基于支持向量機的轎車車身綜合性能指標建模方法技術

一種汽車結構優化設計領域的基于支持向量機的轎車車身綜合性能指標建模方法，包括：步驟一、選擇零件作為設計目標，并確定零件的板厚、材料參數作為設計變量；步驟二、依據步驟一所確定的設計變量，采用試驗設計方法生成設計矩陣；步驟三、根據設計矩陣進行有限元仿真試驗設計，提取結構性能指標值完成訓練樣本的建立；步驟四、利用支持向量機方法對樣本進行訓練，建立綜合性能指標數學模型；步驟五、利用檢驗指標驗證所建立的綜合性能指標數學模型；步驟六、在驗證得到高精度綜合性能指標數學模型后建立自適應過程。本發明專利技術適用于多變量、結構性能強非線性的響應指標數學建模，模型預測精度高，建模效率高，最優設計方案可行性強。

【技術實現步驟摘要】

本專利技術涉及的是一種汽車
的設計方法，特別是一種基于支持向量機 的轎車車身綜合性能指標建模方法。
技術介紹
隨著汽車工業的快速發展，車身結構的優化設計技術逐步的得到了應用，使 得車身結構具有最佳綜合性能的同時，能夠盡量的降低自身重量。轎車車身結構 優化設計建模過程中，需要建立各個綜合性能指標與設計變量之間的數學關系模 型，而汽車碰撞是一個瞬態、大變形、高度非線性的物理過程，包括碰撞力、加 速度、結構變形及吸能量在內的耐撞安全性能指標具有強非線性的特點，因此， 建立準確、高效的數學模型是車身結構優化方案可行性成敗的關鍵。目前，二階多項式模型建模簡單，適用于設計變量少、響應的非線性程度較 弱的設計問題，而對于高維設計空間、強非線性響應的情況，其所建立模型的預 測能力將大大的降低，因此采用該模型進行優化得到的設計方案必然缺乏工程應 用可靠性。經對現有技術文獻的檢索發現，王海亮、林忠欽、金先龍，在《應用力學學 報》2003,(3):61-66上發表的文章基于響應面模型的薄壁構件耐撞性優化設計 中采用二階多項式模型建立了車身結構耐撞性指標(耐撞指數、最大碰撞力、平 均碰撞力)的數學模型，而建模過程中僅通過方差分析作為驗證手段，未在設計 空間內另外選取一定數量的隨機、均勻分布的樣本進行響應預測檢驗，故不能認 為所建立的數學模型具有足夠的精度進行后續的優化設計。
技術實現思路
本專利技術的目的在于針對現有技術的不足，提供一種基于支持向量機的轎車車 身綜合性能指標建模方法，提高所建立模型的預測精度及建模效率，為后續的優 化設計奠定基礎，以期提高車身結構優化設計方案的工程應用可行性。本專利技術是通過以下技術方案實現的，本專利技術包括以下步驟步驟一、選擇零件作為設計目標，并確定零件的板厚、材料參數作為設計變所述選擇零件作為設計目標，具體為在結構形式已經確定的前提下，幾何 尺寸及材料參數在很大程度上決定了車身結構的性能，將車身結構中對各項性能 響應較為敏感的零件作為設計目標，零件包括前圍、側圍、后圍、地板及頂棚各 總成中的零件。步驟二、依據步驟一所確定的設計變量，采用試驗設計方法生成設計矩陣；所述采用試驗設計方法生成設計矩陣，具體為在建立結構性能指標與設計變量函數關系的過程中，采用試驗設計方法中的均勻設計在多維設計空間內選擇 樣本點，樣本點的數量由性能指標的非線性程度及建立數學模型所需達到的精度而定，采集樣本點上的性能響應信息，并利用這些響應信息完成函數關系的建立， 均勻設計在n (W為設計變量個數)維設計空間內均具有良好的均勻分散性，使 得樣本均勻的分布在設計空間，捕捉性能響應特征信息，設計因素的水平與試驗 的次數相等，通過DPS (數據處理統計)軟件，在給定因素個數及試驗次數的前 提下自動生成設計矩陣。步驟三、根據設計矩陣進行有限元仿真試驗設計，提取結構性能指標值完成 訓練樣本的建立；所述提取結構性能指標值完成訓練樣本的建立，具體為在生成設計矩陣后， 根據設計矩陣的安排，利用有限元仿真試驗對各組合進行處理，并從處理結果文 件中提取結構性能指標的試驗響應值，完成樣本的建立。