[發明專利]一種用于車身結構參數化設計的近似模型建立方法

在審

• 申請號: 202010650665.2
• 申請日: 2020-07-08
• 公開（公告）號: CN113919114A
• 公開（公告）日: 2022-01-11
• 發明（設計）人: 陳崇;崔泰松;趙會;史方圓;白支飛;羅坤;李潔
• 申請（專利權）人: 重慶長安汽車股份有限公司
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F30/15;G06F111/10
• 代理公司: 重慶華科專利事務所 50123
• 代理人: 何杰

1.一種用于結構參數化設計的近似模型建立方法，其特征在于，包括以下步驟：

步驟1、根據優化設計問題，利用優化拉丁方采樣技術生成N＝3×Ndv組初始試驗設計，Ndv為設計變量的數目，調用有限元仿真獲取每組試驗設計對應的響應指標y_i(i＝1，2，...，N)，構成初始訓練樣本集；

步驟2、依據訓練樣本集定義單元模型庫，利用現有的近似建模技術建立多個近似模型，形成單元模型庫；

步驟3、利用模型篩選技術進行單元模型決策，從單元模型庫中剔除冗余的近似模型，構建適用于當前訓練樣本的理想單元模型集；

步驟4、根據計算各個單元模型的權重系數并建立集成近似模型HM，其中E_i是第i個單元模型的預測殘差平方和，M為單元模型集中近似模型的數量；

步驟5、利用模型更新技術修正當前的集成近似模型；

步驟6、判斷是否滿足收斂準則：

如果滿足，則完成設計，否則執行步驟7，公式中為第k個周期中集成近似模型的預測殘差平方和；

步驟7、利用增量學習技術增加新的訓練樣本至步驟1生成的訓練樣本集，并依次執行步驟2至步驟6。

2.根據權利要求1所述的用于結構參數化設計的近似模型建立方法，其特征在于，步驟3中的模型篩選技術包括以下步驟：

步驟3-1、利用N-1個樣本點建立M個近似模型并利用這M個近似模型評估剩余樣本點處的預測值重復該過程直到獲得所有訓練樣本點的交叉驗證預測值；

步驟3-2、重新構造新的訓練樣本集

步驟3-3、基于上述新構建的訓練樣本集，建立線性回歸模型Y＝Xβ+ε，其中Y＝(y₁，y₂，...，y_N)^T，系數β＝(β₁，β₂，...，β_N)^T，

步驟3-4、利用公式計算每個單元模型的顯著性指標，其中b_i為偏最小二乘回歸模型的回歸系數，矢量1_i為第i個分量為1，其余分量為0的特殊矢量。W為由線性回歸模型到偏最小二乘回歸的變換矩陣；

步驟3-5、從當前的單元模型庫中移除ΔE值最小的近似模型，更新步驟3-2中的訓練樣本和單元模型集，重新建立集成近似模型并計算其預測殘差平方和E_HM；

步驟3-6、重復步驟3-2至步驟3-5的決策過程，直到E_HM開始上升，再連續執行兩次決策過程，若都表現為E_HM值增大，則確認收斂。

3.根據權利要求1所述的用于結構參數化設計的近似模型建立方法，其特征在于，所述步驟5中的模型更新技術包括以下步驟：

步驟5-1、選擇當前集成近似模型中的各單元模型的預測數據建立偏差信息Δ(x)～N(μ₀，σ₀)的超參數μ₀的正態先驗分布，其中y_i為第i組試驗設計的真實響應值，為對應的集成近似模型預測值；

步驟5-2、結合總體樣本信息采用貝葉斯推斷計算偏差均值μ₀的共軛后驗概率分布N(μ₁，σ₁)，并利用高斯過程建立超參數后驗μ₁和σ₁的近似模型，超參數的近似模型與原始未修正集成近似模型的試驗設計空間保持一致；

步驟5-3、未知試驗設計點x_a處的集成近似模型預測值為

4.根據權利要求1所述的用于結構參數化設計的近似模型建立方法，其特征在于，所述步驟7中的增量學習技術包括以下步驟：

步驟7-1、以響應量的組合方差指標最大作為優化目標，公式中其中是當前近似模型的預測值，該模型基于所有訓練樣本建立，是留一法交叉驗證預測值；以基于歐式距離的空間填充性指標為約束定義優化問題，其中γ_i＝min_j≠i|x_i-x_j|，N_i為當前周期下的總樣本數量，C為每個周期新增的樣本數量；

步驟7-2、利用遺傳算法求解步驟7-1定義的優化問題；

步驟7-3、將步驟7-2獲得的優化解作為新增試驗設計，計算其對應的真實響應值，并加入到上一個周期的訓練樣本中。