一种基于机器学习的汽车板簧受力值及变形量的测量方法

1.本技术涉及数据处理领域，特别是涉及一种基于机器学习的汽车板簧受力值及变形量的测量方法。


背景技术：

2.耐久性作为汽车产品重要的性能指标之一，直接关系到车辆在各类工况下工作的安全性和可靠性，对整车品质和车企声誉有着重要影响。汽车产品开发阶段，需要基于数字孪生的仿真技术来对整车零部件及系统进行耐久寿命仿真分析，耐久寿命仿真求解分析需要基于每个零部件所受的道路耐久载荷进行。所述的零部件道路耐久载荷需要基于实车进行道路耐久测试，测量获得汽车在车轮轮心处的六分力，然后将六分力施加于数字化虚拟样车adams数字孪生模型，然后将每个零部件的载荷求解计算出来，最后进行零部件的疲劳耐久寿命分析。
3.由于整车数字孪生多体动力学adams模型含有大量如衬套等的非线性橡胶连接件，因此所述数字化虚拟样机无法和物理样车完全一致，为了保证分解载荷的正确性，通常需要将钢板弹簧的实际变形量和实际受力值和仿真模型计算的仿真变形量和仿真受力值进行对标，以确保仿真结果的正确性，因此在强化道路耐久载荷测量中，需要同步测量板簧的受力值和变形量。
4.现板簧的变形量往往是基于拉线传感器进行测量、板簧的受力值一般是基于力传感器进行测量，该种测量方式在整车姿态变化时，变形量及受力值的测量误差较大，进而影响后续对仿真结果判定的准确性。


技术实现要素：

5.本技术实施例提供了一种基于机器学习的汽车板簧受力值及变形量的测量方法，以解决现有技术中通过拉线传感器及力传感器分别测量板簧的变形量及受力值，在整车姿态变化时，测量误差较大，降低后续对仿真结构判定的准确性的技术问题。
6.本技术实施例提供了一种基于机器学习的汽车板簧受力值及变形量的测量方法，包括以下步骤：获取测试板簧于第一状态下的满载垂向载荷，通过所述满载垂向载荷获取所述测试板簧于第二状态下的最大纵向载荷；构建所述测试板簧的数字孪生板簧模型，将所述满载垂向载荷施加于所述数字孪生板簧模型的板簧座处，以获取所述数字孪生板簧模型上最大应变量区域，将所述最大纵向载荷施加于所述数字孪生板簧模型的板簧座处，以获取所述数字孪生板簧模型上最小应变量区域，将所述最大应变量区域与所述最小应变量区域重叠的位置确定为贴片位置，所述贴片位置用于张贴应变片；对张贴所述应变片的测试板簧进行台架测试，以获取由若干个待用数据组构成的待用集，所述待用数据组包括相互对应的测试主动载荷、测试板簧座位移量及测试应变值；
构建初始神经网络模型，对所述待用集进行归一化处理，通过归一化处理后的所述待用集训练所述初始神经网络模型，以获取最终神经网络模型；将所述应变片张贴至待测板簧的贴片位置，将张贴所述应变片的所述待测板簧安装于整车内，并对整车进行道路载荷测试，以获取实际应变值，通过所述实际应变值及所述最终神经网络模型，确定所述待测板簧的受力值及变形量。
7.进一步地，所述第一状态为满载静止状态，所述第二状态为制动状态，所述最大纵向载荷的计算公式为：，其中，表示最大纵向载荷，表示车轮与地面的摩擦系数，表示满载垂向载荷。
8.进一步地，所述对张贴所述应变片的测试板簧进行台架测试，以获取由若干个待用数据组构成的待用集，所述待用数据组包括相互对应的测试主动载荷、测试板簧座位移量及测试应变值的步骤包括：将张贴所述应变片的测试板簧置于台架上，于所述测试板簧的板簧座处施加所述满载垂向载荷，以使所述测试板簧处于所述第一状态，将所述应变片的测量值清零；于所述测试板簧的板簧座处施加逐步增大的测试主动载荷，直至所述测试板簧处于第三状态；逐步减小施加于所述测试板簧的板簧座处的所述测试主动载荷，直至所述测试板簧处于第四状态，以完成测试循环；于所述测试循环中获取若干个所述测试主动载荷、若干个测试板簧座位移量及若干个测试应变值，相对应的所述测试主动载荷、所述测试板簧座位移量及所述测试应变值组成待用数据组，若干个所述待用数据组组成所述待用集。
9.进一步地，在所述于所述测试循环中获取若干个所述测试主动载荷、若干个测试板簧座位移量及若干个测试应变值，相对应的所述测试主动载荷、所述测试板簧座位移量及所述测试应变值组成待用数据组，若干个所述待用数据组组成所述待用集的步骤之后，还包括：通过完成多次所述测试循环，以校正所述待用集。
