到多个门限阈值。
或者,对于每个设计因子,可以获取大量真实车辆底盘数据,根据真实车辆底盘数据确定设计因子的取值分布概率,该取值分布概率用于描述设计因子的各种取值的概率,进而通过取值分布概率确定各门限阈值。如,在取值分布概率中,从第一种取值开始向后累加各种取值的概率,直至累计概率达到预设值(如0.25),将此时的取值作为门限阈值,进而清空累计概率,从当前的取值处继续向后累加各种取值的概率,重复上述操作,直至达到最后一种取值。
此外,还可以通过bootstrap方法确定设计因子对应的各门限阈值。通过上述示例,可以实现门限阈值的准确确定,进而便于构建分段的门限回归模型,保证分段的准确性,进而保证拟合的门限回归模型的准确性,并且,还可以简化车辆底盘设计问题与流程,提高建模与计算效率。
在得到设计因子对应的各门限阈值之后,可以基于每个设计因子对应的各门限阈值,构建预测参数对应的门限回归模型。例如,可以根据每个设计因子对应的各门限阈值,确定每个设计因子取值的各范围区间,进而针对每一个范围区间分别设置对应的系数,并构建每一个范围区间对应的分段函数,最终通过拟合确定其中系数的取值以及残差项,得到门限回归模型。
在一种具体的实施方式中,基于各门限阈值构建预测参数对应的门限回归模型,包括:
根据各设计因子对应的门限阈值构建各设计因子的示性函数;基于各设计因子的示性函数构建预测参数对应的门限回归模型。
其中,可以根据每个设计因子对应的各门限阈值,确定每个设计因子取值的各范围区间,进而针对每一个范围区间分别设置对应的模型系数和示性函数。
进一步的,可以根据每个设计因子的各个范围区间对应的模型系数和示性函数,构建门限回归模型。示例性的,门限回归模型可以参见如下公式:
;
式中,表示第p个预测参数对应的门限回归模型的输出结果;/>为第i个设计因子,i的取值为1~t,t为设计因子的总数量;/>、/>、……/>为各个门限阈值;/>为残差项;/>、/>、……/>为模型系数;/>为示性函数,当满足括号内的条件时取值为1,当不满足括号内的条件时取值为0。
需要说明的是,上述门限回归模型的表达式为简化的公式,其中示例性的列举了第i个设计因子的各个模型系数和示性函数,由于其中i的取值可以为1~t,因此上述公式还可以包括所有设计因子的各个模型系数和示性函数,t个设计因子的模型系数的总数量可以为m,门限阈值的总数量可以为k。
通过构建上述门限回归模型,可以通过判断设计因子的取值是否位于门限阈值对应的范围区间之内,来判断设计因子的样本值被限定在哪一个范围区间,进而能够对每段样本值分别进行回归拟合。
具体的,在得到预测参数对应的门限回归模型之后,可以针对门限回归模型中的各设计因子的范围区间,即每个分段函数,分别使用预测参数对应的样本集(样本集的获取方式可参考前文),采用非线性最小二乘法进行拟合,得到其中的各个模型系数以及残差项,由此得到最终的门限回归模型。
针对所有预测参数,通过重复上述步骤,可以得到每一个预测参数对应的门限回归模型。
S140、对每个门限回归模型进行门限效应与门限值显著性检验,并将未通过检验的预测参数对应的门限回归模型剔除,确定对应的线性回归模型。
具体的,在得到非线性列表中每个预测参数对应的门限回归模型之后,为了进一步保证门限回归模型的准确性,还可以对门限回归模型进行门限效应与门限值显著性检验,以判断非线性特性是否显著,进而针对非线性特性不显著的预测参数,改用线性回归模型。
其中,可以使用逻辑回归统计量,对门限回归模型进行门限效应与门限值显著性检验。
在一种具体的实施方式中,对每个门限回归模型进行门限效应与门限值显著性检验,包括如下步骤:
步骤21、针对每一个门限回归模型,基于门限回归模型中的模型系数,确定门限回归模型的逻辑回归统计量;
步骤22、根据逻辑回归统计量确定与门限效应对应的门限效应检验量、以及与门限值显著性对应的门限值显著性检验量;
步骤23、根据门限效应检验量和门限值显著性检验量,确定门限回归模型的门限效应与门限值显著性的检验结果。
在上述步骤21中,对于每一个门限回归模型,可以通过其中的模型系数以及门限回归模型的预测效果,计算门限回归模型的逻辑回归统计量。
针对上述步骤21,可选的,基于门限回归模型中的模型系数,确定门限回归模型的逻辑回归统计量,包括如下步骤:
步骤211、获取预先设置的线性假设约束条件和非线性假设约束条件;
步骤212、确定在线性假设约束条件下门限回归模型的第一输出残差平方和,以及,在非线性假设约束条件下门限回归模型的第二输出残差平方和;
