一种基于路况识别的车辆零部件应变载荷预测方法技术

本发明专利技术公开了一种基于路况识别的车辆零部件应变载荷预测方法，包括以下步骤：采集试验车辆的原始载荷谱信号；对原始载荷谱信号进行CEEMDAN分解去噪与重构,获得重构后的轮心加速度信号、拉线位移信号、零部件的应变信号；基于重构后的轮心加速度信号和重构后的拉线位移信号，构建试验车辆行驶路况识别的卷积神经网络模型，获得试验车辆的实际行驶工况；将重构后的轮心加速度信号、拉线位移信号和零部件的应变信号，建立在不同行驶工况的NARX神经网络模型，获得零部件的预测应变载荷。本发明专利技术还包括：基于不同行驶工况的零部件的预测应变载荷与试验车辆的实际载荷，从时域、频域和损伤域三个方面，验证NARX神经网络模型的预测效果。果。果。

【技术实现步骤摘要】
一种基于路况识别的车辆零部件应变载荷预测方法


[0001]本专利技术属于车辆零部件的可靠性载荷谱分析
，具体涉及一种基于路况识别的车辆零部件应变载荷预测方法。

技术介绍

[0002]疲劳破坏是大多数车辆关键零部件的失效形式。而载荷谱作为评价车辆结构疲劳强度和寿命预测的一个重要工具，一直受到大多数研究人员与企业工程师的重点关注。然而，在大部分实际工程中，汽车上的零部件布局结构复杂，空间布局紧凑，这使得对载荷谱的获取方法仍然较为局限，造成许多零部件的危险点应变载荷很难获取。另外，一般采用应变片测量方式获取各危险点的载荷，并在采集之前必须先进行室内台架标定试验，这可能造成零部件结构的被动破坏。同时，在实际试验过程中，由于试验车辆在强化路面行驶时振动非常剧烈，往往会造成应变片的脱落等突发状况，造成实际测量数据的失真与缺失。因此，传统的做法是通过虚拟迭代方法来获取不易求取的危险点载荷，通过建立整车多体动力学模型，以此来建立信号之间的传递函数来获取各危险点的载荷。然而，这种方法不仅求取耗时过长，无法做到实时获取；而且在实际迭代过程中容易出现不收敛的情况，造成迭代结果与实际信号误差过大的情况。

技术实现思路

[0003]本专利技术的主要目的在于提供一种基于路况识别的车辆零部件应变载荷预测方法，来实现车辆多危险部位局部载荷快速预测，为实现低成本的车辆损伤的动态监测和寿命智能管理奠定基础。
[0004]为实现上述目的，本申请提供了如下方案：
[0005]一种基于路况识别的车辆零部件应变载荷预测方法，包括以下步骤：
[0006]步骤1：采集试验车辆的原始载荷谱信号；
[0007]步骤2：对所述原始载荷谱信号进行CEEMDAN分解去噪与重构,获得重构后的轮心加速度信号、拉线位移信号、零部件的应变信号；
[0008]步骤3：基于重构后的所述轮心加速度信号和重构后的所述拉线位移信号，构建所述试验车辆行驶路况识别的卷积神经网络模型，获得所述试验车辆的实际行驶工况；
[0009]步骤4：将重构后的所述轮心加速度信号、重构后的所述拉线位移信号和重构后的所述零部件的应变信号，建立在不同行驶工况的NARX神经网络模型，根据所述NARX神经网络模型，获得所述零部件的预测应变载荷。
[0010]优选的，所述预测方法还包括：基于不同行驶工况的所述零部件的预测应变载荷与所述试验车辆的实际载荷，分别从时域、频域和损伤域三个方面，来验证所述NARX神经网络模型的预测效果。
[0011]优选的，所述原始载荷谱信号进行CEEMDAN分解去噪与重构的过程包括：对所述原始载荷谱信号进行CEEMDAN分解，获得所述原始载荷谱信号的模态分量；基于各所述模态分
量，获得所述各模态分量的排列熵；基于预设的所述排列熵的阈值，获得小于所需阈值的模态分量，并对所述所需信息的模态分量进行重构，获得重构后的所述原始载荷谱信号。
[0012]优选的，所述模态分量包括：高频段模态分量、低频段模态分量和剩余模态分量。
[0013]优选的，构建所述试验车辆行驶路况识别的卷积神经网络模型的方法为：对重构后的所述轮心加速度信号和重构后的所述拉线位移信号的频域进行切片，获得原始路况频域特征的最小切片长度的频域切片，将所述频域切片划分为训练集和预测集，根据所述训练集和所述预测集，构建所述试验车辆行驶路况识别的卷积神经网络模型。
[0014]优选的，所述试验车辆行驶路况识别的卷积神经网络模型包括：卷积层、批量归一化层、Relu层、最大池化层、全连接层和Softmax层。
[0015]优选的，采集试验车辆的原始载荷谱信号时的采样频率为512Hz。
[0016]优选的，所述行驶路况包括：坑洼路、扭曲路、石块路和搓板路。
[0017]本专利技术的有益效果为：
[0018]本专利技术公开了一种基于路况识别的车辆零部件应变载荷预测方法，基于整车试验场路谱数据，以CEEMDAN方法对原始载荷信号进行去噪与重构，得到去除噪声干扰的行驶数据。根据加速度信号与位移信号频域PSD确定能保留原始频域特征的最小样本切片长度，每个划分后的片段既需要满足切片时间短，能达到动态预测的精度，又要保证能涵盖原始路况的频域特征。将切割好的样本划分为训练集与预测集并构建卷积神经网络的行驶工况识别框架。在路况识别的基础上将轮心加速度信号与拉线位移信号同车辆各零部件应变之间在不同行驶工况下分别建立NARX神经网络模型，以此来实时获取各零部件的期望应变载荷，并从时域、频域、损伤域三个方面对其进行了全面的评价。这样建模的优势在于以后只需通过少许输入信号即可实时获取大部分零部件的应变信息，并且这些传感器也相对容易布置。
附图说明
[0019]为了更清楚地说明本专利技术的技术方案，下面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专利技术的一些实施例，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。
[0020]图1是本实施例中基于路况识别的车辆零部件应变载荷预测方法流程图；
[0021]图2是本实施例中载荷测点示意图；
[0022]图3是本实施例中石块路甲左前轮垂向加速度信号原始信号示意图；
[0023]图4是本实施例中CEEMDAN分解后各模态分量示意图；
[0024]图5是本实施例中各模态分量排列熵值示意图；
[0025]图6是本实施例中带噪信号与重构信号频谱对比示意图；
[0026]图7是本实施例中原始信号疲劳损伤谱曲线示意图；
[0027]图8是本实施例中切片样本与原始信号的频谱对比示意图；
[0028]图9是本实施例中卷积神经网络训练过程示意图；
[0029]图10是本实施例中卷积神经网络路况识别结果混淆矩阵示意图；
[0030]图11是本实施例中开环结构NARX模型示意图；
[0031]图12是本实施例中闭环结构NARX模型示意图；
[0032]图13是本实施例中超参数调整结果示意图；
[0033]图14是本实施例中扭曲路乙时域信号结果对比示意图；
[0034]图15是本实施例中扭曲路乙PSD结果对比示意图。
具体实施方式
[0035]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0036]为使专利技术的上述目的、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专利技术作进一步详细的说明。
[0037]如图1所示，一种基于路况识别的车辆零部件应变载荷预测方法，包括以下步骤：
[0038]步骤1：采集试验车辆的原始载荷谱信号；
[0039]步骤2：对原始载荷谱信号进行CEEMDAN分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于路况识别的车辆零部件应变载荷预测方法，其特征在于，包括以下步骤：步骤1：采集试验车辆的原始载荷谱信号；步骤2：对所述原始载荷谱信号进行CEEMDAN分解去噪与重构,获得重构后的轮心加速度信号、拉线位移信号、零部件的应变信号；步骤3：基于重构后的所述轮心加速度信号和重构后的所述拉线位移信号，构建所述试验车辆行驶路况识别的卷积神经网络模型，获得所述试验车辆的实际行驶工况；步骤4：将重构后的所述轮心加速度信号、重构后的所述拉线位移信号和重构后的所述零部件的应变信号，建立在不同行驶工况的NARX神经网络模型，根据所述NARX神经网络模型，获得所述零部件的预测应变载荷。2.根据权利要求1所述的基于路况识别的车辆零部件应变载荷预测方法，其特征在于，所述预测方法还包括：基于不同行驶工况的所述零部件的预测应变载荷与所述试验车辆的实际载荷，分别从时域、频域和损伤域三个方面，来验证所述NARX神经网络模型的预测效果。3.根据权利要求1所述的基于路况识别的车辆零部件应变载荷预测方法，其特征在于，所述原始载荷谱信号进行CEEMDAN分解去噪与重构的过程包括：对所述原始载荷谱信号进行CEEMDAN分解，获得所述原始载荷谱信号的模态分量；基于各所述模态分量，获得所述各模态分量的排列熵；基于预设...

【专利技术属性】
技术研发人员：赵礼辉，陈沛，王震，周驰，翁硕，张东东，郑松林，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：