一种基于人工智能的车身智能设计优化方法与流程

1.本发明涉及车辆工程技术领域，具体而言，涉及一种基于人工智能的车身智能设计优化方法。


背景技术：

2.随着全球汽车行业的快速发展，汽车设计周期不断缩减，传统的汽车设计手段很难满足市场的快速迭代，基于人工智能的车身智能设计优化方法可以为此问题提供解决思路。车身设计是整车设计的重要一环，其性能的好坏直接影响着整车的性能指标。开发车身智能设计优化方法具有重要价值和现实意义。
3.传统的车身结构设计首先需要进行cad正向设计，而后通过cae仿真对车身主要性能进行验证，来确定其设计参数是否满足整车性能要求。此过程需要反复迭代，直至车身性能满足各项指标，不仅耗费大量计算机仿真时间，还需要大量专家经验指导设计方案的确定。


技术实现要素：

4.本发明针对现有技术缺陷，提出一种基于人工智能的车身智能设计优化方法，针对传统车身设计周期长，需要借助工程师经验完成设计方案的情况，本发明以车身设计为研究对象，构建了从车身数据自动生成、车身高精度代理模型构建、车身结构优化的整体技术路径，实现了车身智能设计优化。
5.为达到上述目的，本发明采用的技术方案提供了一种基于人工智能的车身智能设计优化方法，包括：
6.步骤1：车身结构采用自适应参数化设计与仿真方法，以多种参数互相组成结构映射，实现车身结构装配柔性和调整柔性，建立车身结构参数化模块数据库，快速搭建基于梁单元白车身参数化模型，获取白车身仿真数据；
7.步骤2：对所述步骤1中获取的白车身仿真数据进行重采样，将采样数据分为训练集和测试集，每一组重采样数据对应n个基模型进行训练，并获得各自预测数据，将各个基模型的预测值融合，得到第二层基模型的训练数据，通过两层基模型的训练，构建车身元模型；
8.步骤3：构建元启发式智能优化算法，通过智能迭代机制对所述步骤2中的车身元模型进行优化，优化车身性能，获得优化后的设计参数。
9.进一步地，所述步骤1中车身结构采用自适应参数化设计与仿真方法，具体包括：
10.步骤1.1：根据白车身模型的下车体按照横梁和纵梁的路径节点，构建具有下车体梁单元的白车身参数化模型；
11.步骤1.2：在所述步骤1.1的基础上，将白车身模型的上车体构建为具有梁单元和接头模块的白车身参数化模型；
12.步骤1.3：将所述步骤1.1构建的下车体梁单元、所述步骤1.2构建的上车体梁单元
和接头模块进行组合，通过白车身接头结构模块化重构方法，建立参数化接头模块库，快速建立白车身模型，利用参数化模块更改柔性和调整柔性，形成自适应参数化的白车身建模；
13.步骤1.4：对所述步骤1.3建立的白车身模型进行自动仿真，得到仿真结果。
14.进一步地，所述步骤2中的构建车身元模型，具体包括：
15.步骤2.1：针对所述步骤1.3的参数化模型所获得的变量与响应数据，构建原始测试集，采用bootstrap方法对原始测试集进行初次抽样，生成若干组新的变量与响应数据；
16.步骤2.2：将所述步骤2.1生成的若干组新的变量与响应数据对第一层多个基模型进行训练，采用平均绝对误差mae、均方根误差rmse和决策系数r2对各个基模型性能进行评估；
17.平均绝对误差(mae)的评价指标表达式为：
[0018][0019]
均方根误差(rmse)的评价指标表达式为：
[0020][0021]
决策系数(r2)的评价指标表达式为：
[0022][0023]
式中，yi表示原测试集中响应值，表示通过机器学习算法生成的预测响应值，表示平均响应值。其中，机器学习算法通过python编程语言来实现和运行；
[0024]
步骤2.3：基于所述步骤2.2得到的各个基模型的性能评价指标，对元模型性能进行综合评价，元模型性能综合指标为γ，公式为：
[0025][0026]
