【技术实现步骤摘要】
本专利技术涉及结构尺寸优化，尤其涉及一种汽车门内板结构尺寸优化方法、装置、设备和存储介质。
技术介绍
1、汽车门内板的结构尺寸优化是一个复杂的工程，在追求轻量化目标的同时需要综合考虑多种性能需求。目前，在汽车门内板结构尺寸优化的过程中，主要采用仿真计算的方式对不同结构尺寸的汽车门内板进行性能评估，汽车门内板结构的每一次设计优化均需要进行大量的性能计算，并进一步来指导下一步的设计优化方向，导致计算的时间成本大大增加，严重影响了结构尺寸优化的效率。
技术实现思路
1、本专利技术提供一种汽车门内板结构尺寸优化方法、装置、设备和存储介质，用以解决现有技术中采用仿真计算的方式对不同结构尺寸的汽车门内板进行性能评估，计算的时间成本大大增加，严重影响了结构尺寸优化的效率的缺陷。
2、第一方面，本专利技术提供一种汽车门内板结构尺寸优化方法，包括：
3、以汽车门内板的多个结构尺寸为变量，以汽车门内板轻量化为目标，构建目标函数，根据预设结构应力阈值，确定所述目标函数的约束条件；
4、根据所述多个结构尺寸的取值范围，确定多个变量组合；
5、将每一变量组合输入至预先构建的代理模型，得到所述代理模型输出的每一变量组合对应的汽车门内板结构应力；
6、采用遗传算法，根据所述每一变量组合对应的汽车门内板结构应力，在所述约束条件下对所述目标函数进行求解，得到最优变量组合，基于所述最优变量组合，确定所述汽车门内板的最优结构尺寸；
7、其中，所述代
8、在一些实施例中，所述采用遗传算法，根据所述每一变量组合对应的汽车门内板结构应力，在所述约束条件下对所述目标函数进行求解，得到最优变量组合，包括：
9、对所述多个变量组合进行编码，得到初代种群，所述初代种群的每一个体代表每一变量组合；
10、根据所述每一变量组合对应的汽车门内板结构应力和所述约束条件，对所述初代种群中的多个个体进行筛选，得到筛选后的初代种群；
11、根据所述目标函数，计算所述筛选后的初代种群的每一个体的适应度值；
12、根据所述每一个体的适应度值，从所述筛选后的初代种群中确定最优个体；
13、判断所述最优个体的适应度值是否满足迭代终止条件，若是，则确定所述最优个体对应的变量组合为最优变量组合，否则，基于所述最优个体进行交叉、变异，得到新一代种群，从根据所述约束条件，对所述新一代种群中的多个个体进行筛选开始循环，直至确定新的最优个体的适应度值满足迭代终止条件，基于所述新的最优个体得到最优变量组合。
14、在一些实施例中，所述根据所述每一变量组合对应的汽车门内板结构应力和所述约束条件，对所述初代种群中的多个个体进行筛选，包括：
15、判断所述每一变量组合对应的汽车门内板结构应力是否小于等于所述预设结构应力阈值，若是，则保留所述每一变量组合对应的个体，否则，剔除所述每一变量组合对应的个体。
16、在一些实施例中，所述变量组合包括所述汽车门内板的孔洞尺寸和加强筋尺寸；所述约束条件包括所述汽车门内板结构应力小于等于所述预设结构应力阈值；所述目标函数的值为所述汽车门内板的重量。
17、在一些实施例中，所述代理模型包括卷积神经网络，所述卷积神经网络包括：基于硬注意力机制的多个卷积层、多个池化层、se残差块层和全连接层。
18、在一些实施例中，所述代理模型的确定过程包括：
19、根据预设的每一变量的取值范围，构建初始样本变量组合；
20、对所述初始样本变量组合进行扩增，得到多个样本变量组合；
21、确定所述多个样本变量组合的汽车门内板结构应力标签；
22、构建初始代理模型；
23、以所述多个样本变量组合为训练样本，以所述多个样本变量组合的汽车门内板结构应力标签为样本标签，训练所述初始代理模型，训练完成后，得到所述代理模型。
24、在一些实施例中，所述训练所述初始代理模型包括：
25、将每一样本变量组合输入至所述初始代理模型，得到所述初始代理模型输出的所述每一样本变量组合对应的汽车门内板结构应力的预测值；
26、根据所述每一样本变量组合对应的汽车门内板结构应力的预测值，以及所述每一样本变量组合的汽车门内板结构应力标签，计算损失函数值；
27、基于所述损失函数值，对所述初始代理模型的参数进行迭代优化。
28、第二方面，本专利技术还提供一种汽车门内板结构尺寸优化装置，包括：
29、构建单元，用于以汽车门内板的多个结构尺寸为变量，以汽车门内板轻量化为目标，构建目标函数，根据预设结构应力阈值，确定所述目标函数的约束条件；
30、确定单元，用于根据所述多个结构尺寸的取值范围，确定多个变量组合；
31、预测单元，用于将每一变量组合输入至预先构建的代理模型，得到所述代理模型输出的每一变量组合对应的汽车门内板结构应力；
32、求解单元，用于采用遗传算法，根据所述每一变量组合对应的汽车门内板结构应力，在所述约束条件下对所述目标函数进行求解，得到最优变量组合，基于所述最优变量组合，确定所述汽车门内板的最优结构尺寸；
33、其中，所述代理模型是基于样本汽车门内板的多个结构尺寸对应的样本变量组合，以及所述样本变量组合的汽车门内板结构应力标签进行训练得到的。
34、第三方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述汽车门内板结构尺寸优化方法。
35、第四方面，本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述汽车门内板结构尺寸优化方法。
36、本专利技术提供的汽车门内板结构尺寸优化方法、装置、设备和存储介质，通过以汽车门内板的多个结构尺寸为变量，以汽车门内板轻量化为目标，构建目标函数，并确定目标函数的约束条件，获取多个变量组合，采用预先构建的代理模型，计算每一变量组合对应的汽车门内板结构应力，提高了性能计算的效率；采用遗传算法，在约束条件下对目标函数进行求解，得到最优变量组合，从而能够快速确定汽车门内板的最优结构尺寸，提高了汽车门内板结构尺寸优化的效率。
本文档来自技高网...【技术保护点】
1.一种汽车门内板结构尺寸优化方法，其特征在于，包括：
2.根据权利要求1所述的汽车门内板结构尺寸优化方法，其特征在于，所述采用遗传算法，根据所述每一变量组合对应的汽车门内板结构应力，在所述约束条件下对所述目标函数进行求解，得到最优变量组合，包括：
3.根据权利要求2所述的汽车门内板结构尺寸优化方法，其特征在于，所述根据所述每一变量组合对应的汽车门内板结构应力和所述约束条件，对所述初代种群中的多个个体进行筛选，包括：
4.根据权利要求1-3任一项所述的汽车门内板结构尺寸优化方法，其特征在于，所述变量组合包括所述汽车门内板的孔洞尺寸和加强筋尺寸；所述约束条件包括所述汽车门内板结构应力小于等于所述预设结构应力阈值；所述目标函数的值为所述汽车门内板的重量。
5.根据权利要求1所述的汽车门内板结构尺寸优化方法，其特征在于，所述代理模型包括卷积神经网络，所述卷积神经网络包括：基于硬注意力机制的多个卷积层、多个池化层、SE残差块层和全连接层。
6.根据权利要求1所述的汽车门内板结构尺寸优化方法，其特征在于，所述代理模型的确定过程包括
7.根据权利要求6所述的汽车门内板结构尺寸优化方法，其特征在于，所述训练所述初始代理模型包括：
8.一种汽车门内板结构尺寸优化装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述汽车门内板结构尺寸优化方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述汽车门内板结构尺寸优化方法。
...【技术特征摘要】
1.一种汽车门内板结构尺寸优化方法，其特征在于，包括：
2.根据权利要求1所述的汽车门内板结构尺寸优化方法，其特征在于，所述采用遗传算法，根据所述每一变量组合对应的汽车门内板结构应力，在所述约束条件下对所述目标函数进行求解，得到最优变量组合，包括：
3.根据权利要求2所述的汽车门内板结构尺寸优化方法，其特征在于，所述根据所述每一变量组合对应的汽车门内板结构应力和所述约束条件，对所述初代种群中的多个个体进行筛选，包括：
4.根据权利要求1-3任一项所述的汽车门内板结构尺寸优化方法，其特征在于，所述变量组合包括所述汽车门内板的孔洞尺寸和加强筋尺寸；所述约束条件包括所述汽车门内板结构应力小于等于所述预设结构应力阈值；所述目标函数的值为所述汽车门内板的重量。
5.根据权利要求1所述的汽车门内板结构尺寸优化方法，其特征在于，所...
【专利技术属性】
技术研发人员：何君儒，聂小勇，沈亮，盛立志，范朝兵，
申请(专利权)人：江西江铃集团新能源汽车有限公司，
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。