一种基于数据驱动的汽车座椅滑轨剥离强度预测方法

本发明涉及汽车座椅滑轨设计、优化和安全领域，尤其涉及一种基于数据驱动的汽车座椅滑轨剥离强度预测方法。

背景技术：

1、汽车座椅滑轨是汽车座椅和汽车车身的重要连接部件，获取滑轨的剥离强度对于轨型优化、可靠性评估和乘客安全保障等方面具有重要的意义。但滑轨剥离强度受安装点位置、加载方向、工作情况等众多因素的影响，是一个多因素、非线性且高耦合的复杂系统。滑轨剥离强度预测是一个多因素、非线性且高耦合的任务，预测难度大，预测结果不够准确。

2、目前，滑轨剥离强度获取的主流方式是物理实验或有限元仿真，但该方式只能获取单一工况下的剥离强度，不能充分评估滑轨性能，且耗费时间长、人力和物力成本高。因此，座椅滑轨剥离强度的获取，不仅耗费时间长、获取过程中的人力和物理成本高，同时，数据集工况制订策略不够合理，所选工况代表性不足，无法涵盖实际使用过程中的实际工况。

3、因此，本领域的技术人员致力于开发一种基于数据驱动的汽车座椅滑轨剥离强度预测方法。

技术实现思路

1、有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是座椅滑轨剥离强度的获取耗费时间长、成本高，数据集工况制订策略不合理，所选工况代表性不足。

2、为实现上述目的，本发明提供了一种基于数据驱动的汽车座椅滑轨剥离强度预测方法，所述方法包括以下步骤：

3、s101：建立所述汽车座椅滑轨的参数化有限元仿真模型，通过所述参数化有限元仿真模型对所述汽车座椅滑轨的拉伸过程进行仿真；

4、s103：对所述汽车座椅滑轨的变量敏感性进行分析，评估滑轨工况之间的距离；

5、s105：基于蒙特卡洛采样和稀疏原则，确定数据集工况；

6、s107：基于局部加权线性回归方法，对所述汽车座椅滑轨剥离强度进行预测。

7、进一步地，所述步骤s101还包括：

8、s1011：确定滑轨工况变量，所述工况变量包括上下轨相对位置和加载方向；

9、s1012：将现有滑轨模型作为基础滑轨模型，并记录对应的滑轨工况变量；

10、s1013：将所述滑轨工况变量中的每个变量的修改操作，落实为有限元模型的修改操作，所述操作包括部件移动、边界修改、加载修改和接触修改。

11、进一步地，所述参数化有限元模型的调用过程包括如下步骤：

12、s1：将一组待求滑轨工况参数输入到所述参数化有限元模型中；

13、s2：对比输入的所述待求滑轨工况参数与所述基础滑轨模型工况参数的差异；

14、s3：将所述工况参数的差异转换为具体的有限元模型修改操作；

15、s4：执行具体的有限元模型修改操作，生成输入工况参数对应的滑轨模型；

16、s5：执行所述滑轨模型的计算，将所述剥离强度作为结果返回。

17、进一步地，所述步骤s103包括如下子步骤：

18、s1031：通过正交试验法确定敏感性分析工况参数；

19、s1032：基于线性回归方法，对所述滑轨工况参数进行敏感性分析；

20、其中，所述步骤s1031还包括如下步骤：

21、s10311：根据先验知识对各个变量划分出不同数量的水平，高敏感性滑轨工况变量划分的水平更多，低敏感性变量划分的水平更少；

22、s10312：确定滑轨敏感性分析的具体工况参数组；

23、s10313：调用所述参数化有限元仿真模型，得到相应的所述剥离强度。

24、进一步地，在所述步骤s1032中，利用线性回归中的变量权重来衡量所述滑轨工况参数的敏感性，线性回归的预测结果由输入矩阵经线性组合得到，所述预测结果为：

25、

26、其中，x为线性回归的输入矩阵，y为线性回归的目标向量，为权重向量，反映对应滑轨工况参数的敏感性，b为线性回归的偏置；

27、

28、

29、为第i个滑轨工况参数组，为第i个滑轨工况参数组xi对应的剥离强度，t＝{(x1，y1)，(x2，y2)，…，(xm，ym)}，t为工况参数组数据集，m为滑轨工况参数组的数目，n为滑轨工况变量的数目；