根据所述步骤2.2中根据所述步骤2.2中得到γ的数学表达式：
[0027][0028]
式中，yi表示原测试集中响应值，表示通过机器学习算法生成的预测响应值，表示平均响应值；
[0029]
步骤2.4：基于所述步骤2.2和所述步骤2.3的第一层基模型训练完毕后，通过数据融合概率p选择各自预测数据并进行融合，生成多组训练集，将得到的多组训练集对第二层
基模型进行训练，基于第一层和第二层基模型的训练，获得车身元模型。
[0030]
进一步地，数据融合概率p公式为：
[0031][0032]
式中，γ表示元模型性能综合指标。
[0033]
进一步地，所述步骤3中构建元启发式智能优化算法，具体包括：
[0034]
步骤3.1：采用混沌策略对种群进行初始化，采用skew tent映射来构造混沌序列，改进算法种群初始化特征，映射公式为：
[0035][0036]
式中，t表示种群，t＝1,2,
…
n；
[0037]
步骤3.2：基于所述步骤3.1得到的初始化的种群，采用l
é
vy-brownian混合优化方法，对种群进行寻优；
[0038]
步骤3.3：在所述步骤3.2的基础上采用分阶迭代方法，将整个寻优过程分为三个阶段，每个阶段采用双种群迭代策略，得到优化后的车身性能；
[0039]
步骤3.4：基于所述步骤3.3的对车身结构参数进行智能寻优，获得最佳接头模块参数，将最佳接头模块参数更新至所述步骤1中的原始白车身模型中，得到白车身的更新模型。
[0040]
进一步地，所述步骤3.1中对种群初始化具体包括：
[0041]
步骤3.1.1：随机选取d个随机值利用映射公式x
t+1
得到d个混沌序列其中，t表示种群，t＝1,2,
…
n，i表示空间维度，i＝1,2,
…
d，d表示空间维度。将d个混沌序列构成混沌矩阵e
(n,d)
，混沌矩阵e
(n,d)
表达式为：
[0042][0043]
式中，n表示种群数量，d表示空间维度；
[0044]
步骤3.1.2：将所述步骤3.1.1得到的混沌矩阵e
(n,d)
映射到优化问题的搜索空间中，得到初始化的种群初始化的种群的公式：
[0045][0046]
式中，表示群在优化问题第i维度上面取到的最大值，表示种群在优化问题第i维度上面取到的最小值。
[0047]
进一步地，所述步骤3.2的l
é
vy-brownian混合优化方法m
lbm
的计算公式为：
[0048][0049]
式中，β1和β2表示混合系数，表示l
é
vy运动，γ表示调整系数，α表示分配指数，q表示控制寻优路径的常数，表示brownian运动。
[0050]
进一步地，所述步骤3.3的寻优过程的三个阶段包括：
[0051]
步骤3.3.1：首先进行阶段一迭代：φ≤δ1[0052][0053]
步骤3.3.2：然后进行阶段二迭代：δ1《φ≤δ2[0054][0055][0056]
步骤3.3.3：最后实施阶段三迭代：δ2《φ≤φ
t
[0057][0058]
式中，φ表示迭代进程，φ
t
表示最大迭代次数，δ1和δ2分别表示迭代阶段划分系数，代表优化更新向量，符号代表向量积，μ代表修正系数用来控制的规模，是(0,1)的更新向量，和分布表示种群中各个维度向量的最大值和最小值，为二进制向量取值为0和1，符号∈表示m
lbm
控制系数，取值范围(0,1)，g在(0,1)产生一个随
机值，表示每个种群的位置坐标。
[0059]
本发明的有益效果是：
[0060]
第一、本发明通过建立车身结构参数化模块数据库，快速搭建基于梁单元白车身参数化模型，采用集成学习框架融合的机器学习算法模型，建立统一适用车身结构的高精度元模型，实现车身复杂设计参数与车身性能之间非线性映射，通过构建元启发式智能优化算法，实现对车辆结构设计的多目标优化，实现较好的优化效果，能够提升车身设计效率，提高车身结构性能及车身轻量化水平；
