一种汽车空气动力学性能智能预测方法与流程

1.本发明属于汽车研发技术领域，尤其是涉及一种汽车空气动力学性能智能预测方法。


背景技术：

2.双碳目标背景之下，汽车空气动力学开发成为汽车企业迎接节能减排新挑战的重要技术。通过搭建空气动力学目标驱动的数字开发平台，将空气动力学技术与汽车造型设计相融合，揭示车身流场对汽车空气动力学的影响机理和规律，实现从以人为主的研发模式转变为数据驱动的研发模式，形成系统的空气动力学数字化解决方案。
3.汽车空气动力学性能的传统开发流程以人工迭代为主，在车型设计阶段，由空气动力学团队、造型团队以及工程设计团队相互协调迭代设计，设计周期长、设计成本高，优化过程处于车型开发的中后期，缺少早期开发手段和工具，在缺少有效数据支撑的前提下，没有能够快速高效预测空气动力学性能的方法或手段，导致开发难度高，影响目标实现。
4.目前空气动力学性能开发以工程师经验为主，基于有限的流场信息进行分析和优化，具备了一定的风洞测试能力，但缺少流场信息的挖掘和智能处理能力，数据积累少，积累慢，开发能力受到限制，开发项目质量提高难度较大，阻碍了空气动力学方向业务的创新与拓展。
5.随着数字化技术的发展，汽车研发面临重大技术变革，利用机器学习和数字化的手段，实现车辆空气动力学开发，是空气动力学面临的关键共性问题。国内尚没有此类空气动力学数字开发平台，但行业对于空气动力学研发数字化转型的需求迫切。


技术实现要素：

6.有鉴于此，本发明旨在提出一种汽车空气动力学性能智能预测方法，以实现定量评价汽车结构参数对空气动力学性能的影响，对于指导车辆设计，提高空气动力学性能开发的效率具有重要意义。
7.为达到上述目的，本发明的技术方案是这样实现的：
8.一种汽车空气动力学性能智能预测方法，包括以下步骤：
9.s1、获取车辆的外形结构参数化数据、流场仿真数据、流场试验数据；
10.s2、根据步骤s1中获取的数据，搭建数据系统；
11.s3、采用集成卡尔曼滤波方法对数据库中数据进行滤波去噪，提取与气动性能强相关的特征数据，并进行数据分析及融合；
12.s4、利用非线性拟合或人工神经网络方法，建立空气动力学性能目标函数与车辆结构参数、流场压力、流场速度各变量之间的函数关系，实现空气动力学性能参数智能预测；
13.s5、对预测结果和实测结果之间的差异采用均方根误差进行分析，根据分析结果对汽车空气动力学预测模型标定和优化，从而更新汽车空气动力学预测函数，实现汽车空
气动力学性能预测。
14.进一步的，步骤s1中通过自动识别算法获取车辆外形结构参数化数据，数字风洞方法获取车辆流场仿真数据，气动声学风洞方法获取车辆流场试验数据。
15.进一步的，步骤s1中外形结构参数包括汽车各部件角度数据、高度数据及部件之间角度数据、距离数据。
16.进一步的，步骤s2中数据库系统通过风洞试验、道路试验、cfd仿真获取的车辆空气动力学性能参数；
17.车辆空气动力学性能参数包括气动力、汽车周围的风速、压力分布。
18.进一步的，步骤s3中数据融合采用高斯回归的方法，对仿真及试验获得的数据进行融合。
19.进一步的，步骤s4中函数关系公式如下：
20.cd＝k*f(xn,pn,vn),其中，cd为风阻系数；xn＝(x1,x2,...xn)为汽车造型几何结构化参数；p＝(p1,p2,...pn)为流场内压力；v＝(v1,v2,...vn)为流场内速度。
21.进一步的，步骤s4空气动力学性能参数智能预测过程中，采用自适应空间变换对已知参数进行标度。
22.相对于现有技术，本发明所述的一种汽车空气动力学性能智能预测方法具有以下优势：
23.(1)本发明所述的一种汽车空气动力学性能智能预测方法，通过搭建汽车研发领域空气动力学数字化开发应用场景，在降低开发成本、提升开发效率和质量等方面具有广泛的行业应用价值。
24.(2)本发明所述的一种汽车空气动力学性能智能预测方法，展示了全开发流程中，运用机器学习和数字化的手段，可以为汽车企业提供高效、低成本及高质量的数字化解决方案，具有一定的行业示范效应。
25.(3)本发明所述的一种汽车空气动力学性能智能预测方法，改变传统的以人为主的性能开发模式转为智能开发模式，模型和数据的重用和知识沉淀将大幅提高空气动力学性能的开发效率和质量，本发明具有较好的创新价值。
附图说明
26.构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
27.图1为本发明实施例所述的汽车空气动力学性能预测功能示意图；
28.图2为本发明实施例所述的汽车结构部分参数示意图一；
29.图3为本发明实施例所述的汽车结构部分参数示意图二。
具体实施方式
30.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
31.在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为
基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
32.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
33.下面将参考附图并结合实施例来详细说明本发明。
34.一种汽车空气动力学性能智能预测方法，包括以下步骤：
35.步骤1：数据获取及收集，通过自动识别算法、数字风洞、气动声学风洞等技术手段分别获得车辆外形结构参数化数据(x1,x2,...xn)，流场仿真数据(压力(p1,p2,...pn)、速度(v1,v2,...vn)、阻力系数cd、升力系数cl、侧向力系数cs......)、流场试验数据(压力(p1,p2,...pn)、速度(v1,v2,...vn)、阻力系数cd、升力系数cl、侧向力系数cs......),其中，自动识别算法可对不同格式的造型几何数据进行自动识别及测量，获得外形结构参数包括汽车各部件角度数据、高度数据及部件之间角度数据、距离数据等，数字风洞中建立车辆及风洞实验室数字化模型，利用计算流体力学算法获得车辆周围流场仿真数据，包括压力、速度及气动力系数等；气动声学风洞利用风洞测试技术获得流场试验数据，包括压力、速度及气动力系数等；
36.数字风洞包括简化的风洞驻室几何模型、路面模拟设备模型及待测车辆模型；
37.步骤2:通过收集的车辆外形结构参数化数据、流场仿真数据及试验数据，搭建数据库系统；
38.数据库系统由风洞试验、道路试验、cfd仿真等获取的车辆空气动力学性能参数，包括气动力、汽车周围的风速、压力分布等。
39.步骤3:采用集成卡尔曼滤波方法对数据库中数据进行滤波去噪，提取与气动性能强相关的特征数据，并进行数据分析及融合；
40.数据融合采用高斯回归的方法，对仿真及试验获得的数据进行融合；
41.步骤4:利用非线性拟合或人工神经网络等方法，建立空气动力学性能目标函数与车辆结构参数、流场压力、流场速度等变量之间的函数关系，cd＝k*f(xn,pn,vn),实现空气动力学性能参数智能预测；
42.其中，cd为风阻系数；xn＝(x1,x2,...xn)为汽车造型几何结构化参数；p＝(p1,p2,...pn)为流场内压力；v＝(v1,v2,...vn)为流场内速度；
43.空气动力学性能参数智能预测过程中，采用自适应空间变换对已知参数进行标度；
44.步骤5：对预测结果和实测结果之间的差异采用均方根误差进行分析，根据分析结果对汽车空气动力学预测模型标定和优化，从而更新汽车空气动力学预测函数，实现汽车
空气动力学性能预测。
45.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。