[发明专利]动力电池模组轻量化方法、设备及最大应力值计算方法

权利要求书

1.一种基于神经网络的动力电池模组最大应力值计算方法，其特征在在：包括步骤：获得训练好的神经网络近似模型，将设计变量组合输入训练好的神经网络近似模型中获得最大应力值，所述设计变量组合包括与动力电池模组的应力值相关的多个设计变量；其中，

“获得训练好的神经网络近似模型”包括以下步骤：

(1)确定所述设计变量组合；

(2)建立以动力电池组的最大应力值和动力电池组重量为输出值，设计变量组合为输入值的神经网络模型，获得动力电池模组的数据库，所述数据库包括若干个设计变量组合、以及对应的动力电池组重量以及多个工况条件下动力电池模组的最大应力值；

(3)采用误差反向传播学习算法将所述数据库中的数据导入所述神经网络模型，并将设计变量组合作为输入变量，将对应的动力电池组重量和最大应力值作为输出值训练所述神经网络模型以获得训练好的神经网络近似模型。

2.如权利要求1所述的基于神经网络的动力电池模组最大应力值计算方法，其特征在在：设计变量组合为所述动力电池组外壳每一部分的厚度。

3.如权利要求2所述的基于神经网络的动力电池模组最大应力值计算方法，其特征在在：设计变量组合包括模组侧板厚度、端板厚度、端板第一加强筋厚度、端板第二加强筋厚度。

4.如权利要求1所述的基于神经网络的动力电池模组最大应力值计算方法，其特征在在：所述步骤(2)中，获得动力电池模组的数据库的步骤包括：

确定设计变量的第一约束范围以及最大应力值的第二约束范围；

获得学习样本集，所述学习样本集中包括若干符合第一约束范围的设计变量组合；

建立动力电池模组有限元模型，使用有限元分析软件逐一的对样本集进行计算以获得多个工况下的应力值和动力电池组重量，统计最大应力值，记录每一设计变量组合以及对应的最大应力值和动力电池组重量，以获得所述数据库。

5.如权利要求1所述的基于神经网络的动力电池模组最大应力值计算方法，其特征在在：所述神经网络模型包括一个输入层，一个或一个以上的隐含层和一个输出层，所述输入层节点数为m，输出层节点数为n，m为输入变量的数目，m为输出值的数目，依据输入层节点数为m，输出层节点数为n计算理论隐含层节点数L，对L-t1至L+t2中的每一整数进行数值试验以选取其中之一作为隐含层的实际节点数I，t1、t2为预设值。

6.如权利要求5所述的基于神经网络的动力电池模组最大应力值计算方法，其特征在在：其中，a、b、c、d、e、f均为预设常数。

7.如权利要求1所述的基于神经网络的动力电池模组最大应力值计算方法，其特征在在：采用误差反向传播学习算法将所述数据库中的数据导入所述神经网络模型时，并通过均方误差函数来控制算法的迭代次数，在满足预期均方误差时，神经网络模型终止迭代以获得训练好的神经网络近似模型。

8.一种基于神经网络的动力电池组轻量化方法，其特征在于：包括以下步骤：

确定设计变量的第一约束范围以及最大应力值的第二约束范围；

获得变量样本集，所述变量样本集中包括若干符合第一约束范围的设计变量组合，所述设计变量组合包括与动力电池模组的应力值相关的多个设计变量；

依据如权利要求1-7中任一项所述的基于神经网络的动力电池模组最大应力值计算方法计算所述设计变量组合对应的最大应力值和电池模组重量；

以电池模组重量为目标，依据遗传算法计算获得符合第一约束范围和第二约束范围的最优设计变量组合。