(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111137812.7 (22)申请日 2021.09.27 (71)申请人 重庆金康赛力斯 新能源汽车设计院 有限公司 地址 401135 重庆市渝北区龙兴镇两江大 道618号 (72)发明人 方永利　董立强　周海　陈凤　 (74)专利代理 机构 北京市万慧达律师事务所 11111 代理人 黄玉东 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/23(2020.01) G06F 30/27(2020.01) G06F 111/06(2020.01) (54)发明名称 基于机器学习的副车架多学科轻量化优化 方法及系统 (57)摘要 本发明公开了一种基于机器学习的副车架 多学科轻量化优化方法， 该方法包括： 建立副车 架参数化模型； 采用AdaptiveDOE方法创建包括 副车架强度、 模态、 和动刚度性能分析的试验样 本点； 通过人工智能算法创建每个性能的机器学 习模型， 并验证机器学习模型的精度是否满足要 求； 对满足要求的机器学习模型进行副车架轻量 化优化； 验证所有性能是否满足要求。 本发明解 决了原有的汽 车副车架优化方法复杂、 优化效率 不高的问题。 权利要求书2页 说明书10页 附图6页 CN 113946908 A 2022.01.18 CN 113946908 A 1.一种基于 机器学习的副车架多学 科轻量化优化方法， 其特 征在于， 该 方法包括： 建立副车架参数化模型； 采用Adaptive  DOE方法创建包括副车架强度、 模态、 和动刚度性能分析的试验样本点； 通过人工智能算法创建每个性 能的机器学习 模型， 并验证机器学习模型的精度 是否满 足要求； 基于满足要求的机器学习模型进行副车架轻量 化优化； 验证所有性能是否满足要求。 2.如权利要求1所述的优化方法， 其特 征在于， 建立副车架参数化模型包括： 建立副车架强度性能分析有限元模型， 考察与强度关联的多个工况， 评价在满足所有 工况条件下的应力强度性能； 建立副车架模态性能分析有限元模型， 提取频率特征值， 评价副车架 的第一阶模态频 率性能； 建立副车架动刚度分析有限元模型， 副车架设置有多个安装点， 评价每个安装点的动 刚度性能； 建立副车架全部的参数化模型， 设定模型 各部位的高度、 宽度参数。 3.如权利要求2所述的优化方法， 其特 征在于， 建立副车架全部的参数化模型包括： 将无参的副车架强度性能分析有限元模型导入ANSA软件， 在Morph库中找到和当前的 副车架结构相近的Morph参数， 并根据当前的副车架结构进 行匹配修改， 创建强度性能分析 参数化模型； 根据创建的强度分析参数化模型将Morph控制区域 导出为Morph参数模板； 将无参的模态性能分析有限元模型导入ANSA软件后， 再将上一步导出的Morph参数模 板导入， 创建和与所述强度性能分析参数化模型一 致的模态性能分析参数化模型； 将无参的动刚度性能分析有限元模型导入到ANSA软件后， 再将Morph参数模板导入， 创 建与所述模态性能分析参数化模型一 致的动刚度性能分析参数化模型。 4.如权利要求2或3所述的优化方法， 其特征在于， 通过Adaptive  DOE方法创建实验样 本点的过程包括： 根据设计变量的个数， 选择初始试验设计样本点的数据， 初始样本点数量按公式N＝2* d+1计算， 其中N 为初始样本点个数， d为设计 变量个数； 将以上试验设计样本点的数据传递给创建的参数化模型中， 调用Morph工具依据参数 化模型生成用于计算的强度、 模态和动刚度的有限元求 解文件； 后台调用有限元求解器对生成的求解文件进行求解计算， 提取强度、 模态和动刚度的 性能结果， 将所有结果汇总 创建数据集， 用于后续机器学习模型的训练。 5.如权利要求4所述的优化方法， 其特征在于， 通过人工智能算法创建每个学科的机器 学习模型包括： 将所有性能结果的数据集进行拆分， 用于机器学习模型的训练， 按照比例选取一部分 作为训练集数据， 另一部 分作为测试集数据， 通过机器学习模 型训练， 得到质量响应机器学 习模型、 应力响应机器学习模型、 模态响应机器学习模型和动刚度机器学习模型。 6.如权利要求5所述的优化方法， 其特征在于， 对机器学习模型精度不满足要求的， 重 新增加数据集的样本点个数并重新进行机器学习模型的训练， 其中， 每次增 加d个样本点。权　利　要　求　书 1/2 页 2 CN 113946908 A 27.如权利要求6所述的优化方法， 其特征在于， 对所有的性 能通过建立的机器学习模型 进行预测， 当副车架质量最小， 副车架应力强度值小于或等于强度性能目标值， 副车架模态 频率值大于或等于模态性能目标值， 动刚度值大于或等于动刚度性能目标值， 副车架形状 参数设计 变量在可调范围内时， 完成对副车架多学 科性能的优化。 8.如权利要求2所述的化优化方法， 其特征在于， 考察与强度关联的多个工况包括11个 工况， 分别为： 下掉工况， 转向工况， 制动工况， 后制动工况， 车轮侧向撞路牙工况， 车轮正向 冲击工况， 车轮反向冲击 工况， 坑道制动工况工况， 垂直工况， 右转制动工况和 加速工况。 9.如权利要求2或7所述的优化方法， 其特征在于， 副车架动刚度分析模型的测试安装 点包括： 电机安装点3个， 左控制臂 安装点4个， 右控制臂 安装点4个； 副车架全部的参数化模 型涵盖的参数包括： 前横梁、 后横梁、 纵梁部位的高度或宽度。 10.一种基于 机器学习的副车架多学 科轻量化优化系统， 其特 征在于， 所述系统包括： 参数化模型建立模块， 用于分析副车架的强度性能、 模态性能和动刚度性能， 建立副车 架参数化模型； 样本点建立模块， 采用Adaptive  DOE方法创建包括副车架强度、 模态、 和动刚度 性能分 析的试验样本点； 机器学习模型建立模块， 通过人工智能算法创建每个学科的机器学习模型， 并验证机 器学习模型的精度是否满足要求； 模型精度验证模块， 对满足要求的机器学习模型进行副车架轻量化优化， 并验证所有 性能是否满足要求。权　利　要　求　书 2/2 页 3 CN 113946908 A 3