步骤213、基于第一输出残差平方和、第二输出残差平方和以及门限回归模型中模型系数的数量,确定门限回归模型的逻辑回归统计量。
在步骤211中,非线性假设约束条件可以是门限效应存在时对各模型系数的约束条件,线性假设约束条件可以是门限效应不存在时对各模型系数的约束条件。示例性的,线性假设约束条件和非线性假设约束条件如下式所示:
;
式中,~/>为模型系数,/>为线性假设约束条件,指无约束模型,拟合结果为线性函数;/>为非线性假设约束条件,指所有模型系数均不相同,非线性特征显著,需采用分段函数进行拟合。
在步骤212中,可以根据线性假设约束条件对预测参数进行线性回归拟合,得到在线性假设约束条件下的线性回归模型,进而根据线性回归模型的输出结果,确定在非线性假设约束条件下该预测参数对应的门限回归模型的第二输出残差平方和。例如:
;
式中,表示在非线性假设约束条件下门限回归模型的第二输出残差平方和,为预测参数的模型输出值(由车辆底盘模型根据设计因子的样本值确定),/>为在线性假设约束条件下的线性回归模型针对预测参数的输出结果,i表示样本值的数量。
并且,可以根据门限回归模型的输出结果,确定在线性假设约束条件下该预测参数对应的门限回归模型的第一输出残差平方和。例如:
;
式中,表示在线性假设约束条件下门限回归模型的第一输出残差平方和,/>为门限回归模型针对预测参数的输出结果。
进一步的,在步骤213中,可以根据第一输出残差平方和、第二输出残差平方和、以及门限回归模型中模型系数的数量,计算门限回归模型的逻辑回归统计量。例如,如下式所示:
;
式中,LR为逻辑回归统计量;为线性假设约束条件下的第一输出残差平方和,为非线性假设约束条件下的第二输出残差平方和,均可以由最小二乘法计算得出,m为模型系数的数量,j为设计因子的数量。
通过上述步骤211-步骤213,可以实现逻辑回归统计量的准确计算,进而便于根据逻辑回归统计量判断门限回归模型是否能通过门限效应检验与门限值显著性检验。
具体的,在得到逻辑回归统计量之后,在步骤22中,可以根据逻辑回归统计量计算与门限效应对应的门限效应检验量,并计算与门限值显著性对应的门限值显著性检验量。其中,门限效应检验量和门限值显著性检验量可以是P-value(即P值)。
进一步的,在步骤23中,如果门限效应检验量小于预设阈值(如0.05),且,门限值显著性检验量小于预设阈值,则可以确定门限回归模型通过检验,其门限效应存在并显著,即非线性特征显著。
如果门限效应检验量不小于预设阈值,或者门限值显著性检验量不小于预设阈值,则可以确定门限回归模型未通过检验,表示门限回归模型不符合门限效应,或者门限效应不显著,此时可以将该门限回归模型剔除,并基于该门限回归模型对应的预测参数的样本集,建立该预测参数对应的线性回归模型。
通过上述步骤21-步骤23,可以结合门限效应和门限值显著性对应的P-value,实现对门限回归模型的门限效应与门限值显著性的检验,保证对非线性特性明显的预测参数构建门限回归模型,进而提高了后续优化的准确性。
S150、根据每个预测参数对应的回归模型分别构建目标函数,基于预设优化顺序依次对各目标函数进行优化,直至得到所有设计因子的优化值。
具体的,在得到每一个预测参数的回归模型之后,可以构建每个预测参数的目标函数。例如,可以根据车辆底盘设计的性能需求,确定预测参数的取值目标,进而判断取值目标为最大化或最小化,构建目标函数。
在一种具体的实施方式中,根据每个预测参数对应的回归模型分别构建目标函数,包括:
若车辆底盘的优化目标为预测参数的取值最小,则以预测参数对应的回归模型的输出结果最小化为目标,构建目标函数;
或者,若车辆底盘的优化目标为预测参数的取值最大,则将预测参数对应的回归模型的输出结果调整为负值,并以预测参数对应的回归模型的输出结果最小化为目标,构建目标函数。
具体的,如果车辆底盘设计的性能需求为预测参数的取值最小,则可以以预测参数对应的回归模型的输出结果最小化为目标,构建目标函数。
如果车辆底盘设计的性能需求为预测参数的取值最大,则可以先将预测参数对应的回归模型的输出结果调整为负值,进而以预测参数对应的回归模型的输出结果最小化为目标,构建目标函数。
通过上述实施方式,可以将所有预测参数的目标函数的优化求解目标统一为最小化,进而对所有目标函数的最小值进行求解,达到统一所有目标函数的优化方向的目的,进而可以提高车辆底盘优化效率。
