CN107480395A - 一种车辆转向节载荷谱预测模型的构建方法及*** - Google Patents
一种车辆转向节载荷谱预测模型的构建方法及*** Download PDFInfo
- Publication number
- CN107480395A CN107480395A CN201710755443.5A CN201710755443A CN107480395A CN 107480395 A CN107480395 A CN 107480395A CN 201710755443 A CN201710755443 A CN 201710755443A CN 107480395 A CN107480395 A CN 107480395A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- neuron
- msubsup
- loading spectrum
- 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
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开一种车辆转向节载荷谱预测模型的构建方法及***,所述构建方法包括:获取转向节载荷谱多组测试样本;对各所述测试样本进行分析,确定转向节载荷谱的影响因素及对应的权重;基于神经网络,根据各组测试样本、影响因素及对应的权重,建立神经网络预测模型,用于预测待测车辆转向节载荷谱。本发明通过对多组测试样本进行分析,获得转向节载荷谱的影响因素及对应的权重,结合神经网络,建立神经网络预测模型以预测待测车辆转向节载荷谱,将神经网络的样本训练结果代替传统专家***中最为难以准确量化的专家经验,可有效提升运算效率和预测的准确度。
Description
技术领域
本发明涉及车辆载荷谱预测技术领域,特别是涉及一种车辆转向节载荷谱预测模型的构建方法及***。
背景技术
一款新车从产品设计初期到批量生产,整车厂要投入大量的人力与财力来验证整车、总成、零部件的耐久性。为加快研发进度,进行整车耐久性验证时都会选择较为恶劣的路况进行,一般要通过多轮试验验证,一轮十万公里的耐久性道路试验要进行四至八个月,试验场试验也要花费20天左右的时间。由于汽车底盘零部件设计周期较短,零部件耐久性试验从Mule Car(Mule Car表示一般称为杂合车或骡子车,是指新车型开发初期,使用手工制造或改制零部件搭建的样车,用于空间装配检查、性能数据采集、强度及疲劳寿命试验)就已经开始,借助零部件疲劳试验台架完成样件的破坏试验或截尾寿命试验,通过试验结果分析设计缺陷并优化,继而反复进行试验直至定型,能够真实反映恶劣路况对零部件激励的载荷谱是台架试验的基础。目前转向节边界硬点载荷谱的提取方法有以下几种:
1)路面载荷输入法
路面载荷输入法是将车辆采集的各种道路载荷谱中的垂向位移或者力作为仿真计算时的输入,经动力学仿真计算后得出车辆零部件边界处的载荷谱。道路位移载荷输入仿真方法中主要分为两种方法:汽车虚拟试验场技术VPG(Virtual Proving Ground)和高频轮胎模拟方法。
VPG虚拟试验场技术是由美国工程技术合作公司总结了多年的CAE工作经验,在LS-Dyna中二次开发的软件。该软件中的整车***一般由车身刚体模型、轮胎-车轮***和底盘有限元模型以及动力总成刚体模型组成,其中轮胎-车轮***的有限元是该软件的重要组成部分,它必须能模拟轮胎与实际道路模拟接触状况,由于虚拟试验场技术需要大量的非线性的材料参数以及相当长计算时间,而且该方法并不能反应出轮胎在高频输入下的真实特性,导致虚拟试验场技术在产品的快速开发中不能得到广泛应用。
高频轮胎模拟方法与多体动力学软件ADAMS中计算出轮胎在高频输入下的传递特性类似,在根据其传递特性计算出其传递到底盘的载荷。Ford公司发明出一种应用于多体模型仿真中的轮胎模型并且已经通过验证的参数中提取轮胎非线性参数,生成轮胎多体动力学路面载荷分析轮胎模型。
路面载荷输入法,由于现有轮胎模型难以精确反映轮胎在高频输入下的实际特性,所以路面载荷输入法并不能在工程中得到广泛应用。
2)轮心载荷输入法
建立在车辆的多体动力学模型上,利用在试验场采集的车辆四个轮心六分力道路载荷数据驱动模型进行仿真计算。这种方法可以直接避开精度不高的轮胎模型,直接在轴头上加载仿真。目前轮心输入法根据车身是否在仿真时被约束分为约束车身法和虚拟迭代法。
约束车身加载的方法是以约束车身的基础上,将轴头六分力所采集的载荷谱数据加载到轴头上进行仿真。这种方法虽能成功避开复杂的轮胎模型并且有着较快的计算速度,但是由于底盘相对于车身在进行实际行驶时有一定的相对位移量,而这种方法忽略了这种情况,故利用这种方法所提取出来的载荷谱的最大值会比实际的情况载荷值高,在后期进行疲劳耐久分析时并不能准确的反映出实际的载荷谱情况。
虚拟迭代法是将整车多体动力学模型在虚拟的台架下进行载荷谱提取的一种方法,这种方法将轴头六分力载荷输入至台架的虚拟作动器中,并且将轴头六分力载荷作为迭代的目标信号在虚拟的台架中进行迭代,最后得出虚拟台架作动器的位移在台架中进行加载,从而提取车身以及底盘零部件的载荷谱。这种方法并不约束整车车身,考虑了悬架与车身之间的相对位移。该方法的不足在于对原始路谱的准确性与多体模型的质量要求过高,二者的微小误差都会对迭代效果产生显著影响,这就要求在建模过程中,除准确掌握车辆结构关系、硬点坐标、弹簧减振器参数和轴荷等数据外,还需要准确的衬套测试数据、车身重心和转动惯量,而上述数据在新车设计初期是难以全面确定的。
发明内容
本发明的目的是提供一种车辆转向节载荷谱预测模型的构建方法及***,可准确确定车辆转向节边界硬点载荷谱。
为实现上述目的,本发明提供了如下方案:
一种车辆转向节载荷谱预测模型的构建方法,所述构建方法包括:
获取转向节载荷谱多组测试样本;
对各所述测试样本进行分析,确定转向节载荷谱的影响因素及对应的权重;
基于神经网络,根据各组测试样本、影响因素及对应的权重,建立神经网络预测模型,用于预测待测车辆转向节载荷谱。
可选的,各所述测试样本包括:转向节材料、悬架类型、整车参数、试验道路谱及转向节硬点载荷数据。
可选的,所述对各所述测试样本进行分析,具体包括:
根据测试样本中共性试验条件,选取多个评价指标,将每个评价指标的权重按照重要程度分为四个等级,并确定对应等级的等级权重值;
将每个评价指标的权重按照重要程度分为四个等级,并确定对应等级的等级权重值;
根据各组测试样本及等级权重值,采用加权评分法分析计算各个评价指标的总分值;
将各个评价指标的总分值按照从大到小的顺序排序,选择出前设定排名的评价指标为转向节载荷谱的影响因素;
分别将各影响因素的总分值进行归一化处理,得到分别对应各影响因素的权重。
可选的,所述对应等级的等级权重值依次为0.75、0.5、0.25、0。
可选的,所述建立神经网络预测模型,具体包括:
将神经网络的输入数据列转换为输入模式对;
初始化神经网络各层的权值和阈值,使各层的权值和阈值取随机数为初值;
根据以下公式确定每个模式对对应的道路谱神经元循环函数bj、载荷谱神经元循环函数Ct:
其中,i表示输入层神经元序号,i∈[1,n];j表示隐层神经元序号,j∈[1,n],n表示神经网络模型中输入层神经元或隐层神经元数量的取值上限;wij表示输入层神经元与隐层神经元之间的权重值;xi表示输入层神经元的输入数据序列,θj表示道路谱神经元阈值;t表示输出层神经元个数;vjt表示隐层神经元与输出层神经元之间的权重值;γt表示载荷谱神经元阈值;
根据以下公式计算神经网络的输出层的误差、隐层的误差:
其中,k表示各层中神经元的序号;表示输出层第k个神经元的期望输出;表示输出层第k个神经元的实际输出;表示输出层第k个神经元的误差;表示隐层第k个神经元的误差;
根据神经网络各层的误差计算神经网络的总误差;
判断神经网络的总误差是否小于精度阈值,如果小于,则停止学习,否则修改道路谱神经元循环函数bj、载荷谱神经元循环函数Ct;
根据以下公式确定载荷谱修正量:
根据载荷谱修正量对车辆载荷谱进行数据平滑、峰值及频率提取,建立车辆转向节载荷谱预测模型。
可选的,所述修改循环参数bj、Ct,具体包括:
根据以下公式计算增量Δwij(l+1)、Δvjt(l+1)、Δθj(l+1)、Δγt(l+1):
其中,l表示在神经网络模型的样本训练过程中自学习的样本序号;Δwij(0)为初始随机生成的输入层神经元与隐层神经元之间的权重,然后通过一个一个的样本数据对权重不断修正得到Δwij(l);Δvjt(0)为初始随机生成的隐层神经元与输出层神经元之间的权重,然后通过一个一个的样本数据对权重不断修正得到Δvjt(l);Δθj(0)为初始随机生成的道路谱神经元阈值,然后通过一个一个的样本数据对权重不断修正得到Δθj(l);Δγt(0)为初始随机生成的载荷谱神经元阈值,然后通过一个一个的样本数据对权重不断修正得到Δγt(l);α和β分别表示动量因子,取值范围为0.1-0.8;η表示Sigmoid参数,取值范围为0.9-1.0;
根据增量Δwij(l+1)、Δvjt(l+1)、Δθj(l+1)、Δγt(l+1)分别计算wij(l+1)、vjt(l+1)、θj(l+1)、γt(l+1):
wij(l+1)=wij(l)+Δwij(l+1);
vjt(l+1)=vjt(l)+Δvjt(l+1);
θj(l+1)=θj(l)+Δθj(l+1);
γt(l+1)=γt(l)+Δγt(l+1);
根据wij(l+1)、vjt(l+1)、θj(l+1)、γt(l+1)修改道路谱神经元循环函数bj、载荷谱神经元循环函数Ct。
为实现上述目的,本发明提供了如下方案:
一种车辆转向节载荷谱预测模型的构建***,所述构建***包括:
获取单元,用于获取转向节载荷谱多组测试样本;
分析单元,用于对各所述测试样本进行分析,确定转向节载荷谱的影响因素及对应的权重;
建模单元,用于基于神经网络,根据各组测试样本、影响因素及对应的权重,建立神经网络预测模型,用于预测待测车辆转向节载荷谱。
可选的,所述分析单元包括:
分级模块,用于根据测试样本中共性试验条件,选取多个评价指标,将每个评价指标的权重按照重要程度分为四个等级,并确定对应等级的等级权重值;
分值计算模块,用于根据各组测试样本及等级权重值,采用加权评分法分析计算各个评价指标的总分值;
选择模块,用于将各个评价指标的总分值按照从大到小的顺序排序,选择出前设定排名的评价指标为转向节载荷谱的影响因素;
归一化模块,用于分别将各影响因素的总分值进行归一化处理,得到分别对应各影响因素的权重。
可选的,所述建模单元包括:
转换模块,用于将神经网络的输入数据列转换为输入模式对;
初始化模块,用于初始化神经网络各层的权值和阈值,使各层的权值和阈值取随机数为初值;
确定模块,用于根据以下公式确定每个模式对对应的道路谱神经元循环函数bj、载荷谱神经元循环函数Ct:
其中,i表示输入层神经元序号,i∈[1,n];j表示隐层神经元序号,j∈[1,n],n表示神经网络模型中输入层神经元或隐层神经元数量的取值上限;wij表示输入层神经元与隐层神经元之间的权重值;xi表示输入层神经元的输入数据序列,θj表示道路谱神经元阈值;t表示输出层神经元个数;vjt表示隐层神经元与输出层神经元之间的权重值;γt表示载荷谱神经元阈值;
误差计算模块,用于根据以下公式计算神经网络的输出层的误差、隐层的误差:
其中,k表示各层中神经元的序号;表示输出层第k个神经元的期望输出;表示输出层第k个神经元的实际输出;表示输出层第k个神经元的误差、表示隐层第k个神经元的误差;
总误差计算模块,用于根据神经网络各层的误差计算神经网络的总误差;
判断模块,用于判断神经网络的总误差是否小于精度阈值;
修正模块,与所述判断模块连接,用于在所述判断模块的判断结果为总误差小于精度阈值时,停止学习,根据以下公式确定载荷谱修正量:
修改模块,分别与所述判断模块和确定模块连接,用于在所述判断模块的判断结果为总误差大于或等于精度阈值时,修改道路谱神经元循环函数bj、载荷谱神经元循环函数Ct,并发送至所述确定模块;
预测模块,与所述修正模块连接,用于根据载荷谱修正量对车辆载荷谱进行数据平滑、峰值及频率提取,建立车辆转向节载荷谱预测模型。
可选的,所述修改模块包括:
增量计算子模块,用于根据以下公式计算增量Δwij(l+1)、Δvjt(l+1)、Δθj(l+1)、Δγt(l+1):
其中,l表示在神经网络模型的样本训练过程中自学习的样本序号;Δwij(0)为初始随机生成的输入层神经元与隐层神经元之间的权重,然后通过一个一个的样本数据对权重不断修正得到Δwij(l);Δvjt(0)为初始随机生成的隐层神经元与输出层神经元之间的权重,然后通过一个一个的样本数据对权重不断修正得到Δvjt(l);Δθj(0)为初始随机生成的道路谱神经元阈值,然后通过一个一个的样本数据对权重不断修正得到Δθj(l);Δγt(0)为初始随机生成的载荷谱神经元阈值,然后通过一个一个的样本数据对权重不断修正得到Δγt(l);α和β分别表示动量因子,取值范围为0.1-0.8;η表示Sigmoid参数,取值范围为0.9-1.0;
中间量计算子模块,用于根据增量Δwij(l+1)、Δvjt(l+1)、Δθj(l+1)、Δγt(l+1)分别计算wij(l+1)、vjt(l+1)、θj(l+1)、γt(l+1):
wij(l+1)=wij(l)+Δwij(l+1);
vjt(l+1)=vjt(l)+Δvjt(l+1);
θj(l+1)=θj(l)+Δθj(l+1);
γt(l+1)=γt(l)+Δγt(l+1);
修改子模块,用于根据wij(l+1)、vjt(l+1)、θj(l+1)、γt(l+1)修改道路谱神经元循环函数bj、载荷谱神经元循环函数Ct。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明通过对多组测试样本进行分析,获得转向节载荷谱的影响因素及对应的权重,结合神经网络,建立神经网络预测模型以预测待测车辆转向节载荷谱,将神经网络的样本训练结果代替传统专家***中最为难以准确量化的专家经验,可有效提升运算效率和预测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例车辆转向节载荷谱预测模型的构建方法的流程图;
图2为本发明实施例专家库的组合结构示意图;
图3为神经网络模型结构示意图;
图4为本发明实施例车辆转向节载荷谱预测模型的构建***的模块结构示意图。
符号说明:
获取单元—1,分析单元—2,分级模块—21,分值计算模块—22,选择模块—23,归一化模块—24,建模单元—3,转换模块—31,初始化模块—32,确定模块—33,误差计算模块—34,总误差计算模块—35,判断模块—36,修正模块—37,修改模块—38,预测模块—39。
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。
本发明的目的是提供一种车辆转向节载荷谱预测模型的构建方法,通过对多组测试样本进行分析,获得转向节载荷谱的影响因素及对应的权重,结合神经网络,建立神经网络预测模型以预测待测车辆转向节载荷谱,将神经网络的样本训练结果代替传统专家***中最为难以准确量化的专家经验,可有效提升运算效率和预测的准确度。
载荷谱:借助某种统计计数方法,用数字、公式、图形、表格或者矩阵等来记录这种随机信号中蕴含的载荷循环信息。
动态载荷模拟:应用虚拟仿真技术获得不易实测的车辆零部件边界约束载荷的方法,根据有无实车实际试验数据输入可将动态载荷模拟分为全仿真法和半仿真法,目前半仿真法分为路面载荷输入和轮心载荷输入法。路面载荷输入主要是将车辆采集的各种道路载荷谱中的垂向位移或者力作为仿真计算时的输入,经动力学仿真计算后得出车辆零部件边界处的载荷谱;轮心载荷输入仍旧是建立在车辆的多体动力学模型上,利用在试验场轴头六分力仪所采集的车辆四个轮心道路载荷数据来驱动模型进行仿真计算。
Mule Car:一般称为杂合车或骡子车,是指新车型开发初期,使用手工制造或改制零部件搭建的样车,用于空间装配检查、性能数据采集、强度及疲劳寿命试验。
路面不平度:道路表面对于理想平面的偏离,它具有影响车辆动力性、行驶质量和路面动力载荷三者的数值特征。路面不平度曲线的纵坐标是路面的纵向位移变化值,横坐标表示道路的长度,是时间域的一种,在应用上称为长度域或空间域。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明车辆转向节载荷谱预测模型的构建方法包括:
步骤100:获取转向节载荷谱多组测试样本;
步骤200:对各所述测试样本进行分析,确定转向节载荷谱的影响因素及对应的权重;
步骤300:基于神经网络,根据各组测试样本、影响因素及对应的权重,建立神经网络预测模型,用于预测待测车辆转向节载荷谱。
其中,在本实施例中,获取不少于20组有效实测的测试样本,例如72组。各所述测试样本包括:转向节材料、悬架类型、整车参数(如表1所示,具备全部或者部分数据均可)、试验道路谱(即路面不平度数据)及转向节硬点载荷数据。所述转向节硬点载荷数据为载荷-时间历程数据(需提供测试车速)或载荷-距离历程数据,所指硬点为转向节与悬架***连接点,所指载荷为硬点X、Y、Z三向受力。
表1整车参数样表
在步骤200中,所述对各数所述测试样本进行分析,具体包括:
步骤201:根据测试样本中共性试验条件,选取多个评价指标,将每个评价指标的权重按照重要程度分为四个等级,并确定对应等级的等级权重值;
步骤202:根据各组测试样本及等级权重值,采用加权评分法分析计算各个评价指标的总分值;
步骤203将各个评价指标的总分值按照从大到小的顺序排序,选择出前设定排名的评价指标为转向节载荷谱的影响因素;
步骤204:分别将各影响因素的总分值进行归一化处理,得到分别对应各影响因素的权重。
其中,在转向节载荷谱样本中,测试环境涵盖汽车试验场道路试验与实验室台架试验两大类,二者的共性实验条件均可作为载荷谱预测的特征,所述共性实验条件为转向节材料与连接悬架类型均已确定、整车设计参数完备、具备详细测试路面谱数据及部分转向节基本设计参数。所以,基于转向节载荷谱样本,本发明选取的评价指标包括转向节材料、悬架类型、路面谱、转向节参数、整车参数、其他因素六个。
在本实施例中,共选取了72个典型有效测试样本,根据测试样本中共性试验条件,将选取的6个评价指标的权重分别分为4个等级。如表2所示,对应等级的等级权重值依次为0.75、0.5、0.25、0,重要程度最大的指标权重设为0.75,重要程度最小的指标权重设为0。
表2权重设计方案
将有效测试样本中各因素变化对载荷谱的影响进行量化,基于主成分分析的因子分析法将量化结果通过SPSS统计分析软件进行分析。将72个测试样本的评分定为72个变量var001~var0072,观测量为每位样本对6个评价指标的评分。
对数据进行因子分析处理,运用主成分分析方法得到主成分。其中满足一下条件:
(1)旋转方法选择最大方差法;(2)迭代次数不超过25;(3)旋转迭代次数不超过25;(4)使用回归方法计算因子得分;(5)使用相关矩阵进行分析计算。(6)用加权评分法分析计算各个评价指标的总分值,各个评价指标权重参照表2的权重设计方案。
表3载荷谱对不同影响因素的评分表
如表3所示,对各个评价指标进行加权评分分析后,计算各个指标总分值:
“转向节材料”指标加权评分和为:
38×0.75+19×0.5+10×0.25+5×0=40.5
“悬架类型”指标加权评分和为:
32×0.75+21×0.5+14×0.25+5×0=38
“路面谱”指标加权评分和为:
39×0.75+24×0.5+9×0.25+0×0=43.5
“其他因素”指标加权评分和为:
9×0.75+15×0.5+28×0.25+20×0=21.25
“整车参数”指标加权评分和为:
16×0.75+10×0.5+25×0.25+21×0=23.25
“转向节参数”指标加权评分和为:
14×0.75+12×0.5+24×0.25+22×0=22.5
根据分析结果,去除“转向节参数”及“其他因素”,选择剩余4项影响因素作为预测主特征,将加权评分值归一化后即为权重。
在步骤300中,所述建立神经网络预测模型,具体包括:
步骤301:将神经网络的输入数据列转换为输入模式对。
其中,各所述输入模式对为神经网络的一组输入样本,在本发明中为试验条件—载荷谱。通过使用Sigmoid函数形式的循环参数,计算样本误差,根据误差修正权重及阈值,根据新的权重及阈值计算输出,然后再进来一组输入样本,循环,直至收敛。所述循环参数包括道路谱神经元循环函数bj、载荷谱神经元循环函数Ct。
具体地,如图3所示,设ui(τ)为待测转向节载荷谱,ui(τ-1)为测试样本中与之使用条件最为近似的样本数据。令Ui(τ)=[u1(τ),u2(τ),...,ud(τ)],d为所考虑近似样本数据的总数。将Ui(τ),Ui(τ-1),…,Ui(τ-s)作为第τ个输入样本,Ui(τ+1)作为第τ个样本输出值。
由于神经网络的响应函数f(x)的特性决定了节点输出值的区间为(0,1),采用等比变换的方法对训练样本进行数值处理后输入网络,具体算法如下:
将输入数据列X=[U(τ)|τ=1,2,…]进行等比变换,得到神经网络的输入模式对。
步骤302:初始化神经网络各层的权值和阈值,使各层的权值和阈值取随机数为初值。
步骤303:根据公式(1)和(2)确定每个模式对对应的道路谱神经元循环函数bj、载荷谱神经元循环函数Ct:
其中,i表示输入层神经元序号,i∈[1,n];j表示隐层神经元序号,j∈[1,n],n表示神经网络模型中输入层神经元或隐层神经元数量的取值上限(一般取值为4);wij表示输入层神经元与隐层神经元之间的权重值;xi表示输入层神经元的输入数据序列,θj表示道路谱神经元阈值;t表示输出层神经元个数;vjt表示隐层神经元与输出层神经元之间的权重值;γt表示载荷谱神经元阈值。在本实施例中,i和j在本发明中恰好取值相同。
步骤304:根据公式(3)和(4)计算神经网络的输出层的误差隐层的误差
其中,k表示各层中神经元的序号;表示输出层第k个神经元的期望输出;表示输出层第k个神经元的实际输出;表示输出层第k个神经元的误差;表示隐层第k个神经元的误差。
步骤305:根据神经网络各层的误差计算神经网络的总误差。其中,所述神经网络的总误差E为各样本误差总和。
步骤306:判断神经网络的总误差是否小于精度阈值。
步骤307:如果小于,则停止学习,根据公式(5)确定载荷谱修正量:
步骤308:如果大于或等于,则修改道路谱神经元循环函数bj、载荷谱神经元循环函数Ct,执行步骤303。
步骤309:根据载荷谱修正量对车辆载荷谱进行数据平滑、峰值及频率提取,建立车辆转向节载荷谱预测模型。
其中,在步骤308中,所述修改循环参数bj、Ct,具体包括:
步骤308a:根据公式(6)-(9)计算增量Δwij(l+1)、Δvjt(l+1)、Δθj(l+1)、Δγt(l+1):
其中,l表示在神经网络模型的样本训练过程中自学习的样本序号;Δwij(0)为初始随机生成的输入层神经元与隐层神经元之间的权重,然后通过一个一个的样本数据对权重不断修正得到Δwij(l);Δvjt(0)为初始随机生成的隐层神经元与输出层神经元之间的权重,然后通过一个一个的样本数据对权重不断修正得到Δvjt(l);Δθj(0)为初始随机生成的道路谱神经元阈值,然后通过一个一个的样本数据对权重不断修正得到Δθj(l);Δγt(0)为初始随机生成的载荷谱神经元阈值,然后通过一个一个的样本数据对权重不断修正得到Δγt(l);α和β分别表示动量因子,取值范围为0.1-0.8;η表示Sigmoid参数,取值范围为0.9-1.0。
步骤308b:根据增量Δwij(l+1)、Δvjt(l+1)、Δθj(l+1)、Δγt(l+1)分别计算wij(l+1)、vjt(l+1)、θj(l+1)、γt(l+1):
wij(l+1)=wij(l)+Δwij(l+1) (10);
vjt(l+1)=vjt(l)+Δvjt(l+1) (11);
θj(l+1)=θj(l)+Δθj(l+1) 12);
γt(l+1)=γt(l)+Δγt(l+1) (13)。
步骤308c:根据wij(l+1)、vjt(l+1)、θj(l+1)、γt(l+1)道路谱神经元循环函数bj、载荷谱神经元循环函数Ct。
此外,本发明车辆转向节载荷谱预测模型的构建方法还需构建转向节载荷谱专家知识库,如图2所示,转向节载荷谱专家知识库的构建主要包括六个部分,分别为知识库、推理机、综合数据库、知识获取机制、解析机制和人机接口知识库、推理机、综合数据库是转向节载荷谱预测专家***的核心模块,决定了***的效能。
(1)知识库用于存放转向节载荷谱预测所需要的知识,即人工神经网络样本自学习后的特征权重与网络阈值,用***表示知识的方法将其存放入知识库中;
(2)推理机负责使用知识库中的知识对具体用户需求进行快速预测;
(3)综合数据库用于存放样本数据与***运行过程中产生的所有信息,包括特征数据、中间结果、解析过程等。
4)神经网络预测模型的训练样本来源于综合数据库,训练后的规则动态储存到知识库中,实现传统专家***中专家知识、经验的量化功能,根据主成分分析所确定的四个影响因素及后续扩展的需要,建立如图3所示的神经网络模型。
与现有技术相比,本发明车辆转向节载荷谱预测模型的构建方法具有以下优点:
1)本发明建立的转向节载荷谱专家知识库不同于传统的专家***,对综合数据库与知识库的定义与使用都有改进,利用神经网络将二者有机连接,将神经网络的样本训练结果代替传统专家***中最为难以准确量化的专家经验,可有效提升***的运算效率。
2)影响转向节载荷谱的测试环境特征提取及重要度界定是决定本发明预测精度的关键环节。在对样本信息人工特征提取的基础上,采用主成分分析的思想应用SPSS软件处理大数据的统计分析问题,能够同时得到特征影响程度的排序及权重设置依据。
如图4所示,本发明还提供一种车辆转向节载荷谱预测模型的构建***。具体的,本发明车辆转向节载荷谱预测模型的构建***包括获取单元1、分析单元2及建模单元3。
其中,所述获取单元1获取转向节载荷谱多组测试样本;所述分析单元2对各所述测试样本进行分析,确定转向节载荷谱的影响因素及对应的权重;所述建模单元3基于神经网络,根据各组测试样本、影响因素及对应的权重,建立神经网络预测模型,用于预测待测车辆转向节载荷谱。
其中,所述分析单元2包括分级模块21、分值计算模块22、选择模块23及归一化模块24。所述分级模块21用于根据测试样本中共性试验条件,选取多个评价指标,将每个评价指标的权重按照重要程度分为四个等级,并确定对应等级的等级权重值;所述分值计算模块22根据各组测试样本及等级权重值,采用加权评分法分析计算各个评价指标的总分值;所述选择模块23将各个评价指标的总分值按照从大到小的顺序排序,选择出前设定排名的评价指标为转向节载荷谱的影响因素;所述归一化模块24分别将各影响因素的总分值进行归一化处理,得到分别对应各影响因素的权重。
所述建模单元3包括转换模块31、初始化模块32、确定模块33、误差计算模块34、总误差计算模块35、判断模块36及修正模块37。
所述转换模块31将神经网络的输入数据列转换为输入模式对;所述初始化模块32初始化神经网络各层的权值和阈值,使各层的权值和阈值取随机数为初值;
所述确定模块33根据公式(1)和(2)确定每个模式对对应的道路谱神经元循环函数bj、载荷谱神经元循环函数Ct:
其中,其中,i表示输入层神经元,i∈[1,n];j表示隐层神经元,j∈[1,n],n表示神经网络模型中输入层神经元或隐层神经元的取值上限;wij表示输入层神经元与隐层神经元之间的权重值;xi表示输入层神经元的输入数据序列,θj表示道路谱神经元阈值;t表示输出层神经元个数、vjt表示隐层神经元与输出层神经元之间的权重值;γt表示载荷谱神经元阈值;
所述误差计算模块34根据公式(3)和(4)计算神经网络各层的误差
其中,k表示各层中神经元的序号;表示输出层第k个神经元的期望输出、表示输出层第k个神经元的实际输出、表示输出层第k个神经元的误差、表示隐层第k个神经元的误差;
所述总误差计算模块35根据神经网络各层的误差计算神经网络的总误差;
所述判断模块36判断神经网络的总误差是否小于精度阈值;
所述修正模块37与所述判断模块36连接,所述修正模块37在所述判断模块的判断结果为总误差小于精度阈值时,停止学习,根据公式(5)确定载荷谱修正量:
所述修改模块38分别与所述判断模块36和确定模块33连接,所述修改模块38在所述判断模块36的判断结果为总误差大于或等于精度阈值时,修改修改道路谱神经元循环函数bj、载荷谱神经元循环函数Ct,并发送至所述确定模块33。
所述预测模块39与所述修正模块连接,所述预测模块39根据载荷谱修正量对车辆载荷谱进行数据平滑、峰值及频率提取,建立车辆转向节载荷谱预测模型。
其中,所述修改模块38包括增量计算子模块、中间量计算子模块及修改子模块。
其中,所述增量计算子模块根据公式(6)-(9)计算增量Δwij(l+1)、Δvjt(l+1)、Δθj(l+1)、Δγt(l+1):
其中,l表示在神经网络模型的样本训练过程中自学习的样本序号;Δwij(0)为初始随机生成的输入层神经元与隐层神经元之间的权重,然后通过一个一个的样本数据对权重不断修正得到Δwij(l);Δvjt(0)为初始随机生成的隐层神经元与输出层神经元之间的权重,然后通过一个一个的样本数据对权重不断修正得到Δvjt(l);Δθj(0)为初始随机生成的道路谱神经元阈值,然后通过一个一个的样本数据对权重不断修正得到Δθj(l);Δγt(0)为初始随机生成的载荷谱神经元阈值,然后通过一个一个的样本数据对权重不断修正得到Δγt(l);α和β分别表示动量因子,取值范围为0.1-0.8;η表示Sigmoid参数,取值范围为0.9-1.0;
所述中间量计算子模块根据增量Δwij(l+1)、Δvjt(l+1)、Δθj(l+1)、Δγt(l+1)分别计算wij(l+1)、vjt(l+1)、θj(l+1)、γt(l+1):
wij(l+1)=wij(l)+Δwij(l+1) (10);
vjt(l+1)=vjt(l)+Δvjt(l+1) (11);
θj(l+1)=θj(l)+Δθj(l+1) (12);
γt(l+1)=γt(l)+Δγt(l+1) (13);
所述修改子模块根据wij(l+1)、vjt(l+1)、θj(l+1)、γt(l+1)修改道路谱神经元循环函数bj、载荷谱神经元循环函数Ct。
相对于现有技术,本发明车辆转向节载荷谱预测模型的构建***与上述车辆转向节载荷谱预测模型的构建方法的有益效果相同,在此不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种车辆转向节载荷谱预测模型的构建方法,其特征在于,所述构建方法包括:
获取转向节载荷谱多组测试样本;
对各所述测试样本进行分析,确定转向节载荷谱的影响因素及对应的权重;
基于神经网络,根据各组测试样本、影响因素及对应的权重,建立神经网络预测模型,用于预测待测车辆转向节载荷谱。
2.根据权利要求1所述的车辆转向节载荷谱预测模型的构建方法,其特征在于,各所述测试样本包括:转向节材料、悬架类型、整车参数、试验道路谱及转向节硬点载荷数据。
3.根据权利要求1所述的车辆转向节载荷谱预测模型的构建方法,其特征在于,所述对各所述测试样本进行分析,具体包括:
根据测试样本中共性试验条件,选取多个评价指标,将每个评价指标的权重按照重要程度分为四个等级,并确定对应等级的等级权重值;
将每个评价指标的权重按照重要程度分为四个等级,并确定对应等级的等级权重值;
根据各组测试样本及等级权重值,采用加权评分法分析计算各个评价指标的总分值;
将各个评价指标的总分值按照从大到小的顺序排序,选择出前设定排名的评价指标为转向节载荷谱的影响因素;
分别将各影响因素的总分值进行归一化处理,得到分别对应各影响因素的权重。
4.根据权利要求3所述的车辆转向节载荷谱预测模型的构建方法,其特征在于,所述对应等级的等级权重值依次为0.75、0.5、0.25、0。
5.根据权利要求1所述的车辆转向节载荷谱预测模型的构建方法,其特征在于,所述建立神经网络预测模型,具体包括:
将神经网络的输入数据列转换为输入模式对;
初始化神经网络各层的权值和阈值,使各层的权值和阈值取随机数为初值;
根据以下公式确定每个模式对对应的道路谱神经元循环函数bj、载荷谱神经元循环函数Ct:
<mrow>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>C</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>v</mi>
<mrow>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&gamma;</mi>
<mi>t</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,i表示输入层神经元序号,i∈[1,n];j表示隐层神经元序号,j∈[1,n],n表示神经网络模型中输入层神经元或隐层神经元数量的取值上限;wij表示输入层神经元与隐层神经元之间的权重值;xi表示输入层神经元的输入数据序列,θj表示道路谱神经元阈值;t表示输出层神经元个数;vjt表示隐层神经元与输出层神经元之间的权重值;γt表示载荷谱神经元阈值;
根据以下公式计算神经网络的输出层的误差、隐层的误差:
<mrow>
<msubsup>
<mi>d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>C</mi>
<mi>j</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<msubsup>
<mi>C</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>C</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>e</mi>
<mi>j</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
1
其中,k表示各层中神经元的序号;表示输出层第k个神经元的期望输出;表示输出层第k个神经元的实际输出;表示输出层第k个神经元的误差;表示隐层第k个神经元的误差;
根据神经网络各层的误差计算神经网络的总误差;
判断神经网络的总误差是否小于精度阈值,如果小于,则停止学习,否则修改道路谱神经元循环函数bj、载荷谱神经元循环函数Ct;
根据以下公式确定载荷谱修正量:
<mrow>
<msub>
<mi>Q</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>v</mi>
<mrow>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>/</mo>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>&gamma;</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
根据载荷谱修正量对车辆载荷谱进行数据平滑、峰值及频率提取,建立车辆转向节载荷谱预测模型。
6.根据权利要求5所述的车辆转向节载荷谱预测模型的构建方法,其特征在于,所述修改循环参数bj、Ct,具体包括:
根据以下公式计算增量Δwij(l+1)、Δvjt(l+1)、Δθj(l+1)、Δγt(l+1):
<mrow>
<msub>
<mi>&Delta;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>e</mi>
<mi>j</mi>
<mi>k</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>&eta;</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>&Delta;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Delta;v</mi>
<mrow>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mi>&eta;</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>&Delta;v</mi>
<mrow>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Delta;&theta;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>l</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>e</mi>
<mi>j</mi>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<mi>&eta;</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>&Delta;&theta;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>&Delta;&gamma;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<mi>&eta;</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>&Delta;&gamma;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,l表示在神经网络模型的样本训练过程中自学习的样本序号;Δwij(0)为初始随机生成的输入层神经元与隐层神经元之间的权重,然后通过一个一个的样本数据对权重不断修正得到Δwij(l);Δvjt(0)为初始随机生成的隐层神经元与输出层神经元之间的权重,然后通过一个一个的样本数据对权重不断修正得到Δvjt(l);Δθj(0)为初始随机生成的道路谱神经元阈值,然后通过一个一个的样本数据对权重不断修正得到Δθj(l);Δγt(0)为初始随机生成的载荷谱神经元阈值,然后通过一个一个的样本数据对权重不断修正得到Δγt(l);α和β分别表示动量因子,取值范围为0.1-0.8;η表示Sigmoid参数,取值范围为0.9-1.0;
根据增量Δwij(l+1)、Δvjt(l+1)、Δθj(l+1)、Δγt(l+1)分别计算wij(l+1)、vjt(l+1)、θj(l+1)、γt(l+1):
wij(l+1)=wij(l)+Δwij(l+1);
vjt(l+1)=vjt(l)+Δvjt(l+1);
θj(l+1)=θj(l)+Δθj(l+1);
γt(l+1)=γt(l)+Δγt(l+1);
根据wij(l+1)、vjt(l+1)、θj(l+1)、γt(l+1)修改道路谱神经元循环函数bj、载荷谱神经元循环函数Ct。
7.一种车辆转向节载荷谱预测模型的构建***,其特征在于,所述构建***包括:
获取单元,用于获取转向节载荷谱多组测试样本;
分析单元,用于对各所述测试样本进行分析,确定转向节载荷谱的影响因素及对应的权重;
建模单元,用于基于神经网络,根据各组测试样本、影响因素及对应的权重,建立神经网络预测模型,用于预测待测车辆转向节载荷谱。
8.根据权利要求7所述的车辆转向节载荷谱预测模型的构建***,其特征在于,所述分析单元包括:
分级模块,用于根据测试样本中共性试验条件,选取多个评价指标,将每个评价指标的权重按照重要程度分为四个等级,并确定对应等级的等级权重值;
分值计算模块,用于根据各组测试样本及等级权重值,采用加权评分法分析计算各个评价指标的总分值;
选择模块,用于将各个评价指标的总分值按照从大到小的顺序排序,选择出前设定排名的评价指标为转向节载荷谱的影响因素;
归一化模块,用于分别将各影响因素的总分值进行归一化处理,得到分别对应各影响因素的权重。
9.根据权利要求7所述的车辆转向节载荷谱预测模型的构建***,其特征在于,所述建模单元包括:
转换模块,用于将神经网络的输入数据列转换为输入模式对;
初始化模块,用于初始化神经网络各层的权值和阈值,使各层的权值和阈值取随机数为初值;
确定模块,用于根据以下公式确定每个模式对对应的道路谱神经元循环函数bj、载荷谱神经元循环函数Ct:
<mrow>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>C</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>v</mi>
<mrow>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&gamma;</mi>
<mi>t</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,i表示输入层神经元序号,i∈[1,n];j表示隐层神经元序号,j∈[1,n],n表示神经网络模型中输入层神经元或隐层神经元数量的取值上限;wij表示输入层神经元与隐层神经元之间的权重值;xi表示输入层神经元的输入数据序列,θj表示道路谱神经元阈值;t表示输出层神经元个数;vjt表示隐层神经元与输出层神经元之间的权重值;γt表示载荷谱神经元阈值;
误差计算模块,用于根据以下公式计算神经网络的输出层的误差、隐层的误差:
<mrow>
<msubsup>
<mi>d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>C</mi>
<mi>j</mi>
<mi>k</mi>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
<msubsup>
<mi>C</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>C</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>e</mi>
<mi>j</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>q</mi>
</munderover>
<msubsup>
<mi>d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,k表示各层中神经元的序号;表示输出层第k个神经元的期望输出;表示输出层第k个神经元的实际输出;表示输出层第k个神经元的误差、表示隐层第k个神经元的误差;
总误差计算模块,用于根据神经网络各层的误差计算神经网络的总误差;
判断模块,用于判断神经网络的总误差是否小于精度阈值;
修正模块,与所述判断模块连接,用于在所述判断模块的判断结果为总误差小于精度阈值时,停止学习,根据以下公式确定载荷谱修正量:
<mrow>
<msub>
<mi>Q</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>v</mi>
<mrow>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>/</mo>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mrow>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>&gamma;</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
修改模块,分别与所述判断模块和确定模块连接,用于在所述判断模块的判断结果为总误差大于或等于精度阈值时,修改道路谱神经元循环函数bj、载荷谱神经元循环函数Ct,并发送至所述确定模块;
预测模块,与所述修正模块连接,用于根据载荷谱修正量对车辆载荷谱进行数据平滑、峰值及频率提取,建立车辆转向节载荷谱预测模型。
10.根据权利要求7所述的车辆转向节载荷谱预测模型的构建***,其特征在于,所述修改模块包括:
增量计算子模块,用于根据以下公式计算增量Δwij(l+1)、Δvjt(l+1)、Δθj(l+1)、Δγt(l+1):
<mrow>
<msub>
<mi>&Delta;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>e</mi>
<mi>j</mi>
<mi>k</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>&eta;</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>&Delta;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Delta;v</mi>
<mrow>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mi>&eta;</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>&Delta;v</mi>
<mrow>
<mi>j</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Delta;&theta;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>e</mi>
<mi>j</mi>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<mi>&eta;</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>&Delta;&theta;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>&Delta;&gamma;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>d</mi>
<mi>t</mi>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<mi>&eta;</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>&Delta;&gamma;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,l表示在神经网络模型的样本训练过程中自学习的样本序号;Δwij(0)为初始随机生成的输入层神经元与隐层神经元之间的权重,然后通过一个一个的样本数据对权重不断修正得到Δwij(l);Δvjt(0)为初始随机生成的隐层神经元与输出层神经元之间的权重,然后通过一个一个的样本数据对权重不断修正得到Δvjt(l);Δθj(0)为初始随机生成的道路谱神经元阈值,然后通过一个一个的样本数据对权重不断修正得到Δθj(l);Δγt(0)为初始随机生成的载荷谱神经元阈值,然后通过一个一个的样本数据对权重不断修正得到Δγt(l);α和β分别表示动量因子,取值范围为0.1-0.8;η表示Sigmoid参数,取值范围为0.9-1.0;
中间量计算子模块,用于根据增量Δwij(l+1)、Δvjt(l+1)、Δθj(l+1)、Δγt(l+1)分别计算wij(l+1)、vjt(l+1)、θj(l+1)、γt(l+1):
wij(l+1)=wij(l)+Δwij(l+1);
vjt(l+1)=vjt(l)+Δvjt(l+1);
θj(l+1)=θj(l)+Δθj(l+1);
γt(l+1)=γt(l)+Δγt(l+1);
修改子模块,用于根据wij(l+1)、vjt(l+1)、θj(l+1)、γt(l+1)修改道路谱神经元循环函数bj、载荷谱神经元循环函数Ct。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710755443.5A CN107480395B (zh) | 2017-08-29 | 2017-08-29 | 一种车辆转向节载荷谱预测模型的构建方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710755443.5A CN107480395B (zh) | 2017-08-29 | 2017-08-29 | 一种车辆转向节载荷谱预测模型的构建方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107480395A true CN107480395A (zh) | 2017-12-15 |
CN107480395B CN107480395B (zh) | 2019-12-13 |
Family
ID=60603947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710755443.5A Active CN107480395B (zh) | 2017-08-29 | 2017-08-29 | 一种车辆转向节载荷谱预测模型的构建方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480395B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108860152A (zh) * | 2018-06-21 | 2018-11-23 | 江苏大学 | 一种基于阻尼系数修正的路面不平度辨识***及方法 |
CN108932382A (zh) * | 2018-06-29 | 2018-12-04 | 重庆交通大学 | 一种货运铁路简支梁桥的结构状态评价方法 |
CN111159838A (zh) * | 2018-10-18 | 2020-05-15 | 现代自动车株式会社 | 预测接合异种材料的接合强度的方法及车辆制造方法 |
CN111639595A (zh) * | 2020-05-29 | 2020-09-08 | 桂林电子科技大学 | 基于权重不可知神经网络的无人机微动特征信号检测方法 |
CN111737834A (zh) * | 2020-06-22 | 2020-10-02 | 安徽江淮汽车集团股份有限公司 | 车辆中频nvh值获取方法及装置 |
CN112417485A (zh) * | 2020-11-30 | 2021-02-26 | 支付宝(杭州)信息技术有限公司 | 一种基于可信执行环境的模型训练方法、***及装置 |
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 |
CN116839783A (zh) * | 2023-09-01 | 2023-10-03 | 华东交通大学 | 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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894185A (zh) * | 2010-06-29 | 2010-11-24 | 北京航空航天大学 | 一种基于动态双极mpnn的小样本数据对象的寿命预测方法 |
CN102938093A (zh) * | 2012-10-18 | 2013-02-20 | 安徽工程大学 | 一种风电功率预测的方法 |
CN103018673A (zh) * | 2012-11-19 | 2013-04-03 | 北京航空航天大学 | 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法 |
US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
CN105550774A (zh) * | 2015-12-11 | 2016-05-04 | 浙江省公众信息产业有限公司 | 设施投料预测方法和*** |
-
2017
- 2017-08-29 CN CN201710755443.5A patent/CN107480395B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894185A (zh) * | 2010-06-29 | 2010-11-24 | 北京航空航天大学 | 一种基于动态双极mpnn的小样本数据对象的寿命预测方法 |
US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
CN102938093A (zh) * | 2012-10-18 | 2013-02-20 | 安徽工程大学 | 一种风电功率预测的方法 |
CN103018673A (zh) * | 2012-11-19 | 2013-04-03 | 北京航空航天大学 | 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法 |
