一种基于深度学习的汽车耐候性零部件温度预测方法技术

本发明专利技术公开了一种基于深度学习的汽车耐候性零部件温度预测方法，通过用夜晚训练数据集对深度学习模型进行训练，得到夜晚天空温度估计模型；并且，通过该夜晚天空温度估计模型预测出耐候性试验车辆汽车曝晒试验场在夜晚目标时刻的夜晚天空温度估计值，再通过公式二预测出任意目标车辆的任意目标汽车外部部件在任意夜晚目标时刻的温度。通过用白天训练数据集对深度学习模型进行训练，得到白天太阳辐照量矫正系数预测模型；并且，通过该白天太阳辐照量矫正系数预测模型预测出耐候性试验车辆汽车曝晒试验场在白天目标时刻的白天太阳辐照量矫正系数，再通过公式四预测出任意目标车辆的任意目标汽车外部部件在任意白天目标时刻的温度。时刻的温度。时刻的温度。

【技术实现步骤摘要】
一种基于深度学习的汽车耐候性零部件温度预测方法


[0001]本专利技术涉及汽车耐候性试验，具体的说是一种基于深度学习的汽车耐候性零部件温度预测方法。

技术介绍

[0002]乘用车作为一种使用频率较高的户外交通工具，在服役期内会遭遇阳光暴晒、高温、潮湿、雨水、气候骤变等各种气候环境，从而产生老化、腐蚀等失效现象，不仅影响消费者对汽车的观感和使用舒适性，还会影响到汽车的使用寿命，严重时可导致汽车功能失效，对消费者生命和财产的安全形成隐患。
[0003]目前，汽车零部件既可以通过长时间在真实自然环境中进行场试而测得其耐候性，也可以通过如阿伦尼乌兹公式、TNR模型、湿热老化模型、光热老化模型等材料老化评估模型，快速、低成本的实现对大多数高分子材料的汽车零部件的老化程度评估，其中，TRN模型主要是考虑太阳辐照和温度对材料老化的影响，湿热老化模型主要是考虑到水汽和温度对材料老化的影响，光热老化模型主要是考虑光照和温度对材料老化的影响，由此可见，汽车零部件的温度预测对前述材料老化评估模型至关重要。
[0004]现有技术中，采用传统的汽车部件温本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的汽车耐候性零部件温度预测方法，其特征在于，包括：步骤S1、将试验车辆放置于耐候性试验车辆汽车曝晒试验场中进行数据采集，并从采集到的数据中提取出夜晚训练数据集；所述夜晚训练数据集包含数量能够满足步骤S2训练所需的多组夜晚训练数据，每一组夜晚训练数据均包含属于同一夜晚采样时刻的夜晚气候数据和夜晚天空温度估计值，所述夜晚采样时刻属于太阳辐照度为零的夜间时刻，所述夜晚气候数据包含瞬时温度、瞬时相对湿度、瞬时气压、1.5m瞬时风速、10m瞬时风速、降水量和降水时数；其中，所述1.5m瞬时风速和10m瞬时风速分别是指离放置所述试验车辆的地面分别相距1.5m高度和10.m高度的空中位置的瞬时风速；所述降水量和降水时数分别是指所述耐候性试验车辆汽车曝晒试验场从试验开始时刻到采样时刻的累计降水量和累计降水时数；其中，所述夜晚训练数据集中，任意一个夜晚采样时刻t
j
的夜晚天空温度估计值均按公式一计算得到：式中，X
sky
和X
sur
分别表示所述试验车辆的试验汽车外部部件分别对天空和对周围环境的表面角系数，α、ρ、δ、C和ε依次表示所述试验汽车外部部件的辐射吸收率、密度、厚度、比热容和辐射发射率，σ表示stefan
‑
Boltzman常数，Δt
j
为相邻两个所述夜晚采样时刻的时间间隔；表示所述试验汽车外部部件在所述夜晚采样时刻t
j
通过温度传感器测量得到的实际温度，表示所述试验汽车外部部件在所述夜晚采样时刻t
j
的下一个夜晚采样时刻t
j+1
通过温度传感器测量得到的实际温度，C1和C2的取值分别为5.7W/(m2·
K)和3.8W/(m2·
K)，V(t
j
)表示所述试验车辆在所述夜晚采样时刻t
j
的车外气流相对速度，T
e
(t
j
)和T
sur
(t
j
)分别表示所述耐候性试验车辆汽车曝晒试验场在所述夜晚采样时刻t
j
的环境温度和地面温度；步骤S2、用所述夜晚训练数据集对深度学习模型进行训练，以得到输入量和输出量分别为属于同一夜间时刻的夜晚气候数据和夜晚天空温度估计值的夜晚天空温度估计模型；步骤S3、将属于所述夜间时刻的目标时刻记为夜晚目标时刻，对此情况，包括：步骤S3
‑
1、采集所述耐候性试验车辆汽车曝晒试验场在所述夜晚目标时刻的夜晚气候数据；步骤S3
‑
2、依据所述夜晚目标时刻的夜晚气候数据和所述夜晚天空温度估计模型，预测出所述耐候性试验车辆汽车曝晒试验场在所述夜晚目标时刻的夜晚天空温度估计值步骤S3
‑
3、按照公式二，预测出目标车辆的目标汽车外部部件在所述夜晚目标时刻的
温度T
night
：式中，t表示时间，ρ
o
、δ
o
、C
o
、α
o
和ε
o
依次表示所述目标汽车外部部件的密度、厚度、比热容、辐射吸收率和辐射发射率，σ表示stefan
‑
Boltzman常数，X
sky
‑
o
和X
sur
‑
o
分别表示所述目标汽车外部部件分别对天空和对周围环境的表面角系数，T
sur
‑
o
和T
e
‑
o
分别表示所述耐候性试验车辆汽车曝晒试验场在夜晚目标时刻的地面温度和环境温度，C1和C2的取值分别为5.7W/(m2·
K)和3.8W/(m2·
K)，V
o
表示所述目标车辆在夜晚目标时刻的车外气流相对速度。2.根据权利要求1所述基于深度学习的汽车耐候性零部件温度预测方法，其特征在于：所述步骤S1中，还从采集到的数据中提取出白天训练数据集；所述白天训练数据集包含数量能够满足步骤S4训练所需的多组白天训练数据，每一组白天训练数据均包含属于同一白天采样时刻的白天气候数据、太阳入射角度余弦值cosθ
i
和白天太阳辐照量矫正系数，所述白天采样时刻属于太阳辐照度不为零的日间时刻，所述白天气候数据包含瞬时温度、瞬时相对湿度、瞬时气压、1.5m瞬时风速、10m瞬时风速、5
°
分光谱总辐射、19
°
分光谱总辐射、45
°
分光谱总辐射、降水量、降水时数和日照时数；其中，所述1.5m瞬时风速和10m瞬时风速分别是指离放置所述试验车辆的地面分别相距1.5m高度和10.m高度的空中位置的瞬时风速；所述降水量、降水时数和日照时数分别是指所述耐候性试验车辆汽车曝晒试验场从试验开始时刻到采样时刻的累计降水量、累计降水时数和累计日照时数；所述5
°
分光谱总辐射、19
°
分光谱总辐射和45
°
分光谱总辐射分别是指所述耐候性试验车辆汽车曝晒试验场中分别以朝正南方向倾斜5
°
、19
°
和45
°
放置的太阳辐射表从试验开始时刻到采样时刻测得的辐射值；所述太阳入射角度余弦值cosθ
i
是指所述试验车辆的试验汽车外部部件在相应白天采样时刻t
i
的太阳入射角度的余弦值；其中，所述白天训练数据集中，任意一个白天采样时刻t
i
的白天太阳辐照量矫正系数k
i
均按公式三计算得到：式中，表示所述试验汽车外部部件在所述白天采样时刻t
i
通过温度传感器测量得到的实际温度，表示所述试验汽车外部部件在所述白天采样时刻t
i
的下一个白天采样时刻t
i+1
通过温度传感器测量得到的实际温度，Δt
i
为相邻两个所述白天采样时刻的时间间隔，ρ、δ、C、α和ε依次表示所述试验汽车外部部件的密度、厚度、比热容、辐射吸收率和辐射发射率，G
45，i
表示在所述白天采样时刻t
i
的45
°
分光谱总辐射，σ表示stefan
‑
Boltzman常数，X
sk...

【专利技术属性】
技术研发人员：张晓东，揭敢新，祁黎，李淮，陈心欣，
申请(专利权)人：中国电器科学研究院股份有限公司，
类型：发明
国别省市：