[发明专利]一种汽车疲劳寿命耐久性预测方法及系统

权利要求书

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。