[发明专利]一种基于监督式机器学习的车辆部件建模方法

说明书

本发明提供了一种基于监督式机器学习的车辆部件建模方法，包括以下步骤：收集建模部件不同工况下测试数据；对测试数据进行预处理；根据建模部件特性选择分类或回归学习算法；利用特征选择和特征变换提取相关特征；构建和训练模型；将训练好的模型导出应用至整车模型。本发明所述的一种基于监督式机器学习的车辆部件建模方法通过测试数据训练所选的监督式机器学习算法，建立高精度的车辆部件模型，提高整车整体仿真精度。

技术领域

本发明属于汽车仿真技术领域，尤其是涉及一种基于监督式机器学习的车辆部件建模方法。

背景技术

随着新能源汽车的快速发展，作为重要开发工具的虚拟仿真技术得到广泛应用，新能源汽车开发阶段普遍采用仿真软件，可以极大缩短研发周期，减少成本。然而当前新能源汽车的仿真现状存在明显不足。当前作为建模基础的车辆部件测试项目逐渐细分，项目增多，但工况有限，不可能涵盖所有应用场景，试验条件、参数相对孤立，同时测评数据真实可靠，但不可避免存在误差和波动，使数据存在一定程度的离散和模糊。而车辆部件建模涉及变量数量多，变量间逻辑关系复杂，传统建模技术搭建搭建依赖工程经验，精度提升困难，搭建车辆部件模型控制策略部分时，参数对结果的影响程度难以确定，相关关键阈值难以直接获得，而使用机器学习技术，利用其回归分类与其泛化特性，可以弥补传统建模技术的不足。

因此，通过机器学习将原始测评数据应用于虚拟仿真技术，获得一般测试难以获得的高精度关键性能曲线、曲面或关键阈值、分类边界等信息，结合传统车辆部件建模技术的优点，建立一种基于监督式机器学习的车辆部件建模方法，可以极大提高模型精度，解决多变量的高精度高效率车辆部件建模问题，促进仿真技术发展。

发明内容

有鉴于此，本发明旨在提出一种基于监督式机器学习的车辆部件建模方法，以解决多变量的高精度高效率车辆部件建模问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于监督式机器学习的车辆部件建模方法，包括以下步骤：

S1、确定车辆部件模型中待机器学习建模技术部分需要输出的目标信号；

S2、根据步骤S1中需要输出的目标信号设计试验方案；

S3、按试验方案对真实车辆部件进行试验，并收集建模部件不同工况下测试数据；

S4、对步骤S3中汇总的测试数据进行预处理，得到预处理后的目标信号；

S5、对步骤S4中预处理后的目标信号划分得到训练集T和测试集D，并从训练集T中抽取n个训练子集；

S6、利用特征选择和特征变化提取n个训练子集的相关特征，从n个训练子集的相关特征中随机选取属性，做节点分裂属性，形成一个决策树；重复n次提取相关特征、随机选取属性、形成决策树的步骤，生成n个决策树，将n个决策树组合起来，得到随机森林机器学习模型；

S7、利用步骤S6中的随机森林机器学习模型获得分类边界、关键阈值、关键性能曲线和关键性能曲面；

S8、导出随机森林机器学习模型至车辆部件模型并应用；

S9、根据步骤S7获得的分类边界、关键阈值、关键性能曲线、关键性能曲面及步骤S8导出的随机森林机器学习模型，通过传统建模技术完成建模。

进一步的，在步骤S1中的所述车辆部件模型包括利用机器学习建模技术搭建的部分和利用传统建模技术搭建的部分；需要输出的目标信号指车辆部件建模中使用的传统建模技术难以处理，需要机器学习建模技术处理的信号。

进一步的，在步骤S2中的试验方案指保证每次试验获取的信息量最大的方案，包括设立不同的初始状态、工作状态。

进一步的，在步骤S4中的测试数据预处理包括以下步骤：