10.进一步地，所述第三状态为极限压紧状态，所述第四状态为自由初始状态。
11.进一步地，所述构建初始神经网络模型的步骤包括：构建输入层及输出层；构建由若干个第一神经元组成的第一隐含层及若干个第二神经元组成的第二隐含层，连接所述第一隐含层及所述第二隐含层，以形成隐藏层；将所述输入层通过所述隐藏层连接所述输出层，以形成所述初始神经网络模型。
12.进一步地，所述通过归一化处理后的所述待用集训练所述初始神经网络模型的步骤包括：将归一化处理后的所述待用集分隔为训练集、验证集及测试集，所述训练集、所述验证集及所述测试集均包括若干个所述待用数据组；将所述训练集内的所述测试应变值作为输入值、将所述训练集内的所述测试主动
载荷及所述测试板簧座位移量作为输出值，结合损失函数一次训练所述初始神经网络模型，以确保所述初始神经网络模型的输出稳定性；将所述验证集内的所述测试应变值作为输入值、将所述验证集内的所述测试主动载荷及所述测试板簧座位移量作为输出值，二次训练所述初始神经网络模型，以判断所述初始神经网络模型是否过拟合；将所述测试集内的所述测试应变值作为输入值、将所述测试集内的所述测试主动载荷及所述测试板簧座位移量作为输出值，三次训练所述初始神经网络模型，以确定所述初始神经网络模型泛化能力。
13.进一步地，所述损失函数为：，其中，表示损失函数，表示训练集内待用数据组的数量，表示测试板簧座位移量，表示测试主动载荷，表示一次训练中的初始神经网络模型的预输出位移量，表示一次训练中的初始神经网络模型的预输出载荷。
14.进一步地，所述通过所述实际应变值及所述最终神经网络模型，确定所述待测板簧的受力值及变形量的步骤具体为：将所述实际应变值作为输入值输入所述最终神经网络模型，以获取实际主动载荷及实际板簧座位移量，将所述实际主动载荷确定为所述待测板簧的受力值，将所述实际板簧座位移量确定为所述待测板簧的变形量。
15.相比于相关技术，本发明的有益效果在于：通过确定所述贴片位置，可在后续台架测试中得到较大的应变信号，进而为后续受力值及变形量的反推提供更为精确的依据，通过所述最终神经网络模型，在进行道路载荷测试时即可以所述实际应变值即可完成所述受力值及所述变形量的获取，无需通过传感器进行测量，规避了传感器在测量过程中产生的误差，使所述受力值及所述变形量更为精确，且相较于通过传感器的方式，本技术的测试过程中仅需使用所述应变片，极大的降低了测量成本，且可适配不同材料的汽车板簧，提高了普适性。
16.本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
附图说明
17.图1为本发明实施例中基于机器学习的汽车板簧受力值及变形量的测量方法的流程图；图2为本发明实施例中基于机器学习的汽车板簧受力值及变形量的测量方法中台架测试时获取的测试板簧座位移量；图3为本发明实施例中基于机器学习的汽车板簧受力值及变形量的测量方法中台架测试时获取的测试主动载荷；图4为本发明实施例中基于机器学习的汽车板簧受力值及变形量的测量方法中台架测试时获取的测试应变值；
图5为本发明实施例中基于机器学习的汽车板簧受力值及变形量的测量方法中初始神经网络模型的结构图；如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
18.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。基于本技术提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
19.显而易见地，下面描述中的附图仅仅是本技术的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本技术应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本技术公开的内容相关的本领域的普通技术人员而言，在本技术揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本技术公开的内容不充分。