[0061]
第二、本发明采用的自适应参数化的白车身建模方法，针对传统白车身设计在概念设计阶段详细建模难、更改效率低的问题，利用参数化模型实现装配柔性和调整柔性，实现白车身结构快速建模和便捷调参，为白车身结构模块化生成提供基础，有效提升设计效率，通过对白车身典型接头进行参数化建模和仿真分析，获得接头重构模块划分合理性，规范接头模块化建模方法，建立参数化接头模块库；
[0062]
第三、本发明采用的构建强泛化性的高精度代理模型方法，采用当前先进的集成学习框架，融合多个性能优越的机器学习算法，构建统一的基于数据驱动的车身结构高精度代理模型，在保证模型精度和稳定性优越的同时，提升模型适用的工程场景，提高模型整体的泛化性能。构建一种对机器学习算法机制可解释方法，能够从全局角度和局部角度分析输入特征与输出响应之间复杂的相关关系，获得特征变量对性能响应影响的定量分析；
[0063]
第四、本发明采用的基于元启发式智能优化算法，针对车身结构优化设计具有设计变量变化多、设计约束变化多、设计工况复杂等特点，创新一种混合优化模式，增加算法的优化策略。
附图说明
[0064]
图1是本发明的基于人工智能的车身智能设计优化方法的流程图；
[0065]
图2是本发明的白车身的下车体的梁单元立体结构图；
[0066]
图3是本发明的白车身的梁单元和接头的立体结构图；
[0067]
图4是本发明的构建车身元模型的流程图；
[0068]
图5是本发明实施例1的原始白车身模型结构图；
[0069]
图6是本发明实施例1的白车身的接头模块化库示意图；
[0070]
图7是本发明实施例1的白车身梁单元和接头的立体结构图；
[0071]
图8是本发明实施例1的最优结构更新至原始白车身模型结构图；
[0072]
图9是本发明实施例1的车身元模型一阶模态性能对比图；
[0073]
图10是本发明实施例1的车身元模型扭转刚度性能对比图；
[0074]
图11是发明实施例的车身优化接头参数图；
[0075]
图12是发明实施例的优化后的白车身性能与原始白车身性能对比图；
[0076]
图13是本发明实施例2的下车体梁单元构建线框图；
[0077]
图14是本发明实施例2的下车体梁单元立体结构图；
[0078]
图15是本发明实施例3的接头截取示意图；
[0079]
图16是车身接头截面截取位置信息图；
[0080]
图17是本发明实施例3的a柱上接头截取示意图；
[0081]
图18是本发明实施例3的a柱中接头确定接头截取位置示意图；
[0082]
图19是本发明实施例3的a柱中接头确定接头分支截面轴向示意图；
[0083]
图20是本发明实施例3的白车身接头截取示意。
具体实施方式
[0084]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0085]
本技术的目的在于：基于sfe-consecpt软件，建立车身结构参数化模块数据库，快速搭建基于梁单元白车身参数化模型，采用集成学习框架融合的机器学习算法模型，建立统一适用车身结构的高精度元模型，实现车身复杂设计参数与车身性能之间非线性映射，通过构建元启发式智能优化算法，实现对车辆结构设计的多目标优化，实现较好的优化效果。
[0086]
如图1所示，本实施例提供了一种基于人工智能的车身智能设计优化方法，该智能设计优化方法包括：
[0087]
步骤1：车身结构采用自适应参数化设计与仿真方法，以多种参数互相组成结构映射，实现车身结构装配柔性和调整柔性，建立车身结构参数化模块数据库，快速搭建基于梁单元白车身参数化模型，获取白车身仿真数据。
[0088]
