一种考虑车身性能和碰撞伤害的车身结构优化方法及系统

本发明属于车身结构设计，尤其涉及一种考虑车身性能和碰撞伤害的车身结构优化方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、早期的车辆研发大多以实车碰撞试验进行，由于极大依靠经验与试验的特点，所以准确率低，研发周期漫长，同时研发成本极高。为了缩短研发周期降低成本，后续陆续提出了碰撞解析法、多刚体动力学法和有限元法。其中有限元法因其准确率高，模型易修改，结果稳健等优点在汽车碰撞安全性的相关研究中应用广泛。随着国内外学者的不断研究探索，在汽车碰撞安全方面也已经取得了一定的研究成果。

3、25％的正面偏置碰撞由于吸能方式的不同，相较于正面碰撞更易造成人员的伤害，是车辆碰撞安全性最难克服的工况之一。随着研究的不断深入，针对这一问题，不少学者也有了一定的成果。通过对碰撞中的传递路径分析，对车辆的结构、材料厚度等进行优化，也取得了较好的优化效果，使得车辆在碰撞中的安全性有了一定的提高。

4、相关的车身结构优化研究中，在进行优化时，仅考虑了车辆的碰撞安全性而忽略了其他性能，碰撞安全性提高的过程中会导致车辆其他性能的下降。

技术实现思路

1、为了解决上述背景技术中存在的技术问题，本发明提供一种考虑车身性能和碰撞伤害的车身结构优化方法及系统，考虑车身的nvh性能，以车身的一阶模态和车身质量为约束条件，以驾驶人员伤害值最小为优化目标，探索一种神经网络和遗传算法相结合优化车身设计的方法，不仅降低了驾驶人员伤害值，同时提高了车身nvh性能，避免了单目标优化顾此失彼的缺陷。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一个方面提供一种考虑车身性能和碰撞伤害的车身结构优化方法。

4、一种考虑车身性能和碰撞伤害的车身结构优化方法，包括：

5、于解集空间内生成若干组解，并对每组解，采用神经网络，预测得到驾驶员伤害值、车身质量和白车身一阶模态，并基于驾驶员伤害值选取一组解作为最优解；其中，每组解由各板件的厚度组成；

6、对于每组解，进行遗传操作后，采用神经网络，预测得到驾驶员伤害值、车身质量和白车身一阶模态；若某组解相比遗传操作前，预测得到的车身质量不增大且白车身一阶模态不降低，则保留该组解；基于驾驶员伤害值，采用保留的解，更新最优解；判断是否迭代终止，若否，则返回进行遗传操作；若是，则将最优解解码为各板件的厚度。

7、进一步地，所述驾驶员伤害值为偏置碰撞中驾驶员的头部损伤指标。

8、进一步地，所述白车身一阶模态包括：白车身一阶扭转模态和白车身一阶弯曲模态。

9、进一步地，所述板件包括：前纵梁外板、前纵梁内板、上纵梁、纵梁连接梁外板、纵梁连接梁内板、前围板、侧围、前柱上内板、前柱下内板、顶棚、中柱内板和/或后尾板。

10、进一步地，所述神经网络采用具有局部记忆单元和局部反馈连接的递归神经网络。

11、进一步地，基于车身的噪声、振动与声振粗糙度，通过整车碰撞仿真分析及板件声学灵敏度分析，确定每组解由各板件的厚度组成。

12、进一步地，所述遗传操作包括交叉和变异。

13、本发明的第二个方面提供一种考虑车身性能和碰撞伤害的车身结构优化系统。

14、一种考虑车身性能和碰撞伤害的车身结构优化系统，包括：

15、初始化模块，其被配置为：于解集空间内生成若干组解，并对每组解，采用神经网络，预测得到驾驶员伤害值、车身质量和白车身一阶模态，并基于驾驶员伤害值选取一组解作为最优解；其中，每组解由各板件的厚度组成；

16、寻优模块，其被配置为：对于每组解，进行遗传操作后，采用神经网络，预测得到驾驶员伤害值、车身质量和白车身一阶模态；若某组解相比遗传操作前，预测得到的车身质量不增大且白车身一阶模态不降低，则保留该组解；基于驾驶员伤害值，采用保留的解，更新最优解；判断是否迭代终止，若否，则返回进行遗传操作；若是，则将最优解解码为各板件的厚度。

17、本发明的第三个方面提供一种计算机可读存储介质。

18、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的深度神经网络训练计算性能预测方法中的步骤。

19、本发明的第四个方面提供一种计算机设备。

20、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的深度神经网络训练计算性能预测方法中的步骤。

21、与现有技术相比，本发明的有益效果是：

22、本发明考虑车身的nvh性能，以车身的一阶模态和车身质量为约束条件，以驾驶人员伤害值最小为优化目标，探索一种神经网络和遗传算法相结合，优化车身设计的方法，不仅降低了驾驶人员伤害值，同时提高了车身nvh性能，避免了单目标优化顾此失彼的缺陷，为开展车身结构多学科优化设计研究提供了可借鉴的方法。

技术特征：

1.一种考虑车身性能和碰撞伤害的车身结构优化方法，其特征在于，包括：

2.根据权利要求1所述的深度神经网络训练计算性能预测方法，其特征在于，所述驾驶员伤害值为偏置碰撞中驾驶员的头部损伤指标。

3.根据权利要求1所述的深度神经网络训练计算性能预测方法，其特征在于，所述白车身一阶模态包括：白车身一阶扭转模态和白车身一阶弯曲模态。

4.根据权利要求1所述的深度神经网络训练计算性能预测方法，其特征在于，所述板件包括：前纵梁外板、前纵梁内板、上纵梁、纵梁连接梁外板、纵梁连接梁内板、前围板、侧围、前柱上内板、前柱下内板、顶棚、中柱内板和/或后尾板。

5.根据权利要求3所述的深度神经网络训练计算性能预测方法，其特征在于，所述神经网络采用具有局部记忆单元和局部反馈连接的递归神经网络。

6.根据权利要求1所述的深度神经网络训练计算性能预测方法，其特征在于，基于车身的噪声、振动与声振粗糙度，通过整车碰撞仿真分析及板件声学灵敏度分析，确定每组解由各板件的厚度组成。

7.根据权利要求1所述的深度神经网络训练计算性能预测方法，其特征在于，所述遗传操作包括交叉和变异。

8.一种考虑车身性能和碰撞伤害的车身结构优化系统，其特征在于，包括：

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的深度神经网络训练计算性能预测方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的深度神经网络训练计算性能预测方法中的步骤。

技术总结
本发明属于车身结构设计技术领域，提供了一种考虑车身性能和碰撞伤害的车身结构优化方法及系统，包括：于解集空间内生成若干组解，其中，每组解由各板件的厚度组成；对于每组解，进行遗传操作后，采用神经网络，预测得到驾驶员伤害值、车身质量和白车身一阶模态；若某组解相比遗传操作前，预测得到的车身质量不增大且白车身一阶模态不降低，则保留该组解；基于驾驶员伤害值，采用保留的解，更新最优解；判断是否迭代终止，若否，则返回进行遗传操作；若是，则将最优解解码为各板件的厚度。不仅降低了驾驶人员伤害值，同时提高了车身NVH性能，避免了单目标优化顾此失彼的缺陷。

技术研发人员：李敏,张顺安,周伟,柳江,贺思宇,白雪,李琦,李扬
受保护的技术使用者：青岛理工大学
技术研发日：
技术公布日：2024/1/15