在得到所有预测参数的目标函数之后,可以根据预设优化顺序依次对各目标函数进行优化求解,以通过依次优化使得重要的性能参数优先得到满足,进而使得多目标优化过程中,对于行驶刚度、轮胎刚度等关键参数能够符合设计性能需求,从而保障汽车底盘的操控性。其中,预设优化顺序可以预先按照预测参数的重要程度进行排序得到。
在一种具体的实施方式中,基于预设优化顺序依次对各目标函数进行优化,直至得到所有设计因子的优化值,包括如下步骤:
步骤31、将预设优化顺序中的首个目标函数作为当前目标函数;
步骤32、对当前目标函数进行优化求解,得到当前目标函数中关联的各个设计因子的优化值;
步骤33、判断是否得到所有设计因子的优化值,若否,则将预设优化顺序中当前目标函数的下一个目标函数,作为新的当前目标函数,并返回执行对当前目标函数进行优化求解的步骤。
其中,预设优化顺序可以包括重要程度依次降低的各个目标函数。具体的,可以先将预设优化顺序中重要程度最高的首个目标函数,作为当前目标函数,进而对其进行优化求解。如:
;
式中,为预设优化顺序中的首个目标函数,即重要程度最高的目标函数,/>为当前目标函数的定义域。
进一步的,在对当前目标函数进行求解后,可以得到当前目标函数中关联的各个设计因子的优化值,如果此时还存在未得到优化值的设计因子,则可以继续对下一个目标函数进行优化求解,即将预设优化顺序中下一个目标函数作为新的当前目标函数,进而返回执行步骤32。需要说明的是,对于已经求解得到优化值的设计因子,在后续对其他目标函数进行优化求解的过程中,此类设计因子的取值固定为优化值。如:
;
式中,为预设优化顺序中的第二个目标函数,即重要程度排序第二的目标函数,/>为更新后的当前目标函数的定义域。
通过重复执行上述步骤,直至得到所有设计因子的优化值,实现了对车辆底盘的优化,能够依次得到影响车辆底盘性能相关设计参数的最终取值。该实施方式能够最大限度满足车辆底盘设计中的核心性能参数,如设计需求为需优先保障舒适度调校,则需在分层序列(即依次优化)中优先对轮胎跳动、加速车辆俯仰角、减速车辆俯仰角等预测参数的目标函数进行优化,得到满足性能需求的最佳优化方案。
本发明具有以下技术效果:通过确定车辆底盘模型的各预测参数和各设计因子,并获取线性列表和非线性列表,针对线性列表中的每个预测参数,基于预测参数对应的样本集确定对应的线性回归模型,针对非线性列表中的每个预测参数,确定各设计因子对应的门限阈值,进而根据各门限阈值构建对应的门限回归模型,并通过样本集确定门限回归模型中的模型系数,进而对每个门限回归模型进行门限效应与门限值显著性检验,并将未通过检验的预测参数对应的门限回归模型剔除,确定对应的线性回归模型,最后通过每个预测参数对应的回归模型分别构建目标函数,按照预设优化顺序依次对各目标函数进行优化,直至得到所有设计因子的优化值,实现了车辆底盘调校优化,该方法通过建立门限回归模型对非线性的预测参数进行处理,能够更好的拟合车辆底盘参数中非线性成分,从而得到优化的车辆底盘操控回归模型,提高车辆底盘优化效率,得到准确的车辆底盘设计因子的优化值,解决了现有技术中多目标优化效果较差的问题,并且,该方法顺序对各目标函数依次进行优化,可以优先满足重要程度更高的预测参数,使得多目标优化过程中,能够保证行驶刚度、轮胎刚度等关键参数符合设计需求,从而保障车辆底盘操控性,得到满足性能需求的最佳优化方案。
图2是本发明实施例提供的一种电子设备的结构示意图。如图2所示,电子设备400包括一个或多个处理器401和存储器402。
处理器401可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备400中的其他组件以执行期望的功能。
存储器402可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器401可以运行所述程序指令,以实现上文所说明的本发明任意实施例的基于回归模型的车辆底盘多目标优化方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中,电子设备400还可以包括:输入装置403和输出装置404,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息,包括预警提示信息、制动力度等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图2中仅示出了该电子设备400中与本发明有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备400还可以包括任何其他适当的组件。