步骤2：对步骤1中获取的白车身仿真数据进行重采样，将采样数据分为训练集和测试集，每一组重采样数据对应n个基模型进行训练，并获得各自预测数据，将各个基模型的预测值融合，得到第二层基模型的训练数据，通过两层基模型的训练，构建车身元模型。
[0089]
步骤3：构建元启发式智能优化算法，通过智能迭代机制对步骤2中的车身元模型进行优化，优化车身性能，获得优化后的设计参数。
[0090]
具体的，步骤1中车身结构采用自适应参数化设计与仿真方法，如图2所示，具体包括：
[0091]
步骤1.1：根据白车身模型的下车体按照横梁和纵梁的路径节点，构建具有下车体梁单元的白车身参数化模型。
[0092]
如图2所示，本发明的下车体的横梁将纵梁分割为多段梁，横梁和纵梁的姿态为路径，横梁和纵梁的交汇处为节点，设置下车体的横梁和纵梁的截面，根据横梁、纵梁的路径和各节点自动生成具有多段梁的下车体，下车体的多段梁组成下车体梁单元。
[0093]
步骤1.2：在步骤1.1的基础上，将白车身模型的上车体构建为具有梁单元和接头模块的白车身参数化模型。
[0094]
接头模块将白车身模型的上车体拆分成a柱、b柱、c柱和d柱结构；a柱为挡风玻璃两侧与车顶连接的柱子，即白车身左前方和右前方的柱子；b柱为前后车门之间、两扇窗户之间与车顶相连的柱子；c柱为后挡风玻璃左右两边连接车顶的柱子；d柱为白车身后小窗和后挡风玻璃交接处的柱子。接头模块与接头模块之间通过梁连接，这些梁组成上车体梁单元。
[0095]
步骤1.3：将步骤1.1构建的下车体梁单元、1.2构建的上车体梁单元和接头模块进
行组合，通过白车身接头结构模块化重构方法，建立参数化接头模块库，快速建立白车身模型，利用参数化模块更改柔性和调整柔性，形成自适应参数化的白车身建模。
[0096]
如图3所示，本发明的下车体的梁单元和上车体的梁单元采用方管梁结构，白车身参数化模型包括车身的基点、基线、截面、梁单元、接头模块和相关元素。通过sfe-consecpt软件对车身的基点、基线、截面、梁单元、接头和相关元素进行构建，完成自适应参数化的白车身建模，该构建基于梁单元的白车身参数化模型，实现车身的基点、基线、截面和相关参数调整同步关联邻域结构。
[0097]
白车身接头结构模块化重构方法是通过对白车身接头进行参数化建模和仿真分析，获得接头重构模块划分合理性，规范接头模块化建模，建立参数化接头模块库，建立各结构类型的接头与梁单元之间的构建标准，根据设计需求选取接头模块实现白车身快速建模。
[0098]
利用参数化模块更改柔性和调整柔性是指通过更改和调整接头或梁单元的任意变量，能够保证接头或梁单元在更改调整时自适应地进行参数调整，保证接头和梁单元连接的平整度和结构的完整性，实现模型整体的柔性调整。
[0099]
步骤1.4：对步骤1.3建立的白车身模型进行自动仿真，得到仿真结果。
[0100]
本发明的自动仿真是将不同接头模块自动更换到车身结构中，并仿真得到相应的车身性能指标，通过对白车身模型进行有限元仿真网格处理，结合有限元求解器和cae仿真工具搭建实验设计分析流程，实现参数调整、模型调整、有限元网格调整、仿真分析和结果输出的白车身结构自动仿真流程。
[0101]
仿真结果采用循环仿真，基于设定好的白车身参数化模块元素变量，sfe-consecpt软件生成具有多种设计变量的试验方案，仿真流程自动运行，依次完成各方案下的结果输出。
[0102]
仿真结果包括参数化模型所获得的变量与响应数据。变量指设计变量，包括结构变量和相关变量；响应指车身性能指标，包括质量、刚度、模态和相关性能指标。通过循环仿真，得到不同变量组合下对应的性能响应数据。
[0103]
如图4所示，步骤2中的构建车身元模型，具体包括：
[0104]
步骤2.1：针对步骤1.3的参数化模型所获得的变量与响应数据，构建原始测试集，采用bootstrap方法对原始测试集进行初次抽样，生成若干组新的变量与响应数据。
