基于并行加点准则的汽车车身Kriging近似模型构建方法及装置制造方法及图纸

本发明专利技术提供了一种基于并行加点准则的汽车车身Kriging近似模型构建方法及装置，该方法包括：根据建模目标生成设计变量初始样本集；计算各样本点的函数响应值；利用初始样本集构建初始汽车车身Kriging近似模型；依据精度评价准则判断模型是否满足优化需求；若否，同时根据EI和改进EI加点准则增加新的样本点，并将新增样本点加入初始样本集中，删除冗余样本点，并重新建立Kriging近似模型；再判断新近似模型精度，若不满足继续根据并行加点准则新增样本点，直至得到最终优化的汽车车身Kriging近似模型。本发明专利技术将EI和改进EI加点准则结合形成新的并行加点准则，实现同时增加多个样本点目的，提高车身Kriging近似模型局部和全局精度，同时大大提高近似模型构建效率。同时大大提高近似模型构建效率。同时大大提高近似模型构建效率。

【技术实现步骤摘要】
基于并行加点准则的汽车车身Kriging近似模型构建方法及装置


[0001]本专利技术涉及汽车车身建模
，尤其涉及一种基于并行加点准则的汽车车身Kriging近似模型构建方法及装置。

技术介绍

[0002]当下，数字
飞速发展，在面对复杂、难以处理的工程应用中结构设计问题时，近似模型技术被认为时最为主要及高效的分析方法。Kriging模型能够动态地估计目标的变化趋势，弥补计算机仿真分析结果不包含随机误差的缺陷，在拟合非线性程度较高的对象时具备很强的优势。近年来Kriging近似模型被广泛应用于汽车车身结构优化设计及工程实践中。EI加点准则是构建Kriging近似模型中使用最为广泛的加点准则，直接影响近似模型的拟合精度和效率。然而EI加点准则构建的Kriging模型虽然能搜索到预测值最小的点，或者是方差最大的点，但是对于极大值搜索能力较差。因此，目前基于EI的单一的加点准则构建的汽车车身近似模型精度难以满足实际应用要求。

技术实现思路

[0003]本专利技术针对现有汽车车身近似模型精度低的问题，提出了一种基于并行加点准则的汽车车身Kriging近似模型构建方法及装置，有效提高车身近似模型精度。
[0004]根据本专利技术的一个方面，一种基于并行加点准则的汽车车身Kriging近似模型构建方法，包括以下步骤：
[0005]S1：根据建模目标，采用预设生成方法生成设计变量的初始样本集；
[0006]S2：根据所述建模目标，计算所述初始样本集中各初始样本点的函数响应值；r/>[0007]S3：利用所述初始样本点集和对应的函数响应值构建初始汽车车身Kriging近似模型，并将所述初始汽车车身Kriging近似模型作为当前模型，进入步骤S4；
[0008]S4：计算当前模型的各项精度评价指标，并依据精度评价准则判断各项精度评价指标是否满足精度要求，若是，进入步骤S6，否则进入步骤S5；
[0009]S5：同时根据EI加点准则和改进EI加点准则增加新的样本点，并将新的样本点加入所述初始样本集中，删除冗余样本点，并重新建立汽车车身Kriging近似模型作为当前模型，返回步骤S4；
[0010]S6：将当前模型作为最终优化的汽车车身Kriging近似模型。
[0011]进一步地，步骤S1中，所述预设生成方法包括：正交设计、均匀设计、拉丁超立方设计和最优拉丁超立方设计中的至少一种。
[0012]优选地，步骤S2中，计算所述初始样本集中各初始样本点的函数响应值的步骤，包括：
[0013]对各所述初始样本点进行数值计算和有限元分析，计算得到对应的函数响应值。
[0014]进一步地，步骤S4中，所述精度评价准则包括：决定系数R2、相对最大绝对误差
RMAE、平均绝对值误差MAE和均方根误差RMSE中的至少一种。
[0015]优选地，步骤S5中，所述EI加点准则和改进EI加点准则的函数形式如下：
[0016][0017][0018]其中，Φ(*)为标准正态分布函数，为标准正态分布概率密度函数，G
min
表示当前模型的最小值，G
max
表示当前模型的极大值，x表示Kriging近似模型的预测未知点，表示Kriging近似模型的预测响应值，σ(x)表示Kriging近似模型在x处的均方差。
[0019]进一步地，步骤S5中，所述同时根据EI加点准则和改进EI加点准则增加新的样本点的步骤，包括：
[0020]根据S3中初始汽车车身Kriging近似模型，求解出最小值G
min
和最大值G
max
，假设Kriging近似模型预测响应值为和预测响应的均方差为σ(x)，分别构建标准正态分布函数和标准正态分布概率密度函数然后，根据EI加点准则求出E[I(x)]取最大值时对应的x值，记为x1，实现在预测值最小的点，或者是方差最大的点附近区域新增加样本点x1；同时，根据改进EI加点准则求出E[I(x)]取最大值时对应的x值，记为x2，实现在预测目标最大值区域新增样本点x2，同时将x1和x2作为新的样本点。
[0021]优选地，步骤S5中，所述删除冗余样本点的步骤，包括：删除新增样本点之间重复点；删除新增点与原有样本点之间的重复点。
[0022]根据本专利技术的另一方面，一种基于并行加点准则的汽车车身Kriging近似模型构建装置，包括以下单元：
[0023]初始样本集生成单元，用于根据建模目标，采用预设生成方法生成设计变量的初始样本集；
[0024]函数响应值计算单元，用于根据所述建模目标，计算所述初始样本集中各初始样本点的函数响应值；
[0025]初始模型构建单元，用于利用所述初始样本点集和对应的函数响应值构建初始汽车车身Kriging近似模型，并将所述初始汽车车身Kriging近似模型作为当前模型，并进入精度评价单元；
[0026]精度评价单元，用于计算当前模型的各项精度评价指标，并依据精度评价准则判断各项精度评价指标是否满足精度要求，若是，则进入最优模型获取单元，否则进入模型重
建单元；
[0027]模型重建单元，用于同时根据EI加点准则和改进EI加点准则增加新的样本点，并将新的样本点加入所述初始样本集中，删除冗余样本点，并重新建立汽车车身Kriging近似模型作为当前模型，并进入精度评价单元；
[0028]最优模型获取单元，用于将当前模型作为最终优化的汽车车身Kriging近似模型。
[0029]本专利技术提供的技术方案带来的有益效果是：
[0030](1)提出一套基于并行加点准则的汽车车身Kriging近似模型构建方法及装置，对传统的EI加点准则进行改进，改进EI加点准则增强了对全局最大值区域的搜索能力，将EI加点准则和改进的EI加点准则同时并行用于增加新的样本点，相对于现有单一EI加点准则，实现单次迭代新增多个样本点，提高Kriging近似模型精度；
[0031](2)并行加点准则能够在增加相同的样本点情况下，比单一EI加点准则迭代次数更少，减少调用函数和优化次数，提升Kriging近似模型建模效率。
附图说明
[0032]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例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，下面描述中的附图是本专利技术的一些实施例，对于本领域或普通技术人员来讲，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，附图中：
[0033]图1为本专利技术提供的基于并行加点准则的汽车车身Kriging近似模型构建方法流程图。
[0034]图2为汽车车身顶压仿真分析模型，1是汽车车身，2是假人模型。
[0035]图3为假人头顶与驾驶室车顶内壁最小距离d示意图，3是假人头顶与驾驶室车顶内壁最小距离。
[0036]图4是本专利技术提供的基于并行加点准则的汽车车身高精度Kriging近似模型构建装置结构图。...

【技术保护点】

【技术特征摘要】
1.一种基于并行加点准则的汽车车身Kriging近似模型构建方法，其特征在于，包括以下步骤：S1：根据建模目标，采用预设生成方法生成设计变量的初始样本集；S2：根据所述建模目标，计算所述初始样本集中各初始样本点的函数响应值；S3：利用所述初始样本点集和对应的函数响应值构建初始汽车车身Kriging近似模型，并将所述初始汽车车身Kriging近似模型作为当前模型，进入步骤S4；S4：计算当前模型的各项精度评价指标，并依据精度评价准则判断各项精度评价指标是否满足精度要求，若是，进入步骤S6，否则进入步骤S5；S5：同时根据EI加点准则和改进EI加点准则增加新的样本点，并将新的样本点加入所述初始样本集中，删除冗余样本点，并重新建立汽车车身Kriging近似模型作为当前模型，返回步骤S4；S6：将当前模型作为最终优化的汽车车身Kriging近似模型。2.根据权利要求1所述的基于并行加点准则的汽车车身Kriging近似模型构建方法，特征在于，步骤S1中，所述预设生成方法包括：正交设计、均匀设计、拉丁超立方设计和最优拉丁超立方设计中的至少一种。3.根据权利要求1所述的基于并行加点准则的汽车车身Kriging近似模型构建方法，特征在于，步骤S2中，计算所述初始样本集中各初始样本点的函数响应值的步骤，包括：对各所述初始样本点进行数值计算和有限元分析，计算得到对应的函数响应值。4.根据权利要求1所述的基于并行加点准则的汽车车身Kriging近似模型构建方法，特征在于，步骤S4中，所述精度评价准则包括：决定系数R2、相对最大绝对误差RMAE、平均绝对值误差MAE和均方根误差RMSE中的至少一种。5.根据权利要求1所述的基于并行加点准则的汽车车身Kriging近似模型构建方法，特征在于，步骤S5中，所述EI加点准则和改进EI加点准则的函数形式如下：准则和改进EI加点准则的函数形式如下：其中，Φ(*)为标准正态分布函数，为标准正态分布概率密度函数，G
min
表示当前模型的最小值，G
max
表示当前模型的极大值，x表示Kriging近似模型的预测未知点，表示Kriging近似模型的预测响应值，σ(x)...

【专利技术属性】
技术研发人员：李善德，闻健，王珺，江正平，黄其柏，周艳玲，
申请(专利权)人：湖北省专用汽车研究院，
类型：发明
国别省市：