20.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本技术所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
21.请参阅图1，本发明实施例提供的基于机器学习的汽车板簧受力值及变形量的测量方法，所述方法包括以下：步骤s10：获取测试板簧于第一状态下的满载垂向载荷，通过所述满载垂向载荷获取所述测试板簧于第二状态下的最大纵向载荷；所述第一状态为满载静止状态，即所述测试板簧安装于整车上时，整车处于满载且静止的状态；所述第二状态为制动状态，即所述测试板簧安装于整车上时，整车处于行驶状态。所述满载垂向载荷即四分之一悬架的轮荷。
22.所述最大纵向载荷的计算公式为：，其中，表示最大纵向载荷，表示车轮与地面的摩擦系数，表示满载垂向载荷。优选地，所述车轮与地面的摩擦系数取值范围为0.1~0.2，在本实施例中，所述车轮与地面的摩擦系数取值为0.15。
23.步骤s20：构建所述测试板簧的数字孪生板簧模型，将所述满载垂向载荷施加于所述数字孪生板簧模型的板簧座处，以获取所述数字孪生板簧模型上最大应变量区域，将所述最大纵向载荷施加于所述数字孪生板簧模型的板簧座处，以获取所述数字孪生板簧模型上最小应变量区域，将所述最大应变量区域与所述最小应变量区域重叠的位置确定为贴片位置，所述贴片位置用于张贴应变片；通过通用工业有限元前处理软件或ansa软件进行所述数字孪生板簧模型的构建，
其构建过程此处不进行赘述。所述数字孪生板簧模型与所述钢板弹簧高度相关。所述数字孪生板簧模型包括位于中心的板簧座及沿板簧座对称设置的前卷耳及后卷耳，所述板簧座分别与所述前卷耳及所述后卷耳之间通过刚性单元连接。
24.所述满载垂向载荷即垂直于所述板簧座方向的载荷，对于所述数字孪生板簧模型而言，所述满载垂向载荷即为所述数字孪生板簧模型此刻的受力值。在将所述满载垂向载荷施加于所述数字孪生板簧模型的板簧座处时，所述数字孪生板簧模型的不同位置均产生应变量。
25.所述最大纵向载荷为整车前后方向的载荷，于所述数字孪生板簧模型而言，其为前卷耳向后卷耳方向的载荷。同理，在将所述最大纵向载荷施加于所述数字孪生板簧模型的板簧座处时，所述数字孪生板簧模型的不同位置均产生应变量。
26.通过确定所述贴片位置，可在后续台架测试中得到较大的应变信号，进而为后续受力值及变形量的反推提供更为精确的依据。
27.步骤s30：对张贴所述应变片的测试板簧进行台架测试，以获取由若干个待用数据组构成的待用集，所述待用数据组包括相互对应的测试主动载荷、测试板簧座位移量及测试应变值；在完成所述贴片位置的确定后，于所述测试板簧的相应位置进行所述应变片的张贴，而后进行台架测试。在进行所述应变片的张贴时，为进一步降低成本，可采用最简单的应变片。
28.具体地，所述步骤s30包括：s310：将张贴所述应变片的测试板簧置于台架上，于所述测试板簧的板簧座处施加所述满载垂向载荷，以使所述测试板簧处于所述第一状态，将所述应变片的测量值清零；在将所述测试板簧置于台架上后，通过施加所述满载垂向载荷，可模拟所述测试板簧处于整车满载且静止时的状态。此时，将所述应变片测量的应变量清零，可完成台架测试的准备工作，进入初始阶段。
29.s320：于所述测试板簧的板簧座处施加逐步增大的测试主动载荷，直至所述测试板簧处于第三状态；在台架测试开始后，对所述测试板簧的板簧座施加所述测试主动载荷，使所述板簧座产生形变，逐步增大所述测试主动载荷，使所述测试板簧达到极限压紧状态，即所述第三状态为极限压紧状态。在此过程中，随所述测试主动载荷的变化，所述测试板簧上均会产生与某一时刻的所述测试主动载荷对应的测试板簧座位移量及测试应变量。
30.s330：逐步减小施加于所述测试板簧的板簧座处的所述测试主动载荷，直至所述测试板簧处于第四状态，以完成测试循环；同理，在此步骤中，随所述测试主动载荷的变化，所述测试板簧上同样会产生与某一时刻的所述测试主动载荷对应的测试板簧座位移量及测试应变量。所述第四状态为自由初始状态。当所述测试板簧从所述第一状态变化值所述第三状态，再变化至所述第四状态后，完成一个所述测试循环。