[0105]
原始数据集为步骤1.3中循环仿真得到不同变量组合下对应的性能响应数据，即步骤1.3的仿真结果。原始数据集用于训练本发明的代理模型，一个元模型包含多个基模型，基模型和元模型通过数据训练都能够成为代理模型。
[0106]
步骤2.2：将步骤2.1生成的若干组新的变量与响应数据对第一层多个基模型进行训练，采用平均绝对误差(mae)、均方根误差(rmse)和决策系数(r2)对各个基模型性能进行评估。
[0107]
平均绝对误差(mae)的评价指标表达式为：
[0108][0109]
均方根误差(rmse)的评价指标表达式为：
[0110][0111]
决策系数(r2)的评价指标表达式为：
[0112][0113]
式中，yi表示原测试集中响应值，表示通过机器学习算法生成的预测响应值，表示平均响应值。其中，机器学习算法通过python编程语言来实现和运行。
[0114]
步骤2.3：基于步骤2.2得到的各个基模型的性能评价指标，对元模型性能进行综合评价，元模型性能综合指标为γ。
[0115][0116]
根据步骤2.2中根据步骤2.2中得到γ的数学表达式：
[0117][0118]
式中，yi表示原测试集中响应值，表示通过机器学习算法生成的预测响应值，表示平均响应值。
[0119]
需要说明的是，为了保留预测性能较高的模型预测结果，通过数据融合概率进行评价，第一层各个基模型数据融合概率之和为1。
[0120]
步骤2.4：基于步骤2.2和步骤2.3的第一层基模型训练完毕后，通过数据融合概率p选择各自预测数据并进行融合，生成多组训练集，将得到的多组训练集对第二层基模型进行训练，基于第一层和第二层基模型的训练，获得车身元模型。
[0121]
具体的，数据融合概率p公式为：
[0122][0123]
式中，γ表示元模型性能综合指标。
[0124]
需要说明的是，每一个基模型训练后，通过统一指标γ计算各个基模型预测数据被选中融合的概率，该方法既能够保留性能好的基模型的数据，同时又能够按照概率获得性能差的基模型预测数据，进而提高预测数据多样性，提高第二层基模型的泛化能力。
[0125]
本实施例中，构建的车身元模型通过两层架构进行搭建，构建的元模型的第一层基模型具有n个，在元模型第一层构建期间，能够获得各个基模型对原始样本数据的预测结果并进行融合，生成多组训练集作为第二层基模型的训练数据。构建的元模型的第二层基
模型仅为一个，模型采用线性回归模型(lrm)，通过训练，线性回归模型(lrm)的性能达到既定标准，则训练结束。最终通过两层基模型训练，获得车身元模型。
[0126]
进一步的，步骤3中构建元启发式智能优化算法，具体包括：
[0127]
步骤3.1：采用混沌策略对种群进行初始化，采用skew tent映射来构造混沌序列，改进算法种群初始化特征，映射公式为：
[0128][0129]
式中，t表示种群，t＝1,2,
…
n。
[0130]
种群表示优化算法中的用于寻优的计算单元，对种群进行初始化能够提升种群的多样性、随机性和均匀性，有利于拓展种群的寻优空间。
[0131]
具体包括：
[0132]
步骤3.1.1：随机选取d个随机值利用映射公式x
t+1
得到d个混沌序列其中，t表示种群，t＝1,2,
…
n，i表示空间维度，i＝1,2,
…
d，d表示空间维度。将d个混沌序列构成混沌矩阵e
(n,d)
，混沌矩阵e
(n,d)
表达式为：
[0133][0134]
式中，n表示种群数量，d表示空间维度。
[0135]
步骤3.1.2：将步骤3.1.1得到的混沌矩阵e
(n,d)
映射到优化问题的搜索空间中，得到初始化的种群初始化的种群的公式：
[0136][0137]
式中，表示群在优化问题第i维度上面取到的最大值，表示种群在优化问题第i维度上面取到的最小值。
