一种基于数据挖掘技术的吸能结构设计方法技术

本发明专利技术公开了一种基于数据挖掘技术的吸能结构设计方法，属于汽车吸能结构设计技术领域

【技术实现步骤摘要】
一种基于数据挖掘技术的吸能结构设计方法


[0001]本专利技术涉及汽车吸能结构设计
，更具体地说，涉及一种基于数据挖掘技术的吸能结构设计方法
。

技术介绍

[0002]汽车零部件中吸能结构的作用是通过利用自身的压溃变形从而将碰撞过程中的动能转化为内能，同时缓冲掉碰撞过程中的最大冲击载荷，从而达到降低车辆速度
、
保护乘员及汽车主要部件安全的目的
。
但是目前由于现有汽车吸能结构设计的主要方法为“经验设计
‑
优化分析
‑
投产验证
‑
数据反馈”，该方法注重依赖设计者的设计经验，而且设计过程繁琐，设计方案需要反复修改，导致设计效率低下，基于此，本专利技术设计了基于数据挖掘技术的吸能结构设计方法，以解决上述问题
。

技术实现思路

[0003]1.
要解决的技术问题
[0004]本专利技术的目的在于提供一种基于数据挖掘技术的吸能结构设计方法，以解决上述
技术介绍
中提出的问题：
[0005]但是目前由于现有汽车吸能结构设计的主要方法为“经验设计
‑
优化分析
‑
投产验证
‑
数据反馈”，该方法注重依赖设计者的设计经验，而且设计过程繁琐，设计方案需要反复修改，导致设计效率低下
。
[0006]2.
技术方案
[0007]一种基于数据挖掘技术的吸能结构设计方法，包括以下步骤：
[0008]S1
>，数据收集和预处理，收集与吸能结构设计相关的实验数据和模拟结果，并对收集的数据进行预处理；
[0009]S2
，特征工程，从
S1
中收集到的数据中提取特征，上述特征包括材料性质
、
几何形状
、
加载方式；
[0010]S3
，模型选择，基于数据的特点和设计需求，选择适合吸能结构设计问题的机器学习模型；
[0011]S4
，数据划分，将收集到的数据分为训练集和测试集，训练集用于模型的训练和参数优化，测试集用于评估模型的性能；
[0012]S5
，模型训练，使用
S4
中的训练集对
S3
中选定的机器学习模型进行训练；
[0013]S6
，模型优化，根据训练过程中的性能表现，调整模型的超参数；
[0014]S7
，模型评估，使用
S4
中的测试集对
S5
中训练好的模型进行评估，考察模型的泛化能力和预测准确性
。
[0015]优选的，所述
S1
包括以下步骤：
[0016]S1
‑1，数据采集，收集材料性质
、
几何形状
、
加载条件以及吸能性能指标数据信息，以支持吸能结构设计；
[0017]S1
‑2，数据清洗，对采集到的数据进行初步清洗，包括但不限于删除重复项
、
修复格式错误；
[0018]S1
‑3，缺失值处理，检查
S1
‑2中数据的缺失值，并通过填充缺失值和删除缺失值对数据进行处理；
[0019]S1
‑4，异常值处理：检测和处理异常值，并使用统计方法和专业领域知识来鉴定和处理异常值；
[0020]S1
‑5，数据转换，基于模型训练的要求，对
S1
‑4处理后的数据进行转换
。
[0021]优选的，所述
S2
包括以下步骤：
[0022]S2
‑1，特征提取，从
S1
处理后的数据中提取特征，并从数据中计算统计量；
[0023]S2
‑2，特征转换，对
S2
‑1提取的特征进行转换，以改变其分布和尺度；
[0024]S2
‑3，特征选择：从提取的特征中选择最有用的子集，以减少维度并避免冗余；
[0025]S2
‑4，记录操作，特征工程的操作需要记录下来，以便在后续的实验中能够重现操作
。
[0026]优选的，所述
S2
‑2包括以下步骤：
[0027]S2
‑
21
，特征标准化，对特征进行标准化，使其均值为0，标准差为1，计算公式为：
(x
‑
mean)/std
，其中，
x
表示某个样本的原始特征值，
mean
表示数据集中所有样本在该特征上的平均值，
std
表示数据集中所有样本在该特征上的标准差；
[0028]S2
‑
22
，特征归一化，将特征缩放到0到1之间，计算公式为：
(x
‑
min)/(max
‑
min)
，其中，
x
表示某个样本的原始特征值，
min
表示数据集中所有样本在该特征上的最小值，
max
表示数据集中所有样本在该特征上的最大值
。
[0029]优选的，所述
S2
‑3包括以下步骤：
[0030]S2
‑
31
，相关性分析，计算每个特征与目标变量之间的相关性，并选择与目标变量高度相关的特征；
[0031]S2
‑
32
，方差阈值，计算每个特征的方差，剔除方差低于某个阈值的特征；
[0032]S2
‑
33
，逐步回归，从空特征集开始，逐步添加特征并进行模型评估，直到达到某个预设的评估指标；
[0033]S2
‑
34
，交叉验证，在进行特征选择时，使用交叉验证来评估不同特征集合的性能，以避免过拟合；
[0034]S2
‑
35
，操作记录，记录选择的特征以及选择的原因，以便在后续的实验中能够重现操作
。
[0035]优选的，所述
S5
包括以下步骤：
[0036]S5
‑1，选择模型，根据问题的性质和数据的特点，选择适合的机器学习模型；
[0037]S5
‑2，模型初始化，初始化模型的参数，设置模型的超参数；
[0038]S5
‑3，训练模型，使用
S4
中划分的训练集对
S5
‑1中选择的模型进行训练；
[0039]S5
‑4，损失函数，定义损失函数，用于衡量模型预测结果与实际目标值之间的差距；
[0040]S5
‑5，迭代训练，通过进行多次迭代训练，以提高模型的预测能力；
[0041]S5
‑6，模型保存，在训练完成后，保存训练好的模型，以便在后续使用中进行预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于数据挖掘技术的吸能结构设计方法，其特征在于，包括以下步骤：
S1
，数据收集和预处理，收集与吸能结构设计相关的实验数据和模拟结果，并对收集的数据进行预处理；
S2
，特征工程，从
S1
中收集到的数据中提取特征，上述特征包括材料性质
、
几何形状
、
加载方式；
S3
，模型选择，基于数据的特点和设计需求，选择适合吸能结构设计问题的机器学习模型；
S4
，数据划分，将收集到的数据分为训练集和测试集，训练集用于模型的训练和参数优化，测试集用于评估模型的性能；
S5
，模型训练，使用
S4
中的训练集对
S3
中选定的机器学习模型进行训练；
S6
，模型优化，根据训练过程中的性能表现，调整模型的超参数；
S7
，模型评估，使用
S4
中的测试集对
S5
中训练好的模型进行评估，考察模型的泛化能力和预测准确性
。2.
根据权利要求1所述的一种基于数据挖掘技术的吸能结构设计方法，其特征在于，所述
S1
包括以下步骤：
S1
‑1，数据采集，收集材料性质
、
几何形状
、
加载条件以及吸能性能指标数据信息，以支持吸能结构设计；
S1
‑2，数据清洗，对采集到的数据进行初步清洗，包括但不限于删除重复项
、
修复格式错误；
S1
‑3，缺失值处理，检查
S1
‑2中数据的缺失值，并通过填充缺失值和删除缺失值对数据进行处理；
S1
‑4，异常值处理：检测和处理异常值，并使用统计方法和专业领域知识来鉴定和处理异常值；
S1
‑5，数据转换，基于模型训练的要求，对
S1
‑4处理后的数据进行转换
。3.
根据权利要求1所述的一种基于数据挖掘技术的吸能结构设计方法，其特征在于，所述
S2
包括以下步骤：
S2
‑1，特征提取，从
S1
处理后的数据中提取特征，并从数据中计算统计量；
S2
‑2，特征转换，对
S2
‑1提取的特征进行转换，以改变其分布和尺度；
S2
‑3，特征选择：从提取的特征中选择最有用的子集，以减少维度并避免冗余；
S2
‑4，记录操作，特征工程的操作需要记录下来，以便在后续的实验中能够重现操作
。4.
根据权利要求3所述的一种基于数据挖掘技术的吸能结构设计方法，其特征在于，所述
S2
‑2包括以下步骤：
S2
‑
21
，特征标准化，对特征进行标准化，使其均值为0，标准差为1，计算公式为：
(x
‑
mean)/std
，其中，
x
表示某个样本的原始特征值，
mean
表...

【专利技术属性】
技术研发人员：梁炯炯，陈勇，陈章勇，李猛，张慧乐，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：