30、线性回归将预测结果和实际结果yi的平方误差作为优化目标l(θ)：

31、

32、由优化目标l(θ)得最优权重

33、

34、在线性回归的基础上引入l2正则化，l2正则化的线性回归优化目标表示为：

35、

36、为最优权重，α为正则化因子，是单位矩阵i(n+1)×(n+1)的变式，

37、将最优权重向量的绝对值作为变量敏感性向量s：

38、

39、其中，si衡量滑轨剥离强度对第i个滑轨变量的敏感性程度。

40、进一步地，在所述步骤s105中，对所述滑轨工况参数的采样空间进行约束，使用所述滑轨工况参数之间的距离ds(xp，xq)，来评估所述滑轨工况参数之间的相似程度：

41、

42、所述采样空间为：s＝{x|a1x＝b1，a2x≥b2}，

43、其中，a1x＝b1，a2x≥b2为滑轨工况参数对应物理限制条件的规则化表达，xp和xq为待计算距离的两工况参数。

44、进一步地，所述步骤s105还包括如下子步骤：

45、s1051：从所述采样空间中均匀采样出n1个工况作为候选集合；

46、s1052：从所述候选集合中选择相较于已确定工况集合最稀疏的工况xnew；

47、s1053：将选择的所述工况xnew加入所述已确定工况集合中；

48、s1054：判断工况数目是否满足要求，如不满足，则继续所述s1051步骤，保持循环；

49、s1055：选择最为稀疏的工况点作为下一组滑轨工况。

50、进一步地，在所述步骤s107中，根据滑轨工况集合，调用所述参数化有限元仿真模型构建所述滑轨剥离强度的数据集，在获得所述滑轨剥离强度数据集后，建立所述滑轨剥离强度预测模型，所述步骤s107还包括如下子步骤：

51、s1071：基于局部加权线性回归，对所述滑轨剥离强度进行预测；

52、s1072：基于蒙特卡洛采样的数据集动态补充及代价评估。

53、进一步地，在所述步骤s1071中，根据所述数据集工况和待预测工况的距离，赋予所述数据集工况不同的样本权重，距离越近，所述数据集工况的所述样本权重越大，包括如下子步骤：

54、s10711：根据加权距离度量，确定所述工况参数组数据集中相对于工况变量最近的k个样本；

55、s10712：将确定的k个近邻样本组合成输入矩阵x和目标矩阵y；

56、s10713：根据与所述工况变量的距离计算所述近邻样本的权重；

57、s10714：计算加权线性回归的最优权重

58、s10715：根据所述最优权重预测所述滑轨剥离强度

59、其中，滑轨剥离强度为：为待预测的工况，为最优权重；

60、最优权重为：为权重向量，b为线性回归的偏置，x为输入矩阵，w＝diag(w)是控制样本权重的对角权重矩阵，α为正则化因子，是单位矩阵i(n+1)×(n+1)的变式，为第i个滑轨工况参数组xi对应的剥离强度；

61、wi为近邻样本权重，为样本工况xi和与待预测工况的距离，为第i个滑轨工况参数组，n为滑轨工况变量数目，∈为满足除法的足够小量。

62、进一步地，在所述步骤s1072中，对所述滑轨剥离强度预测模型，设置最近工况距离作为桥梁获取数据增加和模型性能提升的关系，建立补充工况数目与所述滑轨剥离强度预测误差率的联系，实现数据集动态补充的代价评估。

63、在本发明的较佳实施方式中，和现有技术相比，本发明具有如下有益效果：

64、1、本发明从数据驱动出发，通过有限元仿真和统计学习方法对滑轨剥离强度进行预测，能够充分利用仿真数据和历史数据，迅速且准确地预测不同工况下滑轨的剥离强度，对滑轨轨形设计和安全性评估等提供技术支持；

65、2、本发明结合蒙特卡洛采样和稀疏原则确定数据集工况，保证了数据集工况合理地分布在工况变量空间，使得每个待测样本周围都能找到与之足够近邻的样本，从而提高了剥离强度预测结果的准确性；

66、3、通过局部加权线性回归方法对剥离强度进行预测，充分利用了数据集中的近邻样本信息，通过“分而治之”的思想，实现高精度的剥离强度预测。

67、以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。