31.s340：于所述测试循环中获取若干个所述测试主动载荷、若干个测试板簧座位移量及若干个测试应变值，相对应的所述测试主动载荷、所述测试板簧座位移量及所述测试应变值组成待用数据组，若干个所述待用数据组组成所述待用集；
在本实施例中，在所述测试循环中以512hz的采样频率进行数据采集，以获取若干个所述待用数据组。优选地，为降低数据采集的误差，所述步骤s30还包括：s350：通过完成多次所述测试循环，以校正所述待用集。
32.随所述测试循环的进行，采集到的所述测试板簧座位移量如图2所示，采集到的所述测试主动载荷如图3所示，采集到的所述测试应变值如图4所示。可以理解地，所述测试主动载荷即所述测试板簧的受力值，所述测试板簧座位移量即所述测试板簧的变形量。通过获取所述待用集，为后续神经网络模型的建立提供数据支撑。
33.步骤s40：构建初始神经网络模型，对所述待用集进行归一化处理，通过归一化处理后的所述待用集训练所述初始神经网络模型，以获取最终神经网络模型；将所述步骤s30中的测试应变值分别和所述测试主动载荷及所述测试板簧座位移量进行关联性分析，其将得到较为复杂的非线性关联，若通过传统的非线性曲线拟合进行编程，虽然可以求解板簧在不同应变下的真实受力和真实变形，但每次板簧对象发生变化时，受力与应变、受力与位移的关系曲线将会发生变化，需要重新编程，或者调整现有代码的参数，调整过程非常麻烦，耗时耗力。通过构建所述初始神经网络模型，可解决上述问题。
34.请参阅图5，具体地，所述构建初始神经网络模型的步骤包括：s410：构建输入层及输出层；s420：构建由若干个第一神经元组成的第一隐含层及若干个第二神经元组成的第二隐含层，连接所述第一隐含层及所述第二隐含层，以形成隐藏层；s430：将所述输入层通过所述隐藏层连接所述输出层，以形成所述初始神经网络模型；可以理解地，在本实施例中，采用双隐含结构构成所述初始神经网络模型，优选地，在本实施例中，所述第一隐含层包括10个所述第一神经元，所述第二隐含层包括6个所述第二神经元。所述隐藏层的激活函数为relu函数，而所述输出层无需设置非线性激活函数，即所述第二隐含层至所述输出层的数据转换是线性变换的。所述初始神经网络模型选择adam作为优化器，训练的学习率选择为0.001。
35.在完成所述初始神经网络模型的构建后，则需要训练所述初始神经网络模型，对所述待用集进行归一化处理即为对所述测试主动载荷、测试板簧座位移量及所述测试应变值分别进行归一化处理，以将若干个所述测试主动载荷、若干个所述测试板簧座位移量及若干个所述测试应变值归一化至（-1,1），以便训练所述初始神经网络模型时，提高所述初始神经网络模型的收敛性。具体地，所述通过归一化处理后的所述待用集训练所述初始神经网络模型的步骤包括：s440：将归一化处理后的所述待用集分隔为训练集、验证集及测试集，所述训练集、所述验证集及所述测试集均包括若干个所述待用数据组；即所述训练集、所述验证集及所述测试集均包括若干个相互对应的所述测试主动载荷、所述测试板簧座位移量及所述测试应变值。
36.s450：将所述训练集内的所述测试应变值作为输入值、将所述训练集内的所述测试主动载荷及所述测试板簧座位移量作为输出值，结合损失函数一次训练所述初始神经网络模型，以确保所述初始神经网络模型的输出稳定性；所述损失函数为：
，其中，表示损失函数，表示训练集内待用数据组的数量，表示测试板簧座位移量，表示测试主动载荷，表示一次训练中的初始神经网络模型的预输出位移量，表示一次训练中的初始神经网络模型的预输出载荷。
37.在一次训练的过程中，所述初始神经网络模型不断调整每个所述第一神经元及每个所述第二神经元之间的连接权值，使得所述损失函数越来越小，即使得所述初始神经网络模型的预输出趋近于真实值，以达到提高所述初始神经网络模型输出稳定性的目的。
38.s460：将所述验证集内的所述测试应变值作为输入值、将所述验证集内的所述测试主动载荷及所述测试板簧座位移量作为输出值，二次训练所述初始神经网络模型，以判断所述初始神经网络模型是否过拟合；在本步骤中，同样结合所述损失函数对所述初始神经网络模型进行二次训练。在二次训练的过程中，通过判断二次训练中的所述损失函数的值是否高于所述一次训练中的所述损失函数的值，以达到判断所述初始神经网络模型是否过拟合的目的。