除了上述方法和设备以外,本发明的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的基于回归模型的车辆底盘多目标优化方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本发明的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的基于回归模型的车辆底盘多目标优化方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是,本发明所用术语仅为了描述特定实施例,而非限制本申请范围。如本发明说明书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。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、方法或者设备中还存在另外的相同要素。
还需说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (10)
1.一种基于回归模型的车辆底盘多目标优化方法,其特征在于,包括:
确定车辆底盘模型的各预测参数和各设计因子,并获取线性列表和非线性列表,其中,所述线性列表包括各个与设计因子之间存在线性特征的预测参数,所述非线性列表包括各个与设计因子之间不存在线性特征的预测参数;
针对所述线性列表中的每一个预测参数,基于所述预测参数对应的样本集,确定所述预测参数与各设计因子之间的线性回归模型;
针对所述非线性列表中的每一个预测参数,确定各设计因子对应的门限阈值,基于各门限阈值构建所述预测参数对应的门限回归模型,并基于所述预测参数对应的样本集,确定所述门限回归模型中的模型系数;
对每个门限回归模型进行门限效应与门限值显著性检验,并将未通过检验的预测参数对应的门限回归模型剔除,确定对应的线性回归模型;
根据每个预测参数对应的回归模型分别构建目标函数,基于预设优化顺序依次对各目标函数进行优化,直至得到所有设计因子的优化值。
2.根据权利要求1所述的方法,其特征在于,基于所述预测参数对应的样本集,确定所述预测参数与各设计因子之间的线性回归模型,包括:
确定各设计因子的样本值,并将各设计因子的样本值输入至所述车辆底盘模型中,得到所述预测参数的模型输出值;
基于各设计因子的样本值与所述预测参数的模型输出值,构建所述预测参数对应的样本集;
构建所述预测参数与各设计因子之间的线性模型,并基于所述预测参数对应的样本集对所述线性模型进行拟合,得到所述预测参数对应的线性回归模型。
3.根据权利要求1所述的方法,其特征在于,所述确定各设计因子对应的门限阈值,包括:
针对每一个设计因子,获取所述设计因子的取值范围,在所述取值范围内,基于等分法确定多个门限阈值;或者,
针对每一个设计因子,确定所述设计因子的取值分布概率,基于所述取值分布概率确定多个门限阈值。
4.根据权利要求1所述的方法,其特征在于,基于各门限阈值构建所述预测参数对应的门限回归模型,包括:
根据各设计因子对应的门限阈值构建各设计因子的示性函数;
基于各设计因子的示性函数构建所述预测参数对应的门限回归模型。
5.根据权利要求1所述的方法,其特征在于,所述对每个门限回归模型进行门限效应与门限值显著性检验,包括:
针对每一个门限回归模型,基于门限回归模型中的模型系数,确定所述门限回归模型的逻辑回归统计量;
根据所述逻辑回归统计量确定与门限效应对应的门限效应检验量、以及与门限值显著性对应的门限值显著性检验量;
根据所述门限效应检验量和所述门限值显著性检验量,确定所述门限回归模型的门限效应与门限值显著性的检验结果。
6.根据权利要求5所述的方法,其特征在于,所述基于门限回归模型中的模型系数,确定所述门限回归模型的逻辑回归统计量,包括:
获取预先设置的线性假设约束条件和非线性假设约束条件;
确定在所述线性假设约束条件下所述门限回归模型的第一输出残差平方和,以及,在所述非线性假设约束条件下所述门限回归模型的第二输出残差平方和;
基于所述第一输出残差平方和、所述第二输出残差平方和以及所述门限回归模型中模型系数的数量,确定所述门限回归模型的逻辑回归统计量。
7.根据权利要求1所述的方法,其特征在于,所述根据每个预测参数对应的回归模型分别构建目标函数,包括:
