一种基于机器学习的车身曲面仿真预测方法及系统技术方案

本发明专利技术涉及一种基于机器学习的车身曲面仿真预测方法及系统，其方法包括：确定车身曲面仿真的多个输入参数和输出参数，所述输入参数至少包括车身截面形状和料厚，所述输出参数至少包括弯曲频率、扭转频率、弯曲刚度和扭转刚度；以所述多个输入参数、所述多个输出参数分别为样本和标签，构建数据集，并利用所述数据集训练机器学习模型，得到训练完成的机器学习模型；将待仿真车身曲面的多个输入参数，输入到训练完成的机器学习模型，得到待仿真车身曲面的多个预测的输出参数。本发明专利技术通过参数化模型与及机器学习进行结合，预测了车身曲面的多维度输出参数，从而提高仿真的精确度和自动化程度。化程度。化程度。

【技术实现步骤摘要】
一种基于机器学习的车身曲面仿真预测方法及系统


[0001]本专利技术属于车辆制造与仿真驶
，具体涉及一种基于机器学习的车身曲面仿真预测方法及系统。

技术介绍

[0002]传统车辆的仿真技术需要耗费大量时间以及计算资源，如果需要更改优化结构则需要重新提交仿真计算，费时费力，后来参数化模型的引进，大大提高了优化的效率，可以通过经验给敏感结构设置参数，然后通过改变参数来进行仿真，获得大量输出结果，再根据这些结果完成响应曲面法，建立连续变量曲面模型，目的是在不进行仿真的前提下预测输出结果，但是这种方法的问题是仍然需要人为选择构建响应面的方法。
[0003]支持向量机(SVM)是一种按监督学习方式对数据进行二元分类的广义线性分类的算法，在人像识别、文本分类等模式识别等问题中都有得到应用。

技术实现思路

[0004]为解决响应曲面法建立连续变量曲面模型高度依赖人工且费时费力，以及提高续变量曲面模型精度的问题，在本专利技术的第一方面提供了一种基于机器学习的车身曲面仿真预测方法，包括：确定车身曲面仿真的多个输入参数和输出参数，所述输入参数至少包括车身截面形状和料厚，所述输出参数至少包括弯曲频率、扭转频率、弯曲刚度和扭转刚度；以所述多个输入参数、所述多个输出参数分别为样本和标签，构建数据集，并利用所述数据集训练机器学习模型，得到训练完成的机器学习模型；将待仿真车身曲面的多个输入参数，输入到训练完成的机器学习模型，得到待仿真车身曲面的多个预测的输出参数。
[0005]在本专利技术的一些实施例中，所述以所述多个输入参数、所述多个输出参数分别为样本和标签，构建数据集包括：获取车身曲面的多个样本数据点，每个样本数据点包括多种输入参数和多种输出参数；将每个样本数据点对应的多种输入参数和多种输出参数进行匹配对应。
[0006]进一步的，所述多种输入参数至少包括20种输入参数，所述多种输出参数至少包括4种输出参数。
[0007]在本专利技术的一些实施例中，所述利用所述数据集训练机器学习模型，得到训练完成的机器学习模型包括：随机将数据集划分为训练集和测试集，且将训练集和测试按照预设比例训练支持向量机；每轮训练中，计算训练结果和测试集中的真实结果之间的误差，直至其趋于收敛且满足预设条件，得到训练完成的支持向量机。
[0008]进一步的，所述误差通过测试拟合度进行计算，且其通过如下方法计算：
[0009][0010]其中，R
方
表示测试拟合度，a表示样本参数值在所有测试集的平均数，P表示预测集，T表示测试集，n表示样本总量，i表示样本参数测试集中的序号。
[0011]在上述的实施例中，所述输出参数还包括刚度和位移。
[0012]本专利技术的第二方面，提供了一种基于机器学习的车身曲面仿真预测系统，包括：确定模块，用于确定车身曲面仿真的多个输入参数和输出参数，所述输入参数至少包括车身截面形状和料厚，所述输出参数至少包括弯曲频率、扭转频率、弯曲刚度和扭转刚度；训练模块，用于以所述多个输入参数、所述多个输出参数分别为样本和标签，构建数据集，并利用所述数据集训练机器学习模型，得到训练完成的机器学习模型；预测模块，用于将待仿真车身曲面的多个输入参数，输入到训练完成的机器学习模型，得到待仿真车身曲面的多个预测的输出参数。
[0013]本专利技术的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术在第一方面提供的基于机器学习的车身曲面仿真预测方法。
[0014]本专利技术的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本专利技术在第一方面提供的基于机器学习的车身曲面仿真预测方法。
[0015]本专利技术的有益效果是：
[0016]1.通过参数化模型，避开了车身曲面仿真过程中的后期大量传统仿真所需耗费的时间；
[0017]2.通过机器学习代替了之前的响应分析法，提高了仿真结果的精度，速度；
[0018]3.通过支持向量机算法允许多个输出参数的设置，解决了之前机器学习算法只能输出单一参数而不能同时考量多个参数的问题；
[0019]4.通过选取了两种误差检测方法，一种检查误差，一种检查拟合，并且在结果不满足要求的情况下会重新进行机器学习，解决了许多机器学习算法精度不够的问题。
附图说明
[0020]图1为本专利技术的一些实施例中的基于机器学习的车身曲面仿真预测方法方法的基本流程示意图；
[0021]图2为本专利技术的一些实施例中的部分输入参数和输出参数匹配对应表；
[0022]图3为本专利技术的一些实施例中的训练样本数与预测结果之间的误差的效果示意图；
[0023]图4为本专利技术的一些实施例中的基于机器学习的车身曲面仿真预测系统的结构示意图；
[0024]图5为本专利技术的一些实施例中的电子设备的结构示意图。
具体实施方式
[0025]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0026]参考图1与图2，在本专利技术的第一方面，提供了一种基于机器学习的车身曲面仿真
预测方法，包括：S100.确定车身曲面仿真的多个输入参数和输出参数，所述输入参数至少包括车身截面形状和料厚，所述输出参数至少包括弯曲频率、扭转频率、弯曲刚度和扭转刚度；S200.以所述多个输入参数、所述多个输出参数分别为样本和标签，构建数据集，并利用所述数据集训练机器学习模型，得到训练完成的机器学习模型；S300.将待仿真车身曲面的多个输入参数，输入到训练完成的机器学习模型，得到待仿真车身曲面的多个预测的输出参数。
[0027]在本专利技术的一些实施例的步骤S200中，所述以所述多个输入参数、所述多个输出参数分别为样本和标签，构建数据集包括：S201.获取车身曲面的多个样本数据点，每个样本数据点包括多种输入参数和多种输出参数；S202.将每个样本数据点对应的多种输入参数和多种输出参数进行匹配对应。可以理解，每个样本数据点(样本)或参数点对应于一组前后输入输出关系的多种输入参数和多种输出参数。
[0028]在本专利技术中，机器学习的编译环境(编程语言)以Python为例，样本集以Excel文件为例，对上述数据集的构建过程进行说明。在Python中，选定路径，读取Excel文件。为了方便后续输入、输出参数的行列对齐，需要整理读取的参数。具体方法如下：第一步，将数据分成两个list(输入参数和输入参数)，第二步，将序号等不必要的行列进行删除，第三步，通过调整两个list的行列，使其参数点的个数对应，例如20种输入参数，4种输出参数，300个参数点，那么输入参数的list就是300＊20，输出参数的list就是300＊4。可选的，上述机器学习编译环境通过C、JAVA、C++中的一种或多种进行搭建，样本集可以以DB、SQL、XML、CSV等数据交换或本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的车身曲面仿真预测方法，其特征在于，包括：确定车身曲面仿真的多个输入参数和输出参数，所述输入参数至少包括车身截面形状和料厚，所述输出参数至少包括弯曲频率、扭转频率、弯曲刚度和扭转刚度；以所述多个输入参数、所述多个输出参数分别为样本和标签，构建数据集，并利用所述数据集训练机器学习模型，得到训练完成的机器学习模型；将待仿真车身曲面的多个输入参数，输入到训练完成的机器学习模型，得到待仿真车身曲面的多个预测的输出参数。2.根据权利要求1所述的基于机器学习的车身曲面仿真预测方法，其特征在于，所述以所述多个输入参数、所述多个输出参数分别为样本和标签，构建数据集包括：获取车身曲面的多个样本数据点，每个样本数据点包括多种输入参数和多种输出参数；将每个样本数据点对应的多种输入参数和多种输出参数进行匹配对应。3.根据权利要求2所述的基于机器学习的车身曲面仿真预测方法，其特征在于，所述多种输入参数至少包括20种输入参数，所述多种输出参数至少包括4种输出参数。4.根据权利要求1所述的基于机器学习的车身曲面仿真预测方法，其特征在于，所述利用所述数据集训练机器学习模型，得到训练完成的机器学习模型包括：随机将数据集划分为训练集和测试集，且将训练集和测试按照预设比例训练支持向量机；每轮训练中，计算训练结果和测试集中的真实结果之间的误差，直至其趋于收敛且满足预设条件，得到训练完成的支持向量机。5.根据权利要求4所述的基于机器学习的车身曲面仿真预测方法，其特征在于，所述误差通过测试拟合度进行计算，且其通过如下方法计算：其中，R
方
表示测试...

【专利技术属性】
技术研发人员：李昂，段文立，陆兴旺，罗洲，
申请(专利权)人：岚图汽车科技有限公司，
类型：发明
国别省市：