步驟四、利用支持向量機方法對樣本進行訓練，建立綜合性能指標數學模型；所述建立綜合性能指標數學模型，具體為在建立綜合性能指標與設計變量 函數關系的過程中，采用數據挖掘中的支持向量機方法，將非線性問題轉化為高 維空間中的線性回歸問題，通過求解一系列最優化問題得到該線性回歸問題的 解，以設計矩陣及有限元仿真得到的性能指標矩陣作為樣本，采用支持向量機方 法進行樣本訓練，得到相應的回歸系數，完成綜合性能指標數學模型的建立。所述支持向量機方法，其非線性函數表達如下其中/^為非線性函數，A&， X^為核函數，(,-^)和6為相應的系數，/為 樣本個數。步驟五、利用檢驗指標驗證所建立的綜合性能指標數學模型； 所述驗證所建立的綜合性能指標數學模型，具體為在建立綜合性能指標數 學模型后，生成另外的在設計空間內隨機、均勻分散的測試樣本，將測試樣本上 預測性能指標值與有限元仿真響應值進行對比，驗證模型的預測精度，采用最大絕X寸值誤差(Maximum Absolute Error)、相對平均絕對值誤差(Relative Average Absolute Error)、均方根誤(Root Mean Square Error)和確定性系數(R2)四個 檢驗指標對所建立的數學模型進行驗證。檢驗指標中的最大絕對值誤差、相對平 均絕對值誤差及均方根誤越小，則說明模型精度越高，反之則模型精度越低，而 對于確定性系數，其范圍介于0與l.O之間，越接近l.O則說明模型精度越高， 反之則模型精度越低。所述檢驗指標，包括如下具體四個最大絕對值誤差M4￡ 二M欲化.-j), I / = 1，…，OT。r;其中，X、丸、歹,、 ，分別是樣本試驗值、樣本預測值、樣本的總平均相對平均絕對值誤差i ^4五二確定性系數p,二 i-值及測試樣本的個數，STD為樣本的標準差，由STD:J^-。步驟六、在驗證后對符合精度要求的綜合性能指標數學模型后建立自適應過程。所述建立自適應過程，具體為在建立了具有較高的預測精度的綜合性能指 標數學模型后，為提高數學模型在最優設計點上的預測精度，用綜合性能指標數 學模型進行數輪確定性優化，在最優點處將性能預測值與有限元仿真的響應值進 行對比，并將該最優點處的設計矩陣及響應矩陣反饋到訓練樣本中，直至最優點 處的預測值與有限元仿真的響應值在可接受范圍內，則自適應過程結束。本專利技術具有以下優點(l)適用于多變量、結構性能強非線性的響應指標數 學建模。轎車車身結構復雜系統具有設計變量多、結構性能強非線性的特點，而 通常采用的二次多項式模型進行結構性能指標建模過程中，隨著設計變量個數的 增加及結構響應指標非線性程度的增強，所建立的數學模型的精度及建模的效率 大大降低，導致無法開展后續的優化設計工作；(2)模型預測精度高，建模效率 高。首先，利用均勻設計方法生成樣本進行有限元仿真試驗，能夠最大限度的捕 捉各個響應的特征信息。其次，本專利技術中所采用的支持向量機方法是通過求解一 系列最優化問題得到高維空間線性回歸問題的解，再經過核函數進行線性逆變 換，得到原非線性回歸問題的解，整個建模過程是一個最優化的過程。因此，應 用該方法得到的數學模型具有精度高的特點。同時，支持向量機方法是將強非線 性響應的回歸問題轉化為高維空間中的線性回歸問題，因此與二次多項式模型相 比，支持向量機方法在變量個數多、響應非線性程度高的情況下可提高大于1 倍的建模效率；(3)最優設計方案可行性強。本專利技術利用一個自適應過程，針對 利用數學模型得到的最優點處的性能預測值與有限元仿真的響應值進行對比，并 將該最優點作為樣本信息反饋到訓練樣本中，直至最優點處的預測值與有限元仿 真的響應值在可接受范圍內，因此使得優化設計解更為合理，設計方案的可行性 提高到95%以上。附圖說明圖1為本具體實施方式下面結合附圖對本專利技術的實施例作詳細說明本實施例在以本專利技術技術方案 為前提下進行實施，給出了詳細的實施方式和具體的操作過程，但本專利技術的保護 范圍不限于下述的實施例。如圖1所示，本實施例包括如下步驟步驟一，確定車身結構優化的設計變量選取某本文檔來自技高網...