若车辆底盘的优化目标为所述预测参数的取值最小,则以所述预测参数对应的回归模型的输出结果最小化为目标,构建目标函数;或者,
若车辆底盘的优化目标为所述预测参数的取值最大,则将所述预测参数对应的回归模型的输出结果调整为负值,并以所述预测参数对应的回归模型的输出结果最小化为目标,构建目标函数。
8.根据权利要求1所述的方法,其特征在于,所述基于预设优化顺序依次对各目标函数进行优化,直至得到所有设计因子的优化值,包括:
将预设优化顺序中的首个目标函数作为当前目标函数;
对所述当前目标函数进行优化求解,得到所述当前目标函数中关联的各个设计因子的优化值;
判断是否得到所有设计因子的优化值,若否,则将所述预设优化顺序中当前目标函数的下一个目标函数,作为新的当前目标函数,并返回执行对当前目标函数进行优化求解的步骤。
9.一种电子设备,其特征在于,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如权利要求1至8任一项所述的基于回归模型的车辆底盘多目标优化方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如权利要求1至8任一项所述的基于回归模型的车辆底盘多目标优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410171985.8A CN117725764B (zh) | 2024-02-07 | 2024-02-07 | 基于回归模型的车辆底盘多目标优化方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410171985.8A CN117725764B (zh) | 2024-02-07 | 2024-02-07 | 基于回归模型的车辆底盘多目标优化方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117725764A true CN117725764A (zh) | 2024-03-19 |
CN117725764B CN117725764B (zh) | 2024-05-03 |
Family
ID=90201975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410171985.8A Active CN117725764B (zh) | 2024-02-07 | 2024-02-07 | 基于回归模型的车辆底盘多目标优化方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117725764B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107577910A (zh) * | 2017-08-24 | 2018-01-12 | 中国科学技术大学 | 一种基于深层次神经网络的车辆尾气浓度反演方法 |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN109711870A (zh) * | 2018-12-13 | 2019-05-03 | 江苏中科瀚星数据科技有限公司 | 一种居民区电动汽车充电负载预测与配置方法 |
CN110989576A (zh) * | 2019-11-14 | 2020-04-10 | 北京理工大学 | 速差滑移转向车辆的目标跟随及动态障碍物避障控制方法 |
CN111784017A (zh) * | 2019-04-03 | 2020-10-16 | 交通运输部公路科学研究所 | 一种基于路况因素回归分析的公路交通事故数量预测方法 |
CN113065683A (zh) * | 2020-12-02 | 2021-07-02 | 开鑫金服(南京)信息服务有限公司 | 车辆质押的价格预测方法、装置、设备及存储介质 |
CN113320537A (zh) * | 2021-07-16 | 2021-08-31 | 北京航迹科技有限公司 | 一种车辆控制方法和系统 |
CN113408183A (zh) * | 2021-04-02 | 2021-09-17 | 河海大学 | 基于预测模型的车辆基地短期复合预测方法 |
