一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法

摘要

本发明提供一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，包括：基于钢板弹簧搭建有限元数字孪生模型；对有限元数字孪生模型进行载荷施加，获取有限元数字孪生模型上每个网格单元的模拟时变应力；以标定长度的时间窗口对模拟时变应力优化处理，生成训练数据集；通过长短期记忆单元及感知机构建DRNN神经网络架构；通过训练数据集训练DRNN神经网络架构；在钢板弹簧进行底盘性能调校时，获取实际时变应力组。在底盘性能调校中参数变化时获取实际时变应力组，以其测算钢板弹簧上全部网格单元的实际时变应力，并计算疲劳寿命，缩短了开发周期，降低生产成本。

权利要求

1.一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，其特征在于，包括以下步骤：基于钢板弹簧搭建有限元数字孪生模型；

对所述有限元数字孪生模型进行载荷施加，以获取所述有限元数字孪生模型上每个网格单元的模拟时变应力；

以标定长度的时间窗口对所述模拟时变应力进行优化处理，以生成训练数据集；

所述以标定长度的时间窗口对所述模拟时变应力进行优化处理，以生成训练数据集的步骤包括：对每个所述网格单元的模拟时变应力进行归一化处理，以分别生成与所述网格单元对应的待处理数据；

基于标定长度的时间窗口将所述待处理数据切割为若干个段落数据；

汇总全部的所述段落数据，以形成训练数据集；

通过长短期记忆单元及感知机构建DRNN神经网络架构；

通过所述训练数据集训练所述DRNN神经网络架构；

所述通过所述训练数据集训练所述DRNN神经网络架构的步骤包括：以所述网格单元对所述训练数据集进行一次区隔，以将所述训练数据集分隔为第一数据集及第二数据集，所述第一数据集包含3 5个所述网格单元的所述段落数据，所述第二数~据集包含除所述第一数据集外的所述段落数据；

基于所述时间窗口对所述训练数据集进行二次区隔，以将所述第一数据集区隔为第一训练集、第一验证集及第一测试集，并将所述第二数据集区隔为第二训练集、第二验证集及第二测试集；

将所述第一训练集作为所述DRNN神经网络架构的输入值，并将所述第二训练集作为所述DRNN神经网络架构的输出值，以训练所述DRNN神经网络架构；

将所述第一验证集作为所述DRNN神经网络架构的输入值，并将所述第二验证集作为所述DRNN神经网络架构的输出值，以校正所述DRNN神经网络架构的损失函数；

将所述钢板弹簧安装于实车上，并对所述实车进行底盘性能调教，获取所述钢板弹簧于底盘性能调教过程中的实际时变应力组；

通过所述实际时变应力组及训练后的所述DRNN神经网络架构判断所述钢板弹簧的疲劳寿命。

2.根据权利要求1所述的基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，其特征在于，所述基于钢板弹簧搭建有限元数字孪生模型的步骤包括：通过有限元前处理软件获取所述钢板弹簧的初始模型；

于所述初始模型内设置主节点坐标；

分别对所述初始模型的前卷耳及所述初始模型的后卷耳进行约束边界条件施加，以获取有限元数字孪生模型。

3.根据权利要求1所述的基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，其特征在于，所述对所述有限元数字孪生模型进行载荷施加，以获取所述有限元数字孪生模型上每个网格单元的模拟时变应力的步骤具体为：将所述钢板弹簧于开发阶段测试所得的载荷施加于所述有限元数字孪生模型的板簧座处，通过显示动力学分析并输出所述有限元数字孪生模型上每个网格单元的模拟时变应力。

4.根据权利要求1所述的基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，其特征在于，所述通过长短期记忆单元及感知机构建DRNN神经网络架构的步骤包括：以若干个所述长短期记忆单元搭建长短期记忆层；

以若干个所述感知机搭建全连接神经层；

通过所述长短期记忆层及所述全连接神经层构建DRNