CN111090959B - 车辆载荷谱获取方法和*** - Google Patents
车辆载荷谱获取方法和*** Download PDFInfo
- Publication number
- CN111090959B CN111090959B CN201911424933.2A CN201911424933A CN111090959B CN 111090959 B CN111090959 B CN 111090959B CN 201911424933 A CN201911424933 A CN 201911424933A CN 111090959 B CN111090959 B CN 111090959B
- Authority
- CN
- China
- Prior art keywords
- matrix
- stress
- load
- training
- target vehicle
- 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
Images
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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种车辆载荷谱获取方法和***,包括:获取目标车辆的受力矩阵;受力矩阵包括以下任一项:应力矩阵和应变矩阵;将受力矩阵输入到训练之后的支持向量机模型中,得到目标车辆的载荷矩阵;载荷矩阵为基于目标车辆在轮心处的载荷确定的矩阵;基于载荷矩阵确定目标车辆的载荷谱。本发明缓解了现有技术中存在的车辆载荷谱的获取不准确和精度低的技术问题。
Description
技术领域
本发明涉及载荷谱测量技术领域,尤其是涉及一种车辆载荷谱获取方法和***。
背景技术
耐久可靠性是汽车研发中非常重要的产品品质,可靠性设计首要问题是获取汽车结构各***及零部件在用户使用中的载荷环境。
目前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位移或者力或者加速度作为仿真计算时的输入,通过动力学计算得出车辆连接边界处的载荷谱。道路载荷输入仿真方法中主要是指汽车虚拟试验场技术VPG(Virtual Proving Ground)模拟方法。VPG虚拟试验场中的整车***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,并且他不能反应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。
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六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。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有效值会比实际的情况载荷有效值高,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,载荷谱准确率低。
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,并且由于零部件一致性和安装状态差异的影响,载荷谱采集样车常常于动力学样车存在差异,降低了模型迭代的精度,同时由于整车连接点数量较多,几乎很难将模型与实车调整到一致状态,使得整车载荷谱十分不准确、精度低。
发明内容
有鉴于此,本发明的目的在于提供一种车辆载荷谱获取方法和***,以缓解了现有技术中存在的车辆载荷谱的获取不准确和精度低的技术问题。
第一方面,本发明实施例提供了一种车辆载荷谱获取方法,包括:获取目标车辆的受力矩阵;所述受力矩阵包括以下任一项:应力矩阵和应变矩阵;所述应力矩阵为基于所述目标车辆上至少一个预设节点所受应力确定的应力矩阵,所述应变矩阵为基于所述目标车辆上至少一个预设节点因所受应力而产生的应变确定的应变矩阵;将所述受力矩阵输入到训练之后的支持向量机模型中,得到所述目标车辆的载荷矩阵;所述载荷矩阵为基于所述目标车辆在轮心处的载荷确定的矩阵;基于所述载荷矩阵确定所述目标车辆的载荷谱。
进一步地,获取目标车辆的受力矩阵,包括:获取预先安装在所述目标车辆的至少一个预设节点上的应变片采集到的受力数据;其中,所述受力数据为所述应变片在所述目标车辆通过不同坏路时采集到的应变数据和/或应力数据;基于所述应力数据和/或应变数据确定所述受力矩阵。
进一步地,所述方法还包括:获取训练矩阵集;所述训练矩阵集包括:所述目标车辆的在多个工况下的载荷矩阵集合和受力矩阵集合,所述载荷矩阵集合中每个载荷矩阵与受力矩阵集合中的受力矩阵一一对应;利用所述训练矩阵集训练初始支持向量机模型,得到所述训练之后的支持向量机模型。
进一步地,获取训练矩阵集,包括:获取所述目标车辆在多个工况下的载荷矩阵集合;建立所述目标车辆的有限元模型;将所述载荷矩阵集合输入到所述有限元模型中,计算所述有限元模型中至少一个预设节点所受应力大小和/或所述有限元模型中至少一个预设节点的应变大小,得到所述受力矩阵集合;将所述受力矩阵集合和所述载荷矩阵集合确定为所述训练矩阵集,其中,所述训练矩阵集中的一个训练矩阵样本包括:一个受力矩阵和与其对应的载荷矩阵。
进一步地,利用所述训练矩阵集训练初始支持向量机模型,得到所述训练之后的支持向量机模型,包括:将所述载荷矩阵集合作为输入,并将所述受力矩阵结合作为输出,训练所述初始支持向量机模型,得到所述训练之后的支持向量机模型。
第二方面,本发明实施例还提供了一种车辆载荷谱获取***,包括:获取模块,模拟模块和确定模块,其中,所述获取模块,用于获取目标车辆的受力矩阵;所述受力矩阵包括以下任一项:应力矩阵和应变矩阵;所述应力矩阵为基于所述目标车辆上至少一个预设节点所受应力确定的应力矩阵,所述应变矩阵为基于所述目标车辆上至少一个预设节点因所受应力而产生的应变确定的应变矩阵;所述模拟模块,用于将所述受力矩阵输入到训练之后的支持向量机模型中,得到所述目标车辆的载荷矩阵;所述载荷矩阵为基于所述目标车辆在轮心处的载荷确定的矩阵;所述确定模块,用于基于所述载荷矩阵确定所述目标车辆的载荷谱。
进一步地,所述获取模块还包括:第一获取单元和确定单元,其中,所述第一获取单元,用于获取预先安装在所述目标车辆的至少一个预设节点上的应变片采集到的受力数据;其中,所述受力数据为所述应变片在所述目标车辆通过不同坏路时采集到的应变数据和/或应力数据;基于所述应力数据和/或应变数据确定所述受力矩阵。
进一步地,所述***还包括:训练模块,所述训练模块包括:第二获取单元和训练单元,其中,所述第二获取单元,用于获取训练矩阵集;所述训练矩阵集包括:所述目标车辆的在多个工况下的载荷矩阵集合和受力矩阵集合,所述载荷矩阵集合中每个载荷矩阵与受力矩阵集合中的受力矩阵一一对应;所述训练单元,用于利用所述训练矩阵集训练初始支持向量机模型,得到所述训练之后的支持向量机模型。
进一步地,所述第二获取单元,还用于:获取所述目标车辆在多个工况下的载荷矩阵集合;建立所述目标车辆的有限元模型;将所述载荷矩阵集合输入到所述有限元模型中,计算所述有限元模型中至少一个预设节点所受应力大小和/或所述有限元模型中至少一个预设节点的应变大小,得到所述受力矩阵集合;将所述受力矩阵集合和所述载荷矩阵集合确定为所述训练矩阵集,其中,所述训练矩阵集中的一个训练矩阵样本包括:一个受力矩阵和与其对应的载荷矩阵。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器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上述第一方面所述的方法的步骤。
本发明实施例带来了以下有益效果:本发明实施例提供的一种车辆载荷谱获取方法和***,首先获取目标车辆的受力矩阵,然后将所述受力矩阵输入到训练之后的支持向量机模型,得到所述目标车辆的载荷矩阵,最后基于所述载荷矩阵确定所述目标车辆的载荷谱。本发明实施例无需使用六分力传感器采集试验数据,通过稳健性高的支持向量机模型对获取到的应力矩阵进行拟合而得到载荷谱的方式,达到载荷谱的准确率和精度更高的技术效果。
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为本发明实施例提供的一种车辆载荷谱获取方法的流程图;
图2为本发明实施例提供的一种车辆载荷谱获取***的示意图;
图3为本发明实施例提供的另一种车辆载荷谱获取***的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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。
实施例一:
图1是根据本发明实施例提供的一种车辆载荷谱获取方法的流程图。如图1所示,该方法具体包括如下步骤:
步骤S102,获取目标车辆的受力矩阵;受力矩阵包括以下任一项:应力矩阵和应变矩阵;应力矩阵为基于目标车辆上至少一个预设节点所受应力确定的应力矩阵,应变矩阵为基于目标车辆上至少一个预设节点因所受应力而产生的应变确定的应变矩阵。
步骤S104,将受力矩阵输入到训练之后的支持向量机模型中,得到目标车辆的载荷矩阵;载荷矩阵为基于目标车辆在轮心处的载荷确定的矩阵。
步骤S106,基于载荷矩阵确定目标车辆的载荷谱。
本发明实施例提供的一种车辆载荷谱获取方法,无需使用六分力传感器采集试验数据,通过稳健性高的支持向量机模型对获取到的受力矩阵进行拟合而得到载荷谱的方式,缓解了现有技术中存在的车辆载荷谱的获取不准确和精度低的技术问题,达到载荷谱的准确率和精度更高的技术效果。
可选地,步骤S102具体包括如下步骤:
步骤S1021,获取预先安装在目标车辆的至少一个预设节点上的应变片采集到的受力数据;其中,受力数据为应变片在目标车辆通过不同坏路时采集到的应变数据和/或应力数据;
步骤S1022,基于应力数据确定受力矩阵。
具体地,首先在目标车辆的车架连接处选择至少一个预设节点,例如选取5到10个节点,然后在预设节点位置安装应变片,获取目标车辆在试验场分别通过不同坏路时,应变片采集到的受力数据。其中,受力数据为应变片在目标车辆通过不同坏路时采集到的应变数据和/或应力数据。在将每个预设节点设置一个对应的ID,将节点ID和每个节点所对应的受力数据组成一个矩阵,作为受力矩阵。
例如,获取应变片采集到的应力数据时,可以得到应力矩阵;获取应变片采集到的应变矩阵时,可以得到应变矩阵。
可选地,本发明实施例提供的车辆载荷谱获取方法还包括:训练初始支持向量机模型。具体地,包括如下步骤:
获取训练矩阵集;训练矩阵集包括:目标车辆的在多个工况下的载荷矩阵集合和受力矩阵集合,载荷矩阵集合中每个载荷矩阵与受力矩阵集合中的受力矩阵一一对应;
利用训练矩阵集训练初始支持向量机模型,得到训练之后的支持向量机模型。具体地,将载荷矩阵集合作为输入,并将受力矩阵结合作为输出,训练初始支持向量机模型,得到训练之后的支持向量机模型。
其中,在本发明实施例中,通过建立目标车辆有限元模型的方式获取训练矩阵集,具体地,包括如下步骤:
获取目标车辆在多个工况下的载荷矩阵集合;
建立目标车辆的有限元模型;
将载荷矩阵集合输入到有限元模型中,计算有限元模型中至少一个预设节点所受应力大小和/或所述有限元模型中至少一个预设节点的应变大小,得到所述受力矩阵集合,得到受力矩阵集合;
将受力矩阵集合和载荷矩阵集合确定为训练矩阵集,其中,训练矩阵集中的一个训练矩阵样本包括:一个受力矩阵和与其对应的载荷矩阵。
具体地,首先按照一般有限元建模规范,建立目标车辆的整车有限元模型,包括车架、底盘杆系等。例如,在国五牵引车载荷谱获取上,首先建立整车有限元模型:车架材料屈服强度≥610MPa,抗拉强度≥640MPa,板簧安装座材料为ZG40Mn2,屈服强度735MPa,抗拉强度885MPa。整车模型中只考虑了车架结构,而对于驾驶室、水箱、方向机、油箱、SCR箱、尿素箱和电瓶的质量则以质量点的形式呈现。
然后在目标车辆的6个车桥的轮心处分别加载x、y、z三个方向的力和扭矩,载荷大小为额定负载的0.2到5倍,其中以0.2为数据间隔,共计25个载荷等级,得到多个工况(每种工况对应于不同的轮心处加载不同的载荷大小);对应于每一种工况可以得到一个载荷矩阵,将所有工况对应的载荷矩阵组成集合,得到载荷矩阵集合。其中,载荷矩阵用于描述目标车辆的各个车桥的轮心处的载荷数据。
之后在目标车辆的有限元模型的车架连接处选择至少一个预设节点,例如选择5到15个节点,并为每个预设节点标注对应ID。
将载荷矩阵集合输入到有限元模型中,利用有限元模型计算在每一种载荷矩阵下,至少一个预设节点处的受力数据,然后将预设节点的ID和每个预设节点对应的受力数据组成矩阵,得到受力矩阵集合。其中,一个载荷矩阵对应于一个受力矩阵。
最后将上面得到的载荷矩阵集合和受力矩阵集合作为训练矩阵集。
由以上描述可知,本发明实施例提供了一种车辆载荷谱获取方法,首先利用目标车辆的有限元模型计算出不同工况下的载荷矩阵所对应的预设节点的受力矩阵,得到训练矩阵集;然后利用训练矩阵集训练支持向量机模型,最后通过在目标车辆上的预设节点处安装应变片的方式获取预设节点的受力矩阵,将受力矩阵作为训练之后的支持向量机模型的输入,模拟得出目标车辆的载荷矩阵,最后基于载荷矩阵得到目标车辆的载荷谱。本发明能达到以下技术效果:
(1)本发明实施例无需使用六分力传感器采集试验数据,只需要应变片即可达到采集受力矩阵的目的,降低了载荷谱获取过程中试验数据采集的成本。
(2)本发明实施例无需建立多体动力学模型,只需要建立目标车辆的有限元模型,可以极大地降低建模时间,节约了建模成本。
(3)本发明实施例通过稳健性高的支持向量机模型预测载荷矩阵的方式,达到了计算精度高和准确率高的技术效果。通过对比试验数据,本发明实施例提供的方法得到的结果精度的误差在10%以内。
实施例二:
图2是根据本发明实施例提供的一种车辆载荷谱获取***的示意图。如图2所示,该***包括:获取模块10,模拟模块20和确定模块30。
具体地,获取模块10,用于获取目标车辆的受力矩阵;受力矩阵包括以下任一项:应力矩阵和应变矩阵;应力矩阵为基于目标车辆上至少一个预设节点所受应力确定的应力矩阵,应变矩阵为基于目标车辆上至少一个预设节点因所受应力而产生的应变确定的应变矩阵。
模拟模块20,用于将受力矩阵输入到训练之后的支持向量机模型中,得到目标车辆的载荷矩阵;载荷矩阵为基于目标车辆在轮心处的载荷确定的矩阵。
确定模块30,用于基于载荷矩阵确定目标车辆的载荷谱。
本发明实施例提供的一种车辆载荷谱获取***,首先通过获取模块获取目标车辆的受力矩阵,然后通过模拟模块将所述应力矩阵输入到训练之后的支持向量机模型,得到所述目标车辆的载荷矩阵,最后通过确定模块基于所述载荷矩阵确定所述目标车辆的载荷谱。本发明实施例提供的***,通过稳健性高的支持向量机模型对获取到的受力矩阵进行拟合而得到载荷谱的方式,缓解了现有技术中存在的车辆载荷谱的获取不准确和精度低的技术问题,达到载荷谱的准确率和精度更高的技术效果。
可选地,图3是根据本发明实施例提供的另一种车辆载荷谱获取***的示意图。如图3所示,获取模块10还包括:第一获取单元11和确定单元12。
具体地,第一获取单元11,用于获取预先安装在目标车辆的至少一个预设节点上的应变片采集到的受力数据;其中,受力数据为应变片在目标车辆通过不同坏路时采集到的应变数据和/或应力数据;
确定单元12,用于基于应力数据和/或应变数据确定受力矩阵。
可选地,如图3所示,该***还包括:训练模块40。
其中,训练模块40还包括:第二获取单元41和训练单元42。
具体地,第二获取单元41,用于获取训练矩阵集;训练矩阵集包括:目标车辆的在多个工况下的载荷矩阵集合和受力矩阵集合,载荷矩阵集合中每个载荷矩阵与受力矩阵集合中的受力矩阵一一对应。
具体地,获取目标车辆在多个工况下的载荷矩阵集合;建立目标车辆的有限元模型;将载荷矩阵集合输入到有限元模型中,计算有限元模型中至少一个预设节点所受应力大小和/或有限元模型中至少一个预设节点的应变大小,得到受力矩阵集合;将受力矩阵集合和载荷矩阵集合确定为训练矩阵集,其中,训练矩阵集中的一个训练矩阵样本包括:一个受力矩阵和与其对应的载荷矩阵。
训练单元42,用于利用训练矩阵集训练初始支持向量机模型,得到训练之后的支持向量机模型。
本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例一中的方法的步骤。
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的范围。
Claims (10)
1.一种车辆载荷谱获取方法,其特征在于,包括:
获取目标车辆的受力矩阵;所述受力矩阵包括以下任一项:应力矩阵和应变矩阵;所述应力矩阵为基于所述目标车辆上至少一个预设节点所受应力确定的应力矩阵,所述应变矩阵为基于所述目标车辆上至少一个预设节点因所受应力而产生的应变确定的应变矩阵;
将所述受力矩阵输入到训练之后的支持向量机模型中,得到所述目标车辆的载荷矩阵;所述载荷矩阵为基于所述目标车辆在轮心处的载荷确定的矩阵;
基于所述载荷矩阵确定所述目标车辆的载荷谱。
2.根据权利要求1所述的方法,其特征在于,获取目标车辆的受力矩阵,包括:
获取预先安装在所述目标车辆的至少一个预设节点上的应变片采集到的受力数据;其中,所述受力数据为所述应变片在所述目标车辆通过不同坏路时采集到的应变数据和/或应力数据;
基于所述应力数据和/或应变数据确定所述受力矩阵。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取训练矩阵集;所述训练矩阵集包括:所述目标车辆的在多个工况下的载荷矩阵集合和受力矩阵集合,所述载荷矩阵集合中每个载荷矩阵与受力矩阵集合中的受力矩阵一一对应;
利用所述训练矩阵集训练初始支持向量机模型,得到所述训练之后的支持向量机模型。
4.根据权利要求3所述的方法,其特征在于,获取训练矩阵集,包括:
获取所述目标车辆在多个工况下的载荷矩阵集合;
建立所述目标车辆的有限元模型;
将所述载荷矩阵集合输入到所述有限元模型中,计算所述有限元模型中至少一个预设节点所受应力大小和/或所述有限元模型中至少一个预设节点的应变大小,得到所述受力矩阵集合;
将所述受力矩阵集合和所述载荷矩阵集合确定为所述训练矩阵集,其中,所述训练矩阵集中的一个训练矩阵样本包括:一个受力矩阵和与其对应的载荷矩阵。
5.根据权利要求3所述的方法,其特征在于,利用所述训练矩阵集训练初始支持向量机模型,得到所述训练之后的支持向量机模型,包括:
将所述载荷矩阵集合作为输入,并将所述受力矩阵结合作为输出,训练所述初始支持向量机模型,得到所述训练之后的支持向量机模型。
6.一种车辆载荷谱获取***,其特征在于,包括:获取模块,模拟模块和确定模块,其中,
所述获取模块,用于获取目标车辆的受力矩阵;所述受力矩阵包括以下任一项:应力矩阵和应变矩阵;所述应力矩阵为基于所述目标车辆上至少一个预设节点所受应力确定的应力矩阵,所述应变矩阵为基于所述目标车辆上至少一个预设节点因所受应力而产生的应变确定的应变矩阵;
所述模拟模块,用于将所述受力矩阵输入到训练之后的支持向量机模型中,得到所述目标车辆的载荷矩阵;所述载荷矩阵为基于所述目标车辆在轮心处的载荷确定的矩阵;
所述确定模块,用于基于所述载荷矩阵确定所述目标车辆的载荷谱。
7.根据权利要求6所述的***,其特征在于,所述获取模块还包括:第一获取单元和确定单元,其中,
所述第一获取单元,用于获取预先安装在所述目标车辆的至少一个预设节点上的应变片采集到的受力数据;其中,所述受力数据为所述应变片在所述目标车辆通过不同坏路时采集到的应变数据和/或应力数据;
基于所述应力数据和/或应变数据确定所述受力矩阵。
8.根据权利要求6所述的***,其特征在于,所述***还包括:训练模块,所述训练模块包括:第二获取单元和训练单元,其中,
所述第二获取单元,用于获取训练矩阵集;所述训练矩阵集包括:所述目标车辆的在多个工况下的载荷矩阵集合和受力矩阵集合,所述载荷矩阵集合中每个载荷矩阵与受力矩阵集合中的受力矩阵一一对应;
所述训练单元,用于利用所述训练矩阵集训练初始支持向量机模型,得到所述训练之后的支持向量机模型。
9.根据权利要求8所述的***,其特征在于,所述第二获取单元,还用于:
获取所述目标车辆在多个工况下的载荷矩阵集合;
建立所述目标车辆的有限元模型;
将所述载荷矩阵集合输入到所述有限元模型中,计算所述有限元模型中至少一个预设节点所受应力大小和/或所述有限元模型中至少一个预设节点的应变大小,得到所述受力矩阵集合;
将所述受力矩阵集合和所述载荷矩阵集合确定为所述训练矩阵集,其中,所述训练矩阵集中的一个训练矩阵样本包括:一个受力矩阵和与其对应的载荷矩阵。
10.一种电子设备,包括存储器、处理器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上述权利要求1至5任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911424933.2A CN111090959B (zh) | 2019-12-31 | 2019-12-31 | 车辆载荷谱获取方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911424933.2A CN111090959B (zh) | 2019-12-31 | 2019-12-31 | 车辆载荷谱获取方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111090959A CN111090959A (zh) | 2020-05-01 |
CN111090959B true CN111090959B (zh) | 2023-06-20 |
Family
ID=70398834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911424933.2A Active CN111090959B (zh) | 2019-12-31 | 2019-12-31 | 车辆载荷谱获取方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111090959B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114596646B (zh) * | 2020-11-20 | 2024-01-05 | 上海汽车集团股份有限公司 | 一种车辆轮心载荷谱预测方法、装置、存储介质和设备 |
CN114676648B (zh) * | 2022-05-30 | 2022-08-05 | 岚图汽车科技有限公司 | 一种基于机器学习的车辆载荷谱预测方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845015A (zh) * | 2017-02-24 | 2017-06-13 | 江铃汽车股份有限公司 | 一种汽车车内噪声计算方法 |
CN109190171A (zh) * | 2018-08-02 | 2019-01-11 | 武汉中海庭数据技术有限公司 | 一种基于深度学习的车辆运动模型优化的方法 |
CN109214078A (zh) * | 2018-08-28 | 2019-01-15 | 华南理工大学 | 一种转向节疲劳寿命分析方法 |
CN109558988A (zh) * | 2018-12-13 | 2019-04-02 | 北京理工新源信息科技有限公司 | 一种基于大数据融合的电动汽车能耗预测方法及*** |
CN109791094A (zh) * | 2016-09-23 | 2019-05-21 | 西门子工业软件公司 | 用于高效的载荷识别的方法和*** |
CN110148230A (zh) * | 2019-05-20 | 2019-08-20 | 兴民智通(武汉)汽车技术有限公司 | 一种基于lstm神经网络的整车载重预测方法 |
-
2019
- 2019-12-31 CN CN201911424933.2A patent/CN111090959B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109791094A (zh) * | 2016-09-23 | 2019-05-21 | 西门子工业软件公司 | 用于高效的载荷识别的方法和*** |
CN106845015A (zh) * | 2017-02-24 | 2017-06-13 | 江铃汽车股份有限公司 | 一种汽车车内噪声计算方法 |
CN109190171A (zh) * | 2018-08-02 | 2019-01-11 | 武汉中海庭数据技术有限公司 | 一种基于深度学习的车辆运动模型优化的方法 |
CN109214078A (zh) * | 2018-08-28 | 2019-01-15 | 华南理工大学 | 一种转向节疲劳寿命分析方法 |
CN109558988A (zh) * | 2018-12-13 | 2019-04-02 | 北京理工新源信息科技有限公司 | 一种基于大数据融合的电动汽车能耗预测方法及*** |
CN110148230A (zh) * | 2019-05-20 | 2019-08-20 | 兴民智通(武汉)汽车技术有限公司 | 一种基于lstm神经网络的整车载重预测方法 |
Non-Patent Citations (3)
Title |
---|
Xin Liu et.al.Real-time On-Road Vehicle Detection Combining Specific Shadow Segmentation and SVM Classification.《IEEE》.2011,全文. * |
谭纯岩.汽车载荷谱的分析与应用.汽车实用技术.2013,(第10期期),全文. * |
陈炳权等.基于支持向量机与结构矩的车型识别实时鲁棒算法.湖南师范大学自然科学学报.2010,(第04期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111090959A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107247830B (zh) | 一种汽车悬架k&c特性公差优化方法及*** | |
CN105092261B (zh) | 道路载荷测试方法及*** | |
CN106840338B (zh) | 一种扭力梁式悬架轮心的动态载荷获取方法 | |
CN109791094B (zh) | 用于高效的载荷识别的方法和*** | |
CN104239734A (zh) | 一种整车四轮六分力道路谱载荷分析方法 | |
CN107292013B (zh) | 悬架***强度测试方法及装置 | |
CN111090959B (zh) | 车辆载荷谱获取方法和*** | |
Dodds et al. | Laboratory road simulation for full vehicle testing: a review | |
CN113570057B (zh) | 一种基于模型训练的车辆轮心垂向位移测量方法和装置 | |
CN109115526B (zh) | 一种后桥六通道道路模拟试验方法 | |
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 | |
CN112131672A (zh) | 耐久载荷谱仿真方法、设备、存储介质及装置 | |
CN114692445A (zh) | 基于扭矩影响的耐久分析方法、装置、设备及存储介质 | |
CN103822789A (zh) | 一种轮心六分力测量方法及*** | |
CN114065373A (zh) | 一种汽车控制臂台架耐久试验方法、装置以及设备 | |
CN113656994B (zh) | 一种汽车悬置***的悬置力获取方法及装置 | |
KR20160053983A (ko) | 컴플라이언트 액추에이터 조립체 및 반복적으로 획득된 구동 신호를 갖는 테스트 시스템 | |
CN107563009B (zh) | 一种汽车转向***cae模态识别方法 | |
US20160363508A1 (en) | Method and system for inspecting a motor vehicle subsystem | |
Da Cruz et al. | A semi-analytical method to generate load cases for CAE durability using virtual vehicle prototypes | |
Sharma et al. | A Case Study on Durability Analysis of Automotive Lower Control Arm Using Self Transducer Approach | |
Kulagin et al. | Modern approaches of vehicle suspension durability evaluation at early stages of development | |
KR20020014121A (ko) | 유연 다물체 동력학 시뮬레이션에 의한 차량구조물의동응력 해석방법 | |
Anthonysamy et al. | Develop the Methodology to Predict the Engine Mount Loads from Road Load Data Using MSC ADAMS and FEMFAT Virtual Iteration | |
de Carvalho Pinheiro et al. | Multibody parameter estimation: a comprehensive case-study for an innovative rear suspension |
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 |