CN114398989A (zh) * | 2022-01-17 | 2022-04-26 | 北京格睿能源科技有限公司 | 集成式通用电动化底盘多目标协同故障诊断方法及系统 |
CN115762140A (zh) * | 2022-11-01 | 2023-03-07 | 山东高速集团有限公司 | 一种考虑变量异质性的高速公路交通事故风险预测方法 |
CN115829081A (zh) * | 2022-10-19 | 2023-03-21 | 华中科技大学 | 一种基于支持向量回归模型的城市交通碳排放预测方法 |
CN116010885A (zh) * | 2022-12-21 | 2023-04-25 | 重庆邮电大学 | 一种长序列条件下的车辆异常时空数据检测方法及系统 |
CN116151447A (zh) * | 2023-01-30 | 2023-05-23 | 重庆长安新能源汽车科技有限公司 | 车辆充电时间预测方法、装置、设备及介质 |
CN116653962A (zh) * | 2023-07-12 | 2023-08-29 | 南京项尚车联网技术有限公司 | 一种智能驾驶车辆高效节能系统及节能方法 |
CN117436653A (zh) * | 2023-10-31 | 2024-01-23 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种网约车出行需求的预测模型构建方法和预测方法 |
-
2024
- 2024-02-07 CN CN202410171985.8A patent/CN117725764B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN107577910A (zh) * | 2017-08-24 | 2018-01-12 | 中国科学技术大学 | 一种基于深层次神经网络的车辆尾气浓度反演方法 |
CN109711870A (zh) * | 2018-12-13 | 2019-05-03 | 江苏中科瀚星数据科技有限公司 | 一种居民区电动汽车充电负载预测与配置方法 |
CN111784017A (zh) * | 2019-04-03 | 2020-10-16 | 交通运输部公路科学研究所 | 一种基于路况因素回归分析的公路交通事故数量预测方法 |
CN110989576A (zh) * | 2019-11-14 | 2020-04-10 | 北京理工大学 | 速差滑移转向车辆的目标跟随及动态障碍物避障控制方法 |
CN113065683A (zh) * | 2020-12-02 | 2021-07-02 | 开鑫金服(南京)信息服务有限公司 | 车辆质押的价格预测方法、装置、设备及存储介质 |
CN113408183A (zh) * | 2021-04-02 | 2021-09-17 | 河海大学 | 基于预测模型的车辆基地短期复合预测方法 |
CN113320537A (zh) * | 2021-07-16 | 2021-08-31 | 北京航迹科技有限公司 | 一种车辆控制方法和系统 |
CN114398989A (zh) * | 2022-01-17 | 2022-04-26 | 北京格睿能源科技有限公司 | 集成式通用电动化底盘多目标协同故障诊断方法及系统 |
CN115829081A (zh) * | 2022-10-19 | 2023-03-21 | 华中科技大学 | 一种基于支持向量回归模型的城市交通碳排放预测方法 |
CN115762140A (zh) * | 2022-11-01 | 2023-03-07 | 山东高速集团有限公司 | 一种考虑变量异质性的高速公路交通事故风险预测方法 |
CN116010885A (zh) * | 2022-12-21 | 2023-04-25 | 重庆邮电大学 | 一种长序列条件下的车辆异常时空数据检测方法及系统 |
CN116151447A (zh) * | 2023-01-30 | 2023-05-23 | 重庆长安新能源汽车科技有限公司 | 车辆充电时间预测方法、装置、设备及介质 |
CN116653962A (zh) * | 2023-07-12 | 2023-08-29 | 南京项尚车联网技术有限公司 | 一种智能驾驶车辆高效节能系统及节能方法 |
