一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法技术

本发明专利技术提供一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，包括：基于钢板弹簧搭建有限元数字孪生模型；对有限元数字孪生模型进行载荷施加，获取有限元数字孪生模型上每个网格单元的模拟时变应力；以标定长度的时间窗口对模拟时变应力优化处理，生成训练数据集；通过长短期记忆单元及感知机构建DRNN神经网络架构；通过训练数据集训练DRNN神经网络架构；在钢板弹簧进行底盘性能调校时，获取实际时变应力组。在底盘性能调校中参数变化时获取实际时变应力组，以其测算钢板弹簧上全部网格单元的实际时变应力，并计算疲劳寿命，缩短了开发周期，降低生产成本。降低生产成本。降低生产成本。

【技术实现步骤摘要】
一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法


[0001]本申请涉及数据预测
，特别是涉及一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法。

技术介绍

[0002]汽车的钢板弹簧具有结构简单，维修方便，成本低等优势，因此广泛应用于各类商用车上。随着越来越多的轻量化钢板弹簧的使用，轻量化钢板弹簧不再像传统板簧那样存在很大的过设计，对钢板弹簧的使用寿命的快速准确评估变得越来越重要。
[0003]一般情况下，汽车公司通过数字化虚拟仿真分析技术或者台架疲劳物理测试来较快的评估轻量化钢板弹簧的设计疲劳寿命，以便于保障设计状态下钢板弹簧的耐久寿命。但数字化虚拟样车设计完毕后，加工生产出来的物理样车需要进行底盘动态性能的主观调校，来保证汽车具有最好的综合性能，调校过程中，通常会对汽车衬套的刚度、减震器的阻尼、限位块的刚度及限位块的高度进行调整，这些调整均会对钢板弹簧的受力产生影响，从而影响板簧的疲劳寿命。
[0004]在调校阶段，传统的板簧疲劳寿命分析一般先获取调校过程中实车在轮心处受到的载荷，再将数字化虚拟模型的参数调整至调校后的参数后，将载荷施加于数字化虚拟模型上，以此获取钢板弹簧受到的外界载荷激励，并以此外界载荷激励测算钢板弹簧的时变应力，进而通过时变应力获取疲劳寿命，但在调校过程中，参数不断调整变化，每次参数的变化均需重复上述步骤，以重新计算疲劳寿命，导致疲劳寿命计算的周期较长，进而拉长了开发周期，拉高了开发成本。

技术实现思路

[0005]本申请实施例提供了一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，以解决现有技术中在实车调教阶段，因整车的参数不断调整，每次调整时，均需对钢板弹簧的疲劳寿命进行重新预测，导致拉长了开发周期，拉高了生产成本的技术问题。
[0006]本申请实施例提供了一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，包括以下步骤：基于钢板弹簧搭建有限元数字孪生模型；对所述有限元数字孪生模型进行载荷施加，以获取所述有限元数字孪生模型上每个网格单元的模拟时变应力；以标定长度的时间窗口对所述模拟时变应力进行优化处理，以生成训练数据集；通过长短期记忆单元及感知机构建DRNN神经网络架构；通过所述训练数据集训练所述DRNN神经网络架构；将所述钢板弹簧安装于实车上，并对所述实车进行底盘性能调教，获取所述钢板弹簧于底盘性能调教过程中的实际时变应力组；通过所述实际时变应力组及训练后的所述DRNN神经网络架构判断所述钢板弹簧
的疲劳寿命。
[0007]进一步地，所述基于钢板弹簧搭建有限元数字孪生模型的步骤包括：通过有限元前处理软件获取所述钢板弹簧的初始模型；于所述初始模型内设置主节点坐标；分别对所述初始模型的前卷耳及所述初始模型的后卷耳进行约束边界条件施加，以获取有限元数字孪生模型。
[0008]进一步地，所述对所述有限元数字孪生模型进行载荷施加，以获取所述有限元数字孪生模型上每个网格单元的模拟时变应力的步骤具体为：将所述钢板弹簧于开发阶段测试所得的载荷施加于所述有限元数字孪生模型的板簧座处，通过显示动力学分析并输出所述有限元数字孪生模型上每个网格单元的模拟时变应力。
[0009]进一步地，所述以标定长度的时间窗口对所述模拟时变应力进行优化处理，以生成训练数据集的步骤包括：对每个所述网格单元的模拟时变应力进行归一化处理，以分别生成与所述网格单元对应的待处理数据；基于标定长度的时间窗口将所述待处理数据切割为若干个段落数据；汇总全部的所述段落数据，以形成训练数据集。
[0010]进一步地，所述通过长短期记忆单元及感知机构建DRNN神经网络架构的步骤包括：以若干个所述长短期记忆单元搭建长短期记忆层；以若干个所述感知机搭建全连接神经层；通过所述长短期记忆层及所述全连接神经层构建DRNN神经网络架构。
[0011]进一步地，所述通过所述训练数据集训练所述DRNN神经网络架构的步骤包括：以所述网格单元对所述训练数据集进行一次区隔，以将所述训练数据集分隔为第一数据集及第二数据集；基于所述时间窗口对所述训练数据集进行二次区隔，以将所述第一数据集区隔为第一训练集、第一验证集及第一测试集，并将所述第二数据集区隔为第二训练集、第二验证集及第二测试集；将所述第一训练集作为所述DRNN神经网络架构的输入值，并将所述第二训练集作为所述DRNN神经网络架构的输出值，以训练所述DRNN神经网络架构；将所述第一验证集作为所述DRNN神经网络架构的输入值，并将所述第二验证集作为所述DRNN神经网络架构的输出值，以校正所述DRNN神经网络架构的损失函数。
[0012]进一步地，在所述将所述第一验证集作为所述DRNN神经网络架构的输入值，并将所述第二验证集作为所述DRNN神经网络架构的输出值，以校正所述DRNN神经网络架构的损失函数的步骤之后还包括：将所述第一测试集作为所述DRNN神经网络架构的输入值，以通过所述DRNN神经网络架构输出待验证数据组；比对所述待验证数据组及所述第二测试集，以判断训练是否完成。
[0013]进一步地，所述通过所述实际时变应力组及训练后的所述DRNN神经网络架构判断
所述钢板弹簧的疲劳寿命的步骤包括：以时间窗口对所述实际时变应力组进行优化处理，以获取基准数据；将所述基准数据作为输入值输入所述DRNN神经网络架构，以获取结果数据；反向推导所述结果数据，以获取所述钢板弹簧上每个单元的实际时变应力；通过所述实际时变应力计算所述钢板弹簧的疲劳寿命。
[0014]进一步地，所述通过所述实际时变应力计算所述钢板弹簧的疲劳寿命的步骤包括：对所述实际时变应力的时间历程进行雨流计数，以获取所述钢板弹簧上每个单元的应力幅的计数次数；对平均应力不为0的所述应力幅进行应力修正，等效计算为平均应力为0时的等效应力幅；根据材料的疲劳特性曲线，计算不同的所述等效应力幅对所述钢板弹簧造成的疲劳损伤，并线性叠加所述疲劳损伤，以获取总损伤；通过所述总损伤计算所述钢板弹簧的疲劳寿命。
[0015]进一步地，所述疲劳寿命的计算公式为：，其中，L表示疲劳寿命，D表示总损伤。
[0016]相比于相关技术，本专利技术的有益效果在于：通过构建基于所述长短期记忆单元的所述DRNN神经网络架构，通过所述有限元数字孪生模型上获取的所述模拟时变应力对其进行训练，可更为精确的计算所述钢板弹簧的时变应力场，从而更为精确的计算所述钢板弹簧的疲劳损伤，且在底盘性能调校过程中，每次参数变化时，通过获取所述实际时变应力组，即可完成每次参数变化时所述钢板弹簧上全部网格单元于调校过程中的实际时变应力，进而完成疲劳寿命的计算，避免了每次参数变化时均需重复测量载荷、将载荷分解至钢板弹簧、计算钢板弹簧的时变应力、通过时变应力获取疲劳寿命的过程，有效的提高了疲劳寿命的获取效率，缩短了开发周期，降低了生产成本。
[0017]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，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
[0018]图1为本专利技术第一实施例中汽车本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，其特征在于，包括以下步骤：基于钢板弹簧搭建有限元数字孪生模型；对所述有限元数字孪生模型进行载荷施加，以获取所述有限元数字孪生模型上每个网格单元的模拟时变应力；以标定长度的时间窗口对所述模拟时变应力进行优化处理，以生成训练数据集；通过长短期记忆单元及感知机构建DRNN神经网络架构；通过所述训练数据集训练所述DRNN神经网络架构；将所述钢板弹簧安装于实车上，并对所述实车进行底盘性能调教，获取所述钢板弹簧于底盘性能调教过程中的实际时变应力组；通过所述实际时变应力组及训练后的所述DRNN神经网络架构判断所述钢板弹簧的疲劳寿命。2.根据权利要求1所述的基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，其特征在于，所述基于钢板弹簧搭建有限元数字孪生模型的步骤包括：通过有限元前处理软件获取所述钢板弹簧的初始模型；于所述初始模型内设置主节点坐标；分别对所述初始模型的前卷耳及所述初始模型的后卷耳进行约束边界条件施加，以获取有限元数字孪生模型。3.根据权利要求1所述的基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，其特征在于，所述对所述有限元数字孪生模型进行载荷施加，以获取所述有限元数字孪生模型上每个网格单元的模拟时变应力的步骤具体为：将所述钢板弹簧于开发阶段测试所得的载荷施加于所述有限元数字孪生模型的板簧座处，通过显示动力学分析并输出所述有限元数字孪生模型上每个网格单元的模拟时变应力。4.根据权利要求1所述的基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，其特征在于，所述以标定长度的时间窗口对所述模拟时变应力进行优化处理，以生成训练数据集的步骤包括：对每个所述网格单元的模拟时变应力进行归一化处理，以分别生成与所述网格单元对应的待处理数据；基于标定长度的时间窗口将所述待处理数据切割为若干个段落数据；汇总全部的所述段落数据，以形成训练数据集。5.根据权利要求1所述的基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，其特征在于，所述通过长短期记忆单元及感知机构建DRNN神经网络架构的步骤包括：以若干个所述长短期记忆单元搭建长短期记忆层；以若干个所述感知机搭建全连接神经层；通过所述长短期记忆层及所述全连接神经层构建DRNN神经网络架构。6.根据权利要求1所述的基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，其特征在于，所述通过所述训练数据集训练所述DRNN神经网络架构的步骤包括：以所...

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