CN105550774A (zh) * | 2015-12-11 | 2016-05-04 | 浙江省公众信息产业有限公司 | 设施投料预测方法和*** |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108860152A (zh) * | 2018-06-21 | 2018-11-23 | 江苏大学 | 一种基于阻尼系数修正的路面不平度辨识***及方法 |
CN108932382A (zh) * | 2018-06-29 | 2018-12-04 | 重庆交通大学 | 一种货运铁路简支梁桥的结构状态评价方法 |
CN108932382B (zh) * | 2018-06-29 | 2022-05-10 | 重庆交通大学 | 一种货运铁路简支梁桥的结构状态评价方法 |
CN111159838A (zh) * | 2018-10-18 | 2020-05-15 | 现代自动车株式会社 | 预测接合异种材料的接合强度的方法及车辆制造方法 |
CN111159838B (zh) * | 2018-10-18 | 2024-04-16 | 现代自动车株式会社 | 预测接合异种材料的接合强度的方法及车辆制造方法 |
CN111639595B (zh) * | 2020-05-29 | 2022-03-18 | 桂林电子科技大学 | 基于权重不可知神经网络的无人机微动特征信号检测方法 |
CN111639595A (zh) * | 2020-05-29 | 2020-09-08 | 桂林电子科技大学 | 基于权重不可知神经网络的无人机微动特征信号检测方法 |
CN111737834B (zh) * | 2020-06-22 | 2023-04-07 | 安徽江淮汽车集团股份有限公司 | 车辆中频nvh值获取方法及装置 |
CN111737834A (zh) * | 2020-06-22 | 2020-10-02 | 安徽江淮汽车集团股份有限公司 | 车辆中频nvh值获取方法及装置 |
CN112417485A (zh) * | 2020-11-30 | 2021-02-26 | 支付宝(杭州)信息技术有限公司 | 一种基于可信执行环境的模型训练方法、***及装置 |
CN112417485B (zh) * | 2020-11-30 | 2024-02-02 | 支付宝(杭州)信息技术有限公司 | 一种基于可信执行环境的模型训练方法、***及装置 |
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 |
CN116839783A (zh) * | 2023-09-01 | 2023-10-03 | 华东交通大学 | 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 |
CN116839783B (zh) * | 2023-09-01 | 2023-12-08 | 华东交通大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN107480395B (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480395A (zh) | 一种车辆转向节载荷谱预测模型的构建方法及*** | |
Xiao et al. | A new adaptive sequential sampling method to construct surrogate models for efficient reliability analysis | |
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 | |
CN107085763A (zh) | 一种电动汽车用驱动电机***性能评价方法 | |
CN114117840B (zh) | 一种基于仿真和试验数据混合驱动的结构性能预测方法 | |
CN112733442A (zh) | 基于深度学习的路面长期性能预测模型及其构建方法 | |
CN103902820A (zh) | 一种组合路况下车辆结构疲劳损伤计算的当量系数法 | |
CN111797471B (zh) | 基于径向基神经网络近似模型的发动机罩轻量化设计方法 | |
CN110414052A (zh) | 一种基于数字样车和虚拟路谱的汽车结构疲劳寿命计算方法 | |
CN102880908A (zh) | 一种基于bp神经网络的再制造零件环境损耗的计算方法 | |
CN114528666A (zh) | 一种基于多层级分布式协同代理模型的复杂结构***可靠性方法 | |
Shafighfard et al. | Chained machine learning model for predicting load capacity and ductility of steel fiber–reinforced concrete beams | |
Yang et al. | A neural network approach to predicting car tyre micro-scale and macro-scale behaviour | |
CN107292029A (zh) | 一种基于成形缺陷预测板料成形工艺参数的确定方法 | |
Wang et al. | Crashworthiness-based multi-objective integrated optimization of electric vehicle chassis frame | |
Rebelo et al. | Use of data mining techniques to explain the primary factors influencing water sensitivity of asphalt mixtures | |
CN113850024A (zh) | 一种基于机器学习的钢筋混凝土构件抗撞性能预测方法 | |
CN116663425A (zh) | 基于模态拓展和残差cnn-lstm网络的桥梁车致振动预测方法 | |
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 | |
CN103034754B (zh) | 车身轻量化设计的解耦模式的数据处理分组建模方法 | |
CN114491730B (zh) | 一种高速铁路路基结构动力安定分析迭代方法及装置 | |
Gopalakrishnan et al. | Finite element based adaptive neuro‐fuzzy inference technique for parameter identification of multi‐layered transportation structures | |
Gao et al. | Programmed load spectrum for fatigue bench test of a vehicle body | |
CN107704664A (zh) | 一种基于疲劳折算的安全系数计算方法、装置及电子设备 | |
Bylund | Simulation driven product development applied to car body design |
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 |