一种汽车疲劳寿命耐久性预测方法及系统技术方案

本发明专利技术提供了一种汽车疲劳寿命耐久性预测方法及系统，涉及汽车数据处理技术领域，包括获取汽车在行驶过程中的动态数据和静态数据；将动态数据和静态数据输入至汽车有限元模型中，得到关键疲劳点；基于自注意力机制和双向长短期记忆网络，构建汽车疲劳寿命耐久性预测模型，得到汽车关键疲劳点预测结果；分析汽车在各个疲劳阶段的故障率变化规律情况，基于汽车关键疲劳点预测结果和故障率变化规律情况计算汽车疲劳寿命耐久性损伤值；判断汽车疲劳寿命耐久性损伤值与预设的疲劳损伤值的大小。本发明专利技术的有益效果为能够以更短的时间和成本来验证汽车整车或零部件疲劳寿命，能够全面准确地评价汽车整车、子系统或零部件的质量和可靠度。可靠度。可靠度。

【技术实现步骤摘要】
一种汽车疲劳寿命耐久性预测方法及系统


[0001]本专利技术涉及汽车数据处理
，具体而言，涉及一种汽车疲劳寿命耐久性预测方法及系统。

技术介绍

[0002]整车、车辆各子系统和零部件的耐久性和可靠性验证试验规范及试验验证，是车辆耐久性和可靠性工程的重要环节，直接关系到车辆的使用安全性以及质量。汽车的可靠寿命体现了在用车的整体技术水平和性能状态，其受车主的驾驶习惯、维修保养程度以及车型出厂质量水平等综合因素影响。然而，以往对车辆的可靠性分析及寿命预测主要基于汽车维修记录和故障数据，不仅需要大量的维修记录积累还须准确真实的识别出故障信息，因此具有时间延时性，在一定情况下，对车辆维修记录数量和数据质量的记录方面要求较高，但是在实际应用中操作难度大且不具备普遍适用性，因此往往无法实时高效的对车辆寿命及可靠性水平进行准确判断。

技术实现思路

[0003]本专利技术的目的在于提供一种汽车疲劳寿命耐久性预测方法及系统，以改善上述问题。为了实现上述目的，本专利技术采取的技术方案如下：第一方面，本申请提供了一种汽车疲劳寿命耐久性预测方法，包括：获取汽车在行驶过程中的动态数据和静态数据，其中动态数据为随着汽车的使用呈动态变化的车辆信息，静态数据为汽车固定的属性信息；将动态数据和静态数据输入至汽车有限元模型中，采用静态叠加法和模态叠加法对汽车进行疲劳分析，得到关键疲劳点；基于自注意力机制和双向长短期记忆网络，构建汽车疲劳寿命耐久性预测模型，将至少一个关键疲劳点输入至汽车疲劳寿命耐久性预测模型中进行预测，得到汽车关键疲劳点预测结果；分析汽车在各个疲劳阶段的故障率变化规律情况，基于汽车关键疲劳点预测结果和故障率变化规律情况计算汽车疲劳寿命耐久性损伤值；判断汽车疲劳寿命耐久性损伤值与预设的疲劳损伤值的大小，若汽车疲劳寿命耐久性损伤值小于预设的疲劳损伤值，则确定汽车疲劳耐久性测试合格；若汽车疲劳寿命耐久性损伤值大于预设的疲劳损伤值，则确定汽车疲劳耐久性测试不合格。
[0004]优选地，所述将动态数据和静态数据输入至汽车有限元模型中，采用静态叠加法和模态叠加法对汽车进行疲劳分析，得到关键疲劳点，其中包括：采集有关于汽车的参数建立有限元模型；利用求解器分别计算静态叠加和模态叠加，求解汽车车身单元或节点在一定时间范围内, 汽车车身受到的应力随时间的变化规律；选取汽车车身上至少四个关键点位置，其中包括汽车的电机轴承、避震器、方向盘
和火花塞；基于静态叠加法和模态叠加法，分别对提取到的四个关键点位置进行计算得到四个关键点位置分别所对应的应力信号，并对应力信号进行幅值统计和频谱分析，得到关键疲劳点。
[0005]优选地，所述得到汽车关键疲劳点预测结果，其中还包括：利用信号功率谱密度函数对汽车各关键零部件进行数据频域分析，确定汽车各关键零部件振动信号的频率成分和结构，其中包括对多通道响应信号进行分析，得到多通道响应信号中各个信号所对应的功率谱密度函数矩阵；其中汽车各关键零部件包括车轮、轮毅、轮轴、转向节和悬挂臂；对功率谱密度函数矩阵进行奇异值分解，得到功率谱密度曲线；将功率谱密度曲线中汽车各关键零部件所对应的数据输入至预先训练的第一网络模型，得到各汽车各关键零部件对应的预测数据，其中，第一网络模型是基于目标设计里程对应的目标曲线中汽车各关键零部件对应的数据为输入进行训练得到的。
[0006]优选地，所述将功率谱密度曲线中汽车各关键零部件所对应的数据输入至预先训练的第一网络模型，之前包括：根据汽车各关键零部件进行相关性计算，得到汽车零部件结构图，其中汽车零部件结构图为网络矩阵结构图，并根据汽车零部件结构图中顶点之间的相关性得到第一信息；获取第二信息，其中第二信息包括汽车零部件结构图中顶点的个数和所述顶点的特征向量，并根据第二信息构建汽车零部件特征矩阵；基于第一信息构建汽车零部件邻接矩阵，并对汽车零部件邻接矩阵进行预处理；并根据皮尔森相关系数计算预处理后的汽车零部件邻接矩阵；根据预处理后的汽车零部件邻接矩阵和汽车零部件特征矩阵，构建汽车各关键零部件图。
[0007]优选地，所述分析汽车在各个疲劳阶段的故障率变化规律情况，其中包括：获取第一疲劳寿命信息数据，其中第一疲劳寿命信息数据包括汽车所行驶期间内的故障率和汽车单位时间范围内所行驶的里程数，其故障率的计算公式如下：
[0008]式中，为故障率函数，t为汽车工作到某一时间点，X为随机变量，表示在区间内的随机变量，且，P为概率；基于第一疲劳寿命信息数据，得到有关于汽车疲劳寿命耐久性的浴盆曲线；根据浴盆曲线中的斜率情况，判断汽车在各个疲劳阶段的故障率变化规律情况，并对各个疲劳阶段的故障率变化规进行拟合。
[0009]第二方面，本申请还提供了一种汽车疲劳寿命耐久性预测系统，包括获取模块、分析模块、构建模块、计算模块和判断模块，其中：获取模块：用于获取汽车在行驶过程中的动态数据和静态数据，其中动态数据为随着汽车的使用呈动态变化的车辆信息，静态数据为汽车固定的属性信息；分析模块：用于将动态数据和静态数据输入至汽车有限元模型中，采用静态叠加
法和模态叠加法对汽车进行疲劳分析，得到关键疲劳点；构建模块：用于基于自注意力机制和双向长短期记忆网络，构建汽车疲劳寿命耐久性预测模型，将至少一个关键疲劳点输入至汽车疲劳寿命耐久性预测模型中进行预测，得到汽车关键疲劳点预测结果；计算模块：用于分析汽车在各个疲劳阶段的故障率变化规律情况，基于汽车关键疲劳点预测结果和故障率变化规律情况计算汽车疲劳寿命耐久性损伤值；判断模块：用于判断汽车疲劳寿命耐久性损伤值与预设的疲劳损伤值的大小，若汽车疲劳寿命耐久性损伤值小于预设的疲劳损伤值，则确定汽车疲劳耐久性测试合格；若汽车疲劳寿命耐久性损伤值大于预设的疲劳损伤值，则确定汽车疲劳耐久性测试不合格。
[0010]本专利技术的有益效果为：本专利技术通过对汽车各方面数据的采集分析和处理，避免过多信息未被利用而造成处理结果不准确的后果，同时也可以快速的确定后续疲劳耐久寿命问题的主次问题，有选择性的采集、分析相关信息，简化流程，加快分析速率，提高预测结果的准确性，提高数据分析处理准确性，避免了数据误差大的缺陷，减轻后续工作压力；同时，采用静态叠加法和模态叠加法，能够准确的提取出动态应力和静态应力的变化，能够准确预测因振动引起的车身耐久性问题，同时在计算时也大大降低了对计算机存储空间的要求。采用信号功率谱密度函数是对随机动力汽车零部件载荷响应的概率统计，可以用于随机振动分析，更加具备真实性，使得实验结果也相对精确。利用信号功率谱密度函数矩阵获得功率谱密度曲线，根据功率谱密度曲线获得模态参数，较好的避免误差结果，提高模态参数估计的结果，提高了参数估计的精度，对汽车各关键零部件进行数据频域分析更加准确；本专利技术根据数据频域分析可以通过功率谱密度函数来体现汽车各关键零部件频率成分能量的强弱，分析振动信号的频率成分和结构，对于研究汽车各关键零部件的强度和疲劳寿命有着重要作用。本专利技术能够以更短的时间和成本来验证汽车整车或零部件疲劳寿命，并且大大地缩短了检测汽车疲劳寿命耐久性测试方法，且预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种汽车疲劳寿命耐久性预测方法，其特征在于，包括：获取汽车在行驶过程中的动态数据和静态数据，其中动态数据为随着汽车的使用呈动态变化的车辆信息，静态数据为汽车固定的属性信息；将动态数据和静态数据输入至汽车有限元模型中，采用静态叠加法和模态叠加法对汽车进行疲劳分析，得到关键疲劳点；基于自注意力机制和双向长短期记忆网络，构建汽车疲劳寿命耐久性预测模型，将至少一个关键疲劳点输入至汽车疲劳寿命耐久性预测模型中进行预测，得到汽车关键疲劳点预测结果；分析汽车在各个疲劳阶段的故障率变化规律情况，基于汽车关键疲劳点预测结果和故障率变化规律情况计算汽车疲劳寿命耐久性损伤值；判断汽车疲劳寿命耐久性损伤值与预设的疲劳损伤值的大小，若汽车疲劳寿命耐久性损伤值小于预设的疲劳损伤值，则确定汽车疲劳耐久性测试合格；若汽车疲劳寿命耐久性损伤值大于预设的疲劳损伤值，则确定汽车疲劳耐久性测试不合格。2.根据权利要求1所述的汽车疲劳寿命耐久性预测方法，其特征在于，所述将动态数据和静态数据输入至汽车有限元模型中，采用静态叠加法和模态叠加法对汽车进行疲劳分析，得到关键疲劳点，其中包括：采集有关于汽车的参数建立有限元模型；利用求解器分别计算静态叠加和模态叠加，求解汽车车身单元或节点在一定时间范围内, 汽车车身受到的应力随时间的变化规律；选取汽车车身上至少四个关键点位置，其中包括汽车的电机轴承、避震器、方向盘和火花塞；基于静态叠加法和模态叠加法，分别对提取到的四个关键点位置进行计算得到四个关键点位置分别所对应的应力信号，并对应力信号进行幅值统计和频谱分析，得到关键疲劳点。3.根据权利要求1所述的汽车疲劳寿命耐久性预测方法，其特征在于，所述得到汽车关键疲劳点预测结果，其中还包括：利用信号功率谱密度函数对汽车各关键零部件进行数据频域分析，确定汽车各关键零部件振动信号的频率成分和结构，其中包括对多通道响应信号进行分析，得到多通道响应信号中各个信号所对应的功率谱密度函数矩阵；其中汽车各关键零部件包括车轮、轮毅、轮轴、转向节和悬挂臂；对功率谱密度函数矩阵进行奇异值分解，得到功率谱密度曲线；将功率谱密度曲线中汽车各关键零部件所对应的数据输入至预先训练的第一网络模型，得到各汽车各关键零部件对应的预测数据，其中，第一网络模型是基于目标设计里程对应的目标曲线中汽车各关键零部件对应的数据为输入进行训练得到的。4.根据权利要求3所述的汽车疲劳寿命耐久性预测方法，其特征在于，所述将功率谱密度曲线中汽车各关键零部件所对应的数据输入至预先训练的第一网络模型，之前包括：根据汽车各关键零部件进行相关性计算，得到汽车零部件结构图，其中汽车零部件结构图为网络矩阵结构图，并根据汽车零部件结构图中顶点之间的相关性得到第一信息；获取第二信息，其中第二信息包括汽车零部件结构图中顶点的个数和所述顶点的特征
向量，并根据第二信息构建汽车零部件特征矩阵；基于第一信息构建汽车零部件邻接矩阵，并对汽车零部件邻接矩阵进行预处理；并根据皮尔森相关系数计算预处理后的汽车零部件邻接矩阵；根据预处理后的汽车零部件邻接矩阵和汽车零部件特征矩阵，构建汽车各关键零部件图。5.根据权利要求1所述的汽车疲劳寿命耐久性预测方法，其特征在于，所述分析汽车在各个疲劳阶段的故障率变化规律情况，其中包括：获取第一疲劳寿命信息数据，其中第一疲劳寿命信息数据包括汽车所行驶期间内的故障率和汽车单位时间范围内所行驶的里程数，其故障率的计算公式如下：式中，为故障率函数，t为汽车工作到某一时间点，X为随机变量，表示在区间内的随机变量，且，P为概率；基于第一疲劳寿命信息数据，得到有关于汽车疲劳寿命耐久性的浴盆曲线；根据浴盆曲线中的斜率情况，判断汽车在各个疲劳阶段的故障率变化规律情况，并对各个疲劳阶段的故障率变化规进行拟合。6.一种汽车疲劳寿命耐久性预测系统，其特征在于，包括...

【专利技术属性】
技术研发人员：郭庆丰，刘淅，
申请(专利权)人：成都航空职业技术学院，
类型：发明
国别省市：