39.若二次训练中的所述损失函数的值高于所述一次训练中的所述损失函数的值，则所述初始神经网络模型过拟合，需要再次进行所述步骤s450。反之，则进行步骤s470。
40.s470：将所述测试集内的所述测试应变值作为输入值、将所述测试集内的所述测试主动载荷及所述测试板簧座位移量作为输出值，三次训练所述初始神经网络模型，以确定所述初始神经网络模型泛化能力。
41.三次训练的目的是以所述初始神经网络模型的预输出与输出值直接进行对比，判断三次训练中的所述初始神经网络模型的泛化能力，若对比值的精度较差，则需要优化所述隐藏层的层数，或调节所述第一神经元及所述第二神经元的数量。
42.步骤s50：将所述应变片张贴至待测板簧的贴片位置，将张贴所述应变片的所述待测板簧安装于整车内，并对整车进行道路载荷测试，以获取实际应变值，通过所述实际应变值及所述最终神经网络模型，确定所述待测板簧的受力值及变形量。
43.所述待测板簧的贴片位置的确定同步骤s20，此处不再进行赘述，可以理解地，通过张贴所述应变片，可采集到整车进行道路载荷测试过程中所述待测板簧的实际应变值，将所述实际应变值进行归一化处理。
44.将所述实际应变值作为输入值输入所述最终神经网络模型，以获取实际主动载荷及实际板簧座位移量，将所述实际主动载荷确定为所述待测板簧的受力值，将所述实际板簧座位移量确定为所述待测板簧的变形量。即将所述实际主动载荷及所述实际板簧座位移量以归一化的规则分别反推为所述待测板簧的受力值及变形量。
45.通过所述最终神经网络模型，通过进行道路载荷测试，以所述实际应变值即可完成所述受力值及所述变形量的获取，无需通过传感器进行测量，规避了传感器在测量过程中产生的误差，使所述受力值及所述变形量更为精确，且相较于通过传感器的方式，本技术的测试过程中仅需使用所述应变片，极大的降低了测量成本，且可适配不同材料的汽车板簧，提高了普适性。
46.以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实
施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
47.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种基于机器学习的汽车板簧受力值及变形量的测量方法，其特征在于，包括以下步骤：获取测试板簧于第一状态下的满载垂向载荷，通过所述满载垂向载荷获取所述测试板簧于第二状态下的最大纵向载荷；构建所述测试板簧的数字孪生板簧模型，将所述满载垂向载荷施加于所述数字孪生板簧模型的板簧座处，以获取所述数字孪生板簧模型上最大应变量区域，将所述最大纵向载荷施加于所述数字孪生板簧模型的板簧座处，以获取所述数字孪生板簧模型上最小应变量区域，将所述最大应变量区域与所述最小应变量区域重叠的位置确定为贴片位置，所述贴片位置用于张贴应变片；对张贴所述应变片的测试板簧进行台架测试，以获取由若干个待用数据组构成的待用集，所述待用数据组包括相互对应的测试主动载荷、测试板簧座位移量及测试应变值；构建初始神经网络模型，对所述待用集进行归一化处理，通过归一化处理后的所述待用集训练所述初始神经网络模型，以获取最终神经网络模型；将所述应变片张贴至待测板簧的贴片位置，将张贴所述应变片的所述待测板簧安装于整车内，并对整车进行道路载荷测试，以获取实际应变值，通过所述实际应变值及所述最终神经网络模型，确定所述待测板簧的受力值及变形量。2.根据权利要求1所述的基于机器学习的汽车板簧受力值及变形量的测量方法，其特征在于，所述第一状态为满载静止状态，所述第二状态为制动状态，所述最大纵向载荷的计算公式为：，其中，表示最大纵向载荷，表示车轮与地面的摩擦系数，表示满载垂向载荷。3.