一种用于车身结构参数化设计的近似模型建立方法与流程

技术特征：
1.一种用于结构参数化设计的近似模型建立方法，其特征在于，包括以下步骤：步骤1、根据优化设计问题，利用优化拉丁方采样技术生成n＝3
×
ndv组初始试验设计，ndv为设计变量的数目，调用有限元仿真获取每组试验设计对应的响应指标y
i
(i＝1，2，...，n)，构成初始训练样本集；步骤2、依据训练样本集定义单元模型库，利用现有的近似建模技术建立多个近似模型，形成单元模型库；步骤3、利用模型筛选技术进行单元模型决策，从单元模型库中剔除冗余的近似模型，构建适用于当前训练样本的理想单元模型集；步骤4、根据计算各个单元模型的权重系数并建立集成近似模型hm，其中e
i
是第i个单元模型的预测残差平方和，m为单元模型集中近似模型的数量；步骤5、利用模型更新技术修正当前的集成近似模型；步骤6、判断是否满足收敛准则：如果满足，则完成设计，否则执行步骤7，公式中为第k个周期中集成近似模型的预测残差平方和；步骤7、利用增量学习技术增加新的训练样本至步骤1生成的训练样本集，并依次执行步骤2至步骤6。2.根据权利要求1所述的用于结构参数化设计的近似模型建立方法，其特征在于，步骤3中的模型筛选技术包括以下步骤：步骤3-1、利用n-1个样本点建立m个近似模型并利用这m个近似模型评估剩余样本点处的预测值重复该过程直到获得所有训练样本点的交叉验证预测值；步骤3-2、重新构造新的训练样本集步骤3-3、基于上述新构建的训练样本集，建立线性回归模型y＝xβ ε，其中y＝(y1，y2，...，y
n
)
t
，系数β＝(β1，β2，...，β
n
)
t
，步骤3-4、利用公式计算每个单元模型的显著性指标，其中b
i
为偏最小二乘回归模型的回归系数，矢量1
i
为第i个分量为1，其余分量为0的特殊矢量。w为由线性回归模型到偏最小二乘回归的变换矩阵；步骤3-5、从当前的单元模型库中移除δe值最小的近似模型，更新步骤3-2中的训练样本和单元模型集，重新建立集成近似模型并计算其预测残差平方和e
hm
；步骤3-6、重复步骤3-2至步骤3-5的决策过程，直到e
hm
开始上升，再连续执行两次决策过程，若都表现为e
hm
值增大，则确认收敛。
3.根据权利要求1所述的用于结构参数化设计的近似模型建立方法，其特征在于，所述步骤5中的模型更新技术包括以下步骤：步骤5-1、选择当前集成近似模型中的各单元模型的预测数据建立偏差信息δ(x)～n(μ0，σ0)的超参数μ0的正态先验分布，其中y
i
为第i组试验设计的真实响应值，为对应的集成近似模型预测值；步骤5-2、结合总体样本信息采用贝叶斯推断计算偏差均值μ0的共轭后验概率分布n(μ1，σ1)，并利用高斯过程建立超参数后验μ1和σ1的近似模型，超参数的近似模型与原始未修正集成近似模型的试验设计空间保持一致；步骤5-3、未知试验设计点x
a
处的集成近似模型预测值为4.根据权利要求1所述的用于结构参数化设计的近似模型建立方法，其特征在于，所述步骤7中的增量学习技术包括以下步骤：步骤7-1、以响应量的组合方差指标最大作为优化目标，公式中其中是当前近似模型的预测值，该模型基于所有训练样本建立，是留一法交叉验证预测值；以基于欧式距离的空间填充性指标为约束定义优化问题，其中γ
i
＝min
j≠i
|x
i-x
j
|，n
i
为当前周期下的总样本数量，c为每个周期新增的样本数量；步骤7-2、利用遗传算法求解步骤7-1定义的优化问题；步骤7-3、将步骤7-2获得的优化解作为新增试验设计，计算其对应的真实响应值，并加入到上一个周期的训练样本中。

技术总结
本发明涉及所述的一种用于结构参数化设计的近似模型建立方法，包括：步骤1、根据优化设计问题，构成初始训练样本集；步骤2、建立多个近似模型，形成单元模型库；步骤3、进行单元模型决策，构建适用于当前训练样本的理想单元模型集；步骤4、计算各个单元模型的权重系数并建立集成近似模型；步骤5、修正当前的集成近似模型；步骤6、判断是否满足收敛准则，如果满足，则完成设计，否则执行步骤7；步骤7、利用增量学习技术增加新的训练样本至步骤1生成的训练样本集，并依次执行步骤2至步骤6。本发明消除了近似模型对响应特征的依赖，保证了技术通用性,提高了预测稳健性,提高了预测可靠性,提高了集成近似模型的预测精度。了集成近似模型的预测精度。了集成近似模型的预测精度。


技术研发人员：陈崇 崔泰松 赵会 史方圆 白支飞 罗坤 李洁
受保护的技术使用者：重庆长安汽车股份有限公司
技术研发日：2020.07.08
技术公布日：2022/1/10