CN117436653A (zh) * | 2023-10-31 | 2024-01-23 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种网约车出行需求的预测模型构建方法和预测方法 |
Non-Patent Citations (4)
Title |
---|
吴利广等: "基于驾驶模拟器的汽车操纵稳定性主客观关联技术分析", 《设计研究》, no. 18, 31 December 2023 (2023-12-31) * |
成卫等: "基于贝叶斯网络的高速公路交通事故严重程度预测及致因分析", 重庆交通大学学报(自然科学版), vol. 42, no. 7, 31 July 2023 (2023-07-31) * |
杨晨曦等: "基于深度学习的公交行驶轨迹预测研究综述", 《计算机工程与应用》, 30 November 2023 (2023-11-30) * |
潘义勇等: "考虑异质交通流的随机参数优化速度跟驰模型", 深圳大学学报(理工版), 22 December 2023 (2023-12-22) * |
Also Published As
Publication number | Publication date |
---|---|
CN117725764B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832581B (zh) | 状态预测方法和装置 | |
CN111881023B (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
CN116227042B (zh) | 车辆风阻系数确定方法、设备和存储介质 | |
CN112633567A (zh) | 一种等待时长的预测方法、设备及存储介质 | |
CN114444366A (zh) | 基于有限元仿真的桥梁数字孪生模型更新方法及装置 | |
CN117725764B (zh) | 基于回归模型的车辆底盘多目标优化方法、设备和介质 | |
CN114872730A (zh) | 一种车辆行驶轨迹预测方法、装置、汽车及存储介质 | |
KR20220117123A (ko) | Ai트윈 기반 경제 선순환 시뮬레이션 시스템 및 방법 | |
CN117726460A (zh) | 一站式理赔方法、系统、终端及存储介质 | |
CN117495640A (zh) | 一种区域碳排放量预测方法及系统 | |
CN116316600A (zh) | 基于季节分型的面向风电功率日前预测自适应滤波方法 | |
CN117744416B (zh) | 基于敏感性分析的车辆稳定性优化方法、设备和介质 | |
CN112100787A (zh) | 车辆动作预测方法、装置、电子设备及存储介质 | |
CN117725765B (zh) | 基于响应分析的车辆悬架多目标优化方法、设备和介质 | |
CN112214934B (zh) | 一种基于多传感器的悬浮系统寿命预测方法及相关装置 | |
CN117725765A (zh) | 基于响应分析的车辆悬架多目标优化方法、设备和介质 | |
CN117708997B (zh) | 基于遗传算法的车辆悬架设计参数确定方法、设备和介质 | |
CN117369425B (zh) | 汽车仪表总成故障诊断方法、系统、存储介质及计算机 | |
CN117975178B (zh) | 一种基于大数据分析的出租车轨迹数据分析方法 | |
US20240037296A1 (en) | Comparison of digital representations of driving situations of a vehicle | |
US11720542B2 (en) | Method for assessing validation points for a simulation model | |
CN117039855B (zh) | 一种电力系统的负荷智能预测方法及系统 | |
CN117709072A (zh) | 汽车底盘硬点设计参数及误差参数稳健性优化方法 | |
CN116895381A (zh) | 阿尔茨海默症预测模型的构建方法、装置、介质、设备 | |
CN117435893A (zh) | 参数校正方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |