【技术实现步骤摘要】
本申请属于汽车制造，特别涉及一种车身性能预测、系统及存储介质。
技术介绍
1、多学科优化技术是实现汽车车身轻量化的重要手段。多学科优化通常是在实验设计的基础上，通过响应面、正交多项式、kriging模型等方法建立近似模型，利用多项式函数拟合设计空间，并利用该近似模型进行预测或优化。在近似模型中，响应面函数可以是一阶、二阶、三阶和四阶多项式，构造近似模型所需要的样本点数依赖于模型阶数和输入变量个数。
2、申请人在研究中发现，目前行业内对于车身性能预测一般通过isight、optimus等商业软件实现车身刚度、模态、路躁等性能的预测。但是以商业软件为依托的情况下，算法是内部封装的，只有有限的参数可以修改，且软件提供的二次开发接口不友好，操作重复繁琐，不利于实现自动化操作。另外对于ntf、路噪、碰撞等高度非线性模型，采用二阶及二阶以上多项式构建近似模型时，近似模型生成时间很长，且误差较大，预测结果不准确。
技术实现思路
1、针对上述问题，本申请提供了一种车身性能预测、系统及存储介质。
2、具体地，车身性能预测方法包括：
3、搭建基于cae的基础模型，计算所述基于cae的基础模型的车身性能；
4、选取车身的关键钣金件，以所述关键钣金件的厚度为变量，建立参数化模型，求解计算并提取计算结果，形成包含车身性能的doe矩阵表；
5、构建具有多层隐藏层的神经网络模型，使用所述包含车身性能的doe矩阵表进行训练达到目标精度；
6、
7、可选地，所述选取车身的关键钣金件，以所述关键钣金件的厚度为变量，建立参数化模型，求解计算并提取计算结果，形成包含车身性能的doe矩阵表的步骤包括：
8、采用包括优化拉丁方的抽样方法，对选取的关键钣金件的厚度进行抽样，以获取多个抽样点；
9、计算并统计所述多个抽样点的车身性能，形成doe矩阵，所述doe矩阵用于表征每个样本点的厚度值和对应的车身性能；
10、对所述doe矩阵进行数据预处理，以获取所述doe矩阵表。
11、可选地，所述对所述doe矩阵进行数据预处理，以获取所述doe矩阵表的步骤包括：
12、对所述doe矩阵进行归一化处理；
13、将归一化后的doe矩阵数据进行数据划分，以获取训练数据集和测试数据集。
14、可选地，所述对所述doe矩阵进行归一化处理的步骤中，通过以下表达式进行处理：
15、
16、其中，x是特征向量中的某个值，x′是x归一化后对应的值，xmin是特征向量的最小值，xmax是特征向量的最大值。
17、可选地，所述构建具有多层隐藏层的神经网络模型，使用所述包含车身性能的doe矩阵表进行训练达到目标精度的步骤中，根据以下表达式确定隐藏层的神经元个数：
18、
19、其中，nhiddden为计算出的隐藏层神经元数量，ninput为输入变量的数量，noutput为输出响应的数量。
20、可选地，所述构建具有多层隐藏层的神经网络模型，使用所述包含车身性能的doe矩阵表进行训练达到目标精度的步骤包括：
21、对于非线性模型的参数，采用非线性激活函数，所述非线性激活函数选自relu函数和tanh函数中的至少一项。
22、可选地，所述非线性激活函数包括relu函数时，根据以下表达式进行处理：
23、relu(x)＝max(0,x)
24、其中，relu()为relu函数结果，x为函数变量，max()为取最大值函数。
25、可选地，所述构建具有多层隐藏层的神经网络模型，使用所述包含车身性能的doe矩阵表进行训练达到目标精度的步骤包括以下至少一项：
26、所述神经网络模型的输入神经元个数为30个；
27、输出神经元个数为5个；
28、所述神经网络模型的隐藏层为2层；
29、每个隐藏层神经元个数为15个；
30、学习率为0.0001；
31、最大迭代次数为3000。
32、可选地，所述构建具有多层隐藏层的神经网络模型，使用所述包含车身性能的doe矩阵表进行训练达到目标精度的步骤中，采用以下表达式计算所述神经网络模型的精度：
33、
34、其中r2值为精度计算结果，模型预测结果，yi为真实结果，为预测结果的平均值。
35、可选地，所述构建具有多层隐藏层的神经网络模型，使用所述包含车身性能的doe矩阵表进行训练达到目标精度的步骤之后包括：
36、当训练后的神经网络模型精度小于预设阈值时，对所述神经网络模型进行超参优化，并重新进行训练。
37、可选地，所述输入新的关键钣金件的厚度组合数据到训练完成的神经网络模型，以获取车身性能预测结果的步骤中包括：
38、对所述神经网络模型的输出结果进行反归一化运算。
39、本申请还提供一种车身性能预测系统，所述车身性能预测系统包括处理器和存储器，其中：
40、所述存储器用于存储计算机程序；
41、所述处理器用于读取所述计算机程序并运行，以实现如上述的车身性能预测方法。
42、本申请还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的车身性能预测方法的步骤。
43、本申请的车身性能预测、系统及存储介质，通过采用机器学习算法，实现钣金件厚度、截面位置等参数化数据和车身性能的机器学习和准确预测，机器学习时间短，预测准确度高，能够实现流程自动化和规范化操作，算法可根据需求进行灵活定制和修改，提高产品适应性。
本文档来自技高网...【技术保护点】
1.一种车身性能预测方法，其特征在于，包括：
2.如权利要求1所述的车身性能预测方法，其特征在于，所述选取车身的关键钣金件，以所述关键钣金件的厚度为变量，建立参数化模型，求解计算并提取计算结果，形成包含车身性能的DOE矩阵表的步骤包括：
3.如权利要求2所述的车身性能预测方法，其特征在于，所述对所述DOE矩阵进行数据预处理，以获取所述DOE矩阵表的步骤包括：
4.如权利要求3所述的车身性能预测方法，其特征在于，所述对所述DOE矩阵进行归一化处理的步骤中，通过以下表达式进行处理：
5.如权利要求1所述的车身性能预测方法，其特征在于，所述构建具有多层隐藏层的神经网络模型，使用所述包含车身性能的DOE矩阵表进行训练达到目标精度的步骤中，根据以下表达式确定隐藏层的神经元个数：
6.如权利要求1所述的车身性能预测方法，其特征在于，所述构建具有多层隐藏层的神经网络模型，使用所述包含车身性能的DOE矩阵表进行训练达到目标精度的步骤包括：
7.如权利要求6所述的车身性能预测方法，其特征在于，所述非线性激活函数包括ReLU函数
8.如权利要求1所述的车身性能预测方法，其特征在于，所述构建具有多层隐藏层的神经网络模型，使用所述包含车身性能的DOE矩阵表进行训练达到目标精度的步骤包括以下至少一项：
9.如权利要求1-8任一项所述的车身性能预测方法，其特征在于，所述构建具有多层隐藏层的神经网络模型，使用所述包含车身性能的DOE矩阵表进行训练达到目标精度的步骤中，采用以下表达式计算所述神经网络模型的精度：
10.如权利要求1-8任一项所述的车身性能预测方法，其特征在于，所述构建具有多层隐藏层的神经网络模型，使用所述包含车身性能的DOE矩阵表进行训练达到目标精度的步骤包括：
11.如权利要求1-8任一项所述的车身性能预测方法，其特征在于，所述输入新的关键钣金件的厚度组合数据到训练完成的神经网络模型，以获取车身性能预测结果的步骤中包括：
12.一种车身性能预测系统，其特征在于，所述车身性能预测系统包括处理器和存储器，其中：
13.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-11任一项所述的车身性能预测方法的步骤。
...【技术特征摘要】
1.一种车身性能预测方法，其特征在于，包括：
2.如权利要求1所述的车身性能预测方法，其特征在于，所述选取车身的关键钣金件，以所述关键钣金件的厚度为变量，建立参数化模型，求解计算并提取计算结果，形成包含车身性能的doe矩阵表的步骤包括：
3.如权利要求2所述的车身性能预测方法，其特征在于，所述对所述doe矩阵进行数据预处理，以获取所述doe矩阵表的步骤包括：
4.如权利要求3所述的车身性能预测方法，其特征在于，所述对所述doe矩阵进行归一化处理的步骤中，通过以下表达式进行处理：
5.如权利要求1所述的车身性能预测方法，其特征在于，所述构建具有多层隐藏层的神经网络模型，使用所述包含车身性能的doe矩阵表进行训练达到目标精度的步骤中，根据以下表达式确定隐藏层的神经元个数：
6.如权利要求1所述的车身性能预测方法，其特征在于，所述构建具有多层隐藏层的神经网络模型，使用所述包含车身性能的doe矩阵表进行训练达到目标精度的步骤包括：
7.如权利要求6所述的车身性能预测方法，其特征在于，所述非线性激活函数包括relu函数时，根据以下表达式进行处理：<...
【专利技术属性】
技术研发人员：马尚，巩子天纵，安敏，李飞，
申请(专利权)人：武汉路特斯汽车有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。