【技術保護點】
一種基于支持向量機的轎車車身綜合性能指標建模方法，其特征在于，包括以下步驟：步驟一、選擇零件作為設計目標，并確定零件的板厚、材料參數作為設計變量；步驟二、依據步驟一所確定的設計變量，采用試驗設計方法生成設計矩陣；步驟三、根據設計矩陣進行有限元仿真試驗設計，提取結構性能指標值完成訓練樣本的建立；步驟四、利用支持向量機方法對樣本進行訓練，建立綜合性能指標數學模型；步驟五、利用檢驗指標驗證所建立的綜合性能指標數學模型；步驟六、在驗證后對符合精度要求的綜合性能指標數學模型后建立自適應過程。

【技術特征摘要】
1、一種基于支持向量機的轎車車身綜合性能指標建模方法，其特征在于，包括以下步驟步驟一、選擇零件作為設計目標，并確定零件的板厚、材料參數作為設計變量；步驟二、依據步驟一所確定的設計變量，采用試驗設計方法生成設計矩陣；步驟三、根據設計矩陣進行有限元仿真試驗設計，提取結構性能指標值完成訓練樣本的建立；步驟四、利用支持向量機方法對樣本進行訓練，建立綜合性能指標數學模型；步驟五、利用檢驗指標驗證所建立的綜合性能指標數學模型；步驟六、在驗證后對符合精度要求的綜合性能指標數學模型后建立自適應過程。2、 根據權利要求1所述的基于支持向量機的轎車車身綜合性能指標建模方 法，所述選擇零件作為設計目標，具體為在結構形式已經確定的前提下，將車 身結構中對各項性能響應敏感的零件作為設計目標，零件包括前圍、側圍、后圍、 地板及頂棚各總成中的零件。3、 根據權利要求1所述的基于支持向量機的轎車車身綜合性能指標建模方 法，其特征是，所述采用試驗設計方法生成設計矩陣，具體為在建立結構性能 指標與設計變量函數關系的過程中，采用試驗設計方法中的均勻設計在多維設計 空間內選擇樣本點，樣本點的數量由性能指標的非線性程度及建立數學模型所需 達到的精度而定，采集樣本點上的性能響應信息，并利用這些響應信息完成函數 關系的建立，均勻設計在n維設計空間內均具有良好的均勻分散性，w為設計變 量個數，使得樣本均勻的分布在設計空間，捕捉性能響應特征信息，設計因素的 水平與試驗的次數相等，通過數據處理統計軟件，在給定因素個數及試驗次數的 前提下自動生成設計矩陣。4、 根據權利要求1所述的基于支持向量機的轎車車身綜合性能指標建模方 法，其特征是，所述提取結構性能指標值完成訓練樣本的建立，具體為在生成 設計矩陣后，根據設計矩陣的安排，利用有限元仿真試驗對各組合進行處理，并從處理結果文件中提取結構性能指標的試驗響應值，完成樣本的建立。5、 根據權利要求1所述的基于支持向量機的轎車車身綜合性能指標建模方 法，其特征是，所述建立綜合性能指標數學模型，具體為在建立綜合性能指標 與設計變量函數關系的過程中，采用數據挖掘中的支持向量機方法，將非線性問 題轉化為高維空間中的線性回歸問題，通過求解一系列最優化問題得到該線性回 歸問題的解，以設計矩陣及有限元仿真得到的性能指標矩陣作為...

【專利技術屬性】
技術研發人員：朱平，張宇，陳關龍，郭永進，余海東，潘峰，
申請(專利權)人：上海交通大學，
類型：發明
國別省市：31[中國|上海]