根据权利要求1所述的基于机器学习的汽车板簧受力值及变形量的测量方法，其特征在于，所述对张贴所述应变片的测试板簧进行台架测试，以获取由若干个待用数据组构成的待用集，所述待用数据组包括相互对应的测试主动载荷、测试板簧座位移量及测试应变值的步骤包括：将张贴所述应变片的测试板簧置于台架上，于所述测试板簧的板簧座处施加所述满载垂向载荷，以使所述测试板簧处于所述第一状态，将所述应变片的测量值清零；于所述测试板簧的板簧座处施加逐步增大的测试主动载荷，直至所述测试板簧处于第三状态；逐步减小施加于所述测试板簧的板簧座处的所述测试主动载荷，直至所述测试板簧处于第四状态，以完成测试循环；于所述测试循环中获取若干个所述测试主动载荷、若干个测试板簧座位移量及若干个测试应变值，相对应的所述测试主动载荷、所述测试板簧座位移量及所述测试应变值组成待用数据组，若干个所述待用数据组组成所述待用集。4.根据权利要求3所述的基于机器学习的汽车板簧受力值及变形量的测量方法，其特征在于，在所述于所述测试循环中获取若干个所述测试主动载荷、若干个测试板簧座位移量及若干个测试应变值，相对应的所述测试主动载荷、所述测试板簧座位移量及所述测试应变值组成待用数据组，若干个所述待用数据组组成所述待用集的步骤之后，还包括：
通过完成多次所述测试循环，以校正所述待用集。5.根据权利要求3所述的基于机器学习的汽车板簧受力值及变形量的测量方法，其特征在于，所述第三状态为极限压紧状态，所述第四状态为自由初始状态。6.根据权利要求1所述的基于机器学习的汽车板簧受力值及变形量的测量方法，其特征在于，所述构建初始神经网络模型的步骤包括：构建输入层及输出层；构建由若干个第一神经元组成的第一隐含层及若干个第二神经元组成的第二隐含层，连接所述第一隐含层及所述第二隐含层，以形成隐藏层；将所述输入层通过所述隐藏层连接所述输出层，以形成所述初始神经网络模型。7.根据权利要求1所述的基于机器学习的汽车板簧受力值及变形量的测量方法，其特征在于，所述通过归一化处理后的所述待用集训练所述初始神经网络模型的步骤包括：将归一化处理后的所述待用集分隔为训练集、验证集及测试集，所述训练集、所述验证集及所述测试集均包括若干个所述待用数据组；将所述训练集内的所述测试应变值作为输入值、将所述训练集内的所述测试主动载荷及所述测试板簧座位移量作为输出值，结合损失函数一次训练所述初始神经网络模型，以确保所述初始神经网络模型的输出稳定性；将所述验证集内的所述测试应变值作为输入值、将所述验证集内的所述测试主动载荷及所述测试板簧座位移量作为输出值，二次训练所述初始神经网络模型，以判断所述初始神经网络模型是否过拟合；将所述测试集内的所述测试应变值作为输入值、将所述测试集内的所述测试主动载荷及所述测试板簧座位移量作为输出值，三次训练所述初始神经网络模型，以确定所述初始神经网络模型泛化能力。8.根据权利要求7所述的基于机器学习的汽车板簧受力值及变形量的测量方法，其特征在于，所述损失函数为：，其中，表示损失函数，表示训练集内待用数据组的数量，表示测试板簧座位移量，表示测试主动载荷，表示一次训练中的初始神经网络模型的预输出位移量，表示一次训练中的初始神经网络模型的预输出载荷。9.根据权利要求1所述的基于机器学习的汽车板簧受力值及变形量的测量方法，其特征在于，所述通过所述实际应变值及所述最终神经网络模型，确定所述待测板簧的受力值及变形量的步骤具体为：将所述实际应变值作为输入值输入所述最终神经网络模型，以获取实际主动载荷及实际板簧座位移量，将所述实际主动载荷确定为所述待测板簧的受力值，将所述实际板簧座位移量确定为所述待测板簧的变形量。

技术总结
本发明提供一种基于机器学习的汽车板簧受力值及变形量的测量方法，包括：获取测试板簧于满载垂向载荷及最大纵向载荷；构建测试板簧的数字孪生板簧模型，基于数字孪生板簧模型确定用于张贴应变片的贴片位置；对张贴应变片的测试板簧进行台架测试，以获取待用集；构建初始神经网络模型，对待用集进行归一化处理，通过归一化处理后的待用集训练初始神经网络模型，以获取最终神经网络模型；将应变片张贴至待测板簧的贴片位置，并对安装待测板簧的整车进行道路载荷测试，以获取实际应变值，进而通过最终神经网络模型确定待测板簧的受力值及变形量。以此方法，无需使用传感器，规避了传感器在测量过程中产生的误差，使受力值及变形量更为精确。量更为精确。量更为精确。


技术研发人员：赵军辉 陈为欢 黄晖 廖龙霞 余显忠 熊伟 曾建邦 张青苗 占晓煌 葛平政
受保护的技术使用者：华东交通大学
技术研发日：2023.09.01
技术公布日：2023/10/7