[发明专利]基于人工智能的车辆动力学性能预测方法

说明书

本发明提供了基于人工智能的车辆动力学性能预测方法，包括以下步骤：在Adams中先进行多体动力学某工况的基础分析，产生驱动文件，记录工况参数设置信息；以整车硬点坐标、整车质心坐标、整车质量、减震器特性数据、减震弹簧特性数据、衬套特性数据、缓冲块特性数据作为变量，分别采用不同的规则进行抽样。本发明有益效果：本方案提出一种基于人工智能的车辆动力学性能预测方法，通过一套规定的训练方法训练神经网络模型，训练完成后，只要输入整车硬点、弹性元件特性数据、整车质心及质量信息，即可通过训练好的神经网络模型直接计算出动力学性能，大幅提升了开发效率。

技术领域

本发明属于多体动力学、人工智能领域，尤其是涉及一种基于人工智能的车辆动力学性能预测方法。

背景技术

汽车在整车操稳性能、平顺性能开发过程中，通常会借助CAE工具进行相关性能的计算机辅助计算，以在产品开发前期快速指导设计。目前比较主流的汽车动力学辅助工具为MSC公司的Adams，需要获取整车硬点信息、衬套、弹簧、减震器、缓冲块等弹性元件的特性参数、各零部件质量及转动惯量、整车质心等基本信息的基础上，建立整车动力学模型后进行操作稳定性、平顺性等相关指标的仿真分析；实际开发过程中，硬点的微调、或者弹性元件特性的更新更改，都需重新更新整车动力学模型并重新进行动力学仿真来获取基本信息更新后的性能。

发明内容

有鉴于此，本发明旨在提出一种基于人工智能的车辆动力学性能预测方法，通过一套规定的训练方法训练神经网络模型，训练完成后，只要输入整车硬点、弹性元件特性数据、整车质心及质量信息，即可通过训练好的神经网络模型直接计算出动力学性能，大幅提升了开发效率。

为达到上述目的，本发明的技术方案是这样实现的：

基于人工智能的车辆动力学性能预测方法，包括以下步骤：

S1、在Adams中先进行多体动力学某工况的基础分析，产生驱动文件，记录工况参数设置信息；

S2、以整车硬点坐标、整车质心坐标、整车质量、减震器特性数据、减震弹簧特性数据、衬套特性数据、缓冲块特性数据作为变量，分别采用不同的规则进行抽样；

S3、对步骤S2中所得的所有样本，依次在把每一组样本值更新至多元体动力学模型中，并进行计算、结果提取、指标计算后，得到该组样本对应的一个标签值；

S4、步骤S3中的所有样本计算完成并提取结果、计算指标完成后，得到所有样本及每组样本对应的标签值，从而得到完整的训练集数据；

S5、利用步骤S4得到训练数据，通过搭建四层全连接层神经网络模型；

S6、基于步骤S5中搭建好的神经网络模型，以S4中得到的训练集数据进行模型训练，得到神经网络模型的所有权重系数。

进一步的，在步骤S2中，整车硬点坐标、整车质心坐标、整车质量作为离散点，各点之间没有趋势关系，采用给定上限值、下限值，应用拉定超立方抽样方法，在各自区间上进行均匀撒点的方式进行抽样：

其中，减震器特性数据、减震弹簧特性数据、衬套特性数据、缓冲块特性数据，由于其各点存在走势趋势，不能作为离散点处理，因此采用不同的抽样方法进行抽样。

进一步的，减震器抽样后的所有样本，满足活塞压缩过程中，阻尼力呈现压力，且活塞压缩速度越大，压力越大；活塞行程拉升过程中，阻尼力呈现拉力，且活塞拉升速度越大，拉力越大；当活塞速度为零时，阻尼力为零。

进一步的，减震弹簧抽样后，产生的弹簧刚度值位于期望的合理区间，以符合弹簧行程及弹簧力的限值。

进一步的，衬套抽样后的所有样本，衬套具有三个方向的刚度，对于每个方向的刚度特性曲线，其实际特性为：衬套在一个方向上的变形越大，呈现的反力越大，当衬套在某方向上无变形，则该方向上衬套呈现的力为零。