[0138]
步骤3.2：基于步骤3.1得到的初始化的种群，采用l
é
vy-brownian混合优化方法，对种群进行寻优。
[0139]
采用l
é
vy-brownian混合优化方法能够提升各个优化阶段中开发和探索的空间，防止算法出现早熟现象，提高算法全局优化性能。
[0140]
具体的，种群的寻优通过计算l
é
vy运动和brownian运动得到l
é
vy-brownian混合运动。其中，l
é
vy运动为m
l
运动，m
l
的公式为：
[0141][0142]
式中，γ表示调整系数，α表示分配指数，q表示控制寻优路径的常数。
[0143]
brownian运动为mb运动，mb的公式为：
[0144][0145]
式中，x表示变量空间矩阵，即不同的变量数据值，代表种群位置。l
é
vy-brownian混合运动为m
lbm
运动，m
lbm
的公式为：
[0146]mlbm
＝β1m
l
+β2mb[0147]
β1＝rand(0,1)
[0148]
β2＝rand(0,1)
[0149]
β1+β2＝1
[0150]
式中，β1和β2表示混合系数。
[0151]
根据m
l
和mb的计算公式得到m
lbm
运动的数学表达式为：
[0152][0153]
步骤3.3：在步骤3.2的基础上采用分阶迭代方法，将整个寻优过程分为三个阶段，每个阶段采用双种群迭代策略，得到优化后的车身性能
[0154]
通过不同阶段采用不同优化策略，能够更好的平衡整个寻优过程中探索和开发的能力，提升优化效率，提高收敛能力。三个优化阶段的种群迭代优化策略具体包括：
[0155]
步骤3.3.1：首先进行阶段一迭代：φ≤δ1[0156][0157]
步骤3.3.2：然后进行阶段二迭代：δ1《φ≤δ2[0158][0159][0160]
步骤3.3.3：最后实施阶段三迭代：δ2《φ≤φ
t
[0161][0162]
式中，φ表示迭代进程，φ
t
表示最大迭代次数，δ1和δ2分别表示迭代阶段划分系数，代表优化更新向量，符号代表向量积，μ代表修正系数用来控制的规模，是(0,1)的更新向量，和分布表示种群中各个维度向量的最大值和最小值，为二进制向量取值为0和1，符号∈表示m
lbm
控制系数，取值范围(0,1)，g在(0,1)产生一个随机值，表示每个种群的位置坐标。
[0163]
步骤3.4：基于步骤3.3的对车身结构参数进行智能寻优，获得最佳接头模块参数，将最佳接头模块参数更新至步骤1中的原始白车身模型中，得到白车身的更新模型。
[0164]
实施例1：如图5至图12所示，本发明提供了一种基于人工智能的车身智能设计优化方法，具体包括：
[0165]
步骤1：首先通过sfe-consecpt软件针对某款车型构建自适应参数化模型，通过自适应参数化建模技术，构建81个车身接头模块化库；基于接头模块化库，构建了目标车型的车身简化模型，并实现接头自动更换。
[0166]
步骤2：采用元模型构建方法，将人工智能算法k近邻(knn)、支持向量回归(svr)、极限梯度提升(xgb)、随机森林(rf)、轻量化梯度提升(lgbm)、线性回归(lr)进行融合，构建车身元模型。
[0167]
步骤3：对各个基模型和元模型性能进行了评估，以车身一阶模态和扭转刚度为例，展示了元模型的优越性；采用元启发式智能优化算法对车身结构参数进行智能寻优，获得了最佳接头参数，并由此更新车身模型，通过将最优结构更新到原车身模型，得到车身更新模型，通过本发明所提及方法所优化得到的车身性能较原始车身有了一定程度提高。
[0168]
实施例2：
[0169]
本发明的车身梁单元构建方法以白车身下车体为例，根据下车体主要横、纵梁路径节点布置下车体横梁节点，创建白车身下车体的梁单元。
[0170]
首先创建梁单元截面，并对梁单元截面创建修改，修改梁截面的尺寸。在hypermesh的1d
→
hyperbeam
→
standard section界面中，选择hyper beam下的thinwalledbox，点击create。在弹出的截面编辑窗口中选择刚创建的薄壁方管截面，可进行的操作分别有修改名称、修改宽&高、修改壁厚，以及查看截面特性参数等。根据横、纵梁的尺寸创建及修改相关截面。为方便进行计算，统一数据库内接头模块对车身性能的影响，尽量将梁单元截面尺寸统一到几个尺寸下：80x70x2.5(纵梁、主体梁)、110x75x3.5(地板横梁)、70x120x2.5(座椅横梁)。
[0171]
然后对梁单元的属性和梁单元部件进行创建，生成以点线形式的下车体梁单元。如图13所示，截面参数设置完毕后退出，创建1d梁单元属性，在properties下，创建1d梁单元属性，type选择1d，card images选择pbeam，material选择steel属性(需预先创建)，最后
在beamsection中选择上面创建的合适的梁截面，点击create完成创建；创建梁单元comp，prop选择上面创建的梁单元属性后，点击create。将梁单元component选择为当前comp，在1d
→
line mesh界面中，将单元格式选择bar2，属性property选为之前创建的梁单元属性，并且将element size改为200，最后点击预留的节点完成梁单元创建。
[0172]
最后对梁单元部件以方管形态进行显示。如图14所示，修改梁单元显示，选择为1d detailed element regresentation，梁单元的显示变化为带截面形状的格式，便于查看梁单元的布置形式。
[0173]
实施例3：
[0174]
本发明的接头模块库的构建如下：
[0175]
步骤1：将白车身模型对接头进行划分，建立局部坐标系。确定截面法向为z轴，其次约定y轴与整车坐标系z轴平行，如无z轴平行截面，y轴则与整车坐标系y轴平行或夹角小于45
°
，x轴则由已确定的z轴和y轴按照右手定则确定方向。
[0176]
建立局部坐标系的目的是由于每个接头存在2个或3个分支截面，各分支截面存在与整车坐标轴不平行的状态，通过建立局部坐标系消除角度偏差。
[0177]
步骤2：如图15、图16所示，根据车身接头截面截取信息表分别截取切割车身接头，接头截取过程中需保证结构、连接的完整性，保证截断处前后没有明显的截面变化，保留加强板和减重孔。
[0178]
如图17所示，以a柱上接头为例，在接头分支交接处外延伸约250mm处截断，测量起点为、图中边缘线的交点。
[0179]
步骤3：如图18、图19所示，以a柱中接头a_mid为例，沿外板边缘方向移动连条使之相交，以交点为原点，确定各梁的截取位置。x＝350(仅需保留a住截面完整性)；y＝250；
[0180]
若z1＜z,则z＝250，若z1＞z,则z＝z1；utility＞geom/mesh＞box trim，并选择全部网格，proceed，并进行截取设置，在单击trim之前，单击preview预览截取范围。如果该接头的上截面不符合截取要求，则继续截取。geom＞lines＞选择elems模式，选取两点确定梁的轴向，选定截面位置b，框选截面附近的网格。
[0181]
步骤4：tool＞project＞to line到保证符合接头截取形式和要求，截面平整，得到可用于分析的接头：
[0182]
步骤5：如图20所示，重复步骤2至步骤4对白车身的接头进行截取，最终完成整车接头截取，形成接头模块库。
[0183]
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。