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技术

本发明专利技术提供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，包括：获取测试板簧于满载垂向载荷及最大纵向载荷；构建测试板簧的数字孪生板簧模型，基于数字孪生板簧模型确定用于张贴应变片的贴片位置；对张贴应变片的测试板簧进行台架测试，以获取待用集；构建初始神经网络模型，对待用集进行归一化处理，通过归一化处理后的待用集训练初始神经网络模型，以获取最终神经网络模型；将应变片张贴至待测板簧的贴片位置，并对安装待测板簧的整车进行道路载荷测试，以获取实际应变值，进而通过最终神经网络模型确定待测板簧的受力值及变形量。以此方法，无需使用传感器，规避了传感器在测量过程中产生的误差，使受力值及变形量更为精确。量更为精确。量更为精确。

【技术实现步骤摘要】
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


[0001]本申请涉及数据处理领域，特别是涉及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。

技术介绍

[0002]耐久性作为汽车产品重要的性能指标之一，直接关系到车辆在各类工况下工作的安全性和可靠性，对整车品质和车企声誉有着重要影响。汽车产品开发阶段，需要基于数字孪生的仿真技术来对整车零部件及系统进行耐久寿命仿真分析，耐久寿命仿真求解分析需要基于每个零部件所受的道路耐久载荷进行。所述的零部件道路耐久载荷需要基于实车进行道路耐久测试，测量获得汽车在车轮轮心处的六分力，然后将六分力施加于数字化虚拟样车ADAMS数字孪生模型，然后将每个零部件的载荷求解计算出来，最后进行零部件的疲劳耐久寿命分析。
[0003]由于整车数字孪生多体动力学ADAMS模型含有大量如衬套等的非线性橡胶连接件，因此所述数字化虚拟样机无法和物理样车完全一致，为了保证分解载荷的正确性，通常需要将钢板弹簧的实际变形量和实际受力值和仿真模型计算的仿真变形量和仿真受力值进行对标，以确保仿真结果的正确性，因此在强化道路耐久载荷测量中，需要同步测量板簧的受力值和变形量。
[0004]现板簧的变形量往往是基于拉线传感器进行测量、板簧的受力值一般是基于力传感器进行测量，该种测量方式在整车姿态变化时，变形量及受力值的测量误差较大，进而影响后续对仿真结果判定的准确性。

技术实现思路

[0005]本申请实施例提供了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，以解决现有技术中通过拉线传感器及力传感器分别测量板簧的变形量及受力值，在整车姿态变化时，测量误差较大，降低后续对仿真结构判定的准确性的技术问题。
[0006]本申请实施例提供了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，包括以下步骤：获取测试板簧于第一状态下的满载垂向载荷，通过所述满载垂向载荷获取所述测试板簧于第二状态下的最大纵向载荷；构建所述测试板簧的数字孪生板簧模型，将所述满载垂向载荷施加于所述数字孪生板簧模型的板簧座处，以获取所述数字孪生板簧模型上最大应变量区域，将所述最大纵向载荷施加于所述数字孪生板簧模型的板簧座处，以获取所述数字孪生板簧模型上最小应变量区域，将所述最大应变量区域与所述最小应变量区域重叠的位置确定为贴片位置，所述贴片位置用于张贴应变片；对张贴所述应变片的测试板簧进行台架测试，以获取由若干个待用数据组构成的待用集，所述待用数据组包括相互对应的测试主动载荷、测试板簧座位移量及测试应变值；
构建初始神经网络模型，对所述待用集进行归一化处理，通过归一化处理后的所述待用集训练所述初始神经网络模型，以获取最终神经网络模型；将所述应变片张贴至待测板簧的贴片位置，将张贴所述应变片的所述待测板簧安装于整车内，并对整车进行道路载荷测试，以获取实际应变值，通过所述实际应变值及所述最终神经网络模型，确定所述待测板簧的受力值及变形量。
[0007]进一步地，所述第一状态为满载静止状态，所述第二状态为制动状态，所述最大纵向载荷的计算公式为：，其中，表示最大纵向载荷，表示车轮与地面的摩擦系数，表示满载垂向载荷。
[0008]进一步地，所述对张贴所述应变片的测试板簧进行台架测试，以获取由若干个待用数据组构成的待用集，所述待用数据组包括相互对应的测试主动载荷、测试板簧座位移量及测试应变值的步骤包括：将张贴所述应变片的测试板簧置于台架上，于所述测试板簧的板簧座处施加所述满载垂向载荷，以使所述测试板簧处于所述第一状态，将所述应变片的测量值清零；于所述测试板簧的板簧座处施加逐步增大的测试主动载荷，直至所述测试板簧处于第三状态；逐步减小施加于所述测试板簧的板簧座处的所述测试主动载荷，直至所述测试板簧处于第四状态，以完成测试循环；于所述测试循环中获取若干个所述测试主动载荷、若干个测试板簧座位移量及若干个测试应变值，相对应的所述测试主动载荷、所述测试板簧座位移量及所述测试应变值组成待用数据组，若干个所述待用数据组组成所述待用集。
[0009]进一步地，在所述于所述测试循环中获取若干个所述测试主动载荷、若干个测试板簧座位移量及若干个测试应变值，相对应的所述测试主动载荷、所述测试板簧座位移量及所述测试应变值组成待用数据组，若干个所述待用数据组组成所述待用集的步骤之后，还包括：通过完成多次所述测试循环，以校正所述待用集。
[0010]进一步地，所述第三状态为极限压紧状态，所述第四状态为自由初始状态。
[0011]进一步地，所述构建初始神经网络模型的步骤包括：构建输入层及输出层；构建由若干个第一神经元组成的第一隐含层及若干个第二神经元组成的第二隐含层，连接所述第一隐含层及所述第二隐含层，以形成隐藏层；将所述输入层通过所述隐藏层连接所述输出层，以形成所述初始神经网络模型。
[0012]进一步地，所述通过归一化处理后的所述待用集训练所述初始神经网络模型的步骤包括：将归一化处理后的所述待用集分隔为训练集、验证集及测试集，所述训练集、所述验证集及所述测试集均包括若干个所述待用数据组；将所述训练集内的所述测试应变值作为输入值、将所述训练集内的所述测试主动
载荷及所述测试板簧座位移量作为输出值，结合损失函数一次训练所述初始神经网络模型，以确保所述初始神经网络模型的输出稳定性；将所述验证集内的所述测试应变值作为输入值、将所述验证集内的所述测试主动载荷及所述测试板簧座位移量作为输出值，二次训练所述初始神经网络模型，以判断所述初始神经网络模型是否过拟合；将所述测试集内的所述测试应变值作为输入值、将所述测试集内的所述测试主动载荷及所述测试板簧座位移量作为输出值，三次训练所述初始神经网络模型，以确定所述初始神经网络模型泛化能力。
[0013]进一步地，所述损失函数为：，其中，表示损失函数，表示训练集内待用数据组的数量，表示测试板簧座位移量，表示测试主动载荷，表示一次训练中的初始神经网络模型的预输出位移量，表示一次训练中的初始神经网络模型的预输出载荷。
[0014]进一步地，所述通过所述实际应变值及所述最终神经网络模型，确定所述待测板簧的受力值及变形量的步骤具体为：将所述实际应变值作为输入值输入所述最终神经网络模型，以获取实际主动载荷及实际板簧座位移量，将所述实际主动载荷确定为所述待测板簧的受力值，将所述实际板簧座位移量确定为所述待测板簧的变形量。
[0015]相比于相关技术，本专利技术的有益效果在于：通过确定所述贴片位置，可在后续台架测试中得到较大的应变信号，进而为后续受力值及变形量的反推提供更为精确的依据，通过所述最终神经网络模型，在进行道路载荷测试时即可以所述实际应变值即可完成所述受力值及所述变形量的获取，无需通过传感器进行测量，规避了传感器在测量过程中产生的误差，使所述受力值及所述变形量更为精确，且相较于通过传感器的方式，本申请的测试过程中仅需使用所述应变片，极大的降低了测量成本，且可适配不同材料的汽车板簧，提高了普适性。
[0016]本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的汽车板簧受力值及变形量的测量方法，其特征在于，包括以下步骤：获取测试板簧于第一状态下的满载垂向载荷，通过所述满载垂向载荷获取所述测试板簧于第二状态下的最大纵向载荷；构建所述测试板簧的数字孪生板簧模型，将所述满载垂向载荷施加于所述数字孪生板簧模型的板簧座处，以获取所述数字孪生板簧模型上最大应变量区域，将所述最大纵向载荷施加于所述数字孪生板簧模型的板簧座处，以获取所述数字孪生板簧模型上最小应变量区域，将所述最大应变量区域与所述最小应变量区域重叠的位置确定为贴片位置，所述贴片位置用于张贴应变片；对张贴所述应变片的测试板簧进行台架测试，以获取由若干个待用数据组构成的待用集，所述待用数据组包括相互对应的测试主动载荷、测试板簧座位移量及测试应变值；构建初始神经网络模型，对所述待用集进行归一化处理，通过归一化处理后的所述待用集训练所述初始神经网络模型，以获取最终神经网络模型；将所述应变片张贴至待测板簧的贴片位置，将张贴所述应变片的所述待测板簧安装于整车内，并对整车进行道路载荷测试，以获取实际应变值，通过所述实际应变值及所述最终神经网络模型，确定所述待测板簧的受力值及变形量。2.根据权利要求1所述的基于机器学习的汽车板簧受力值及变形量的测量方法，其特征在于，所述第一状态为满载静止状态，所述第二状态为制动状态，所述最大纵向载荷的计算公式为：，其中，表示最大纵向载荷，表示车轮与地面的摩擦系数，表示满载垂向载荷。3.根据权利要求1所述的基于机器学习的汽车板簧受力值及变形量的测量方法，其特征在于，所述对张贴所述应变片的测试板簧进行台架测试，以获取由若干个待用数据组构成的待用集，所述待用数据组包括相互对应的测试主动载荷、测试板簧座位移量及测试应变值的步骤包括：将张贴所述应变片的测试板簧置于台架上，于所述测试板簧的板簧座处施加所述满载垂向载荷，以使所述测试板簧处于所述第一状态，将所述应变片的测量值清零；于所述测试板簧的板簧座处施加逐步增大的测试主动载荷，直至所述测试板簧处于第三状态；逐步减小施加于所述测试板簧的板簧座处的所述测试主动载荷，直至所述测试板簧处于第四状态，以完成测试循环；于所述测试循环中获取若干个所述测试主动载荷、若干个测试板簧座位移量及若干个测试应变值，相对应的所述测试主动载荷、所述测试板簧座位移量及所述测试应变值组成待用数据组，若干个所述待用数据组组成所述待用集。4.根据权利要求3所述的基于机器学习的汽车板簧受力值及变形量的测量方法，其特征在于，在所述于所述测试循环中获取若干个所述测试主动载荷、若干个测试板簧座位...

【专利技术属性】
技术研发人员：赵军辉，陈为欢，黄晖，廖龙霞，余显忠，熊伟，曾建邦，张青苗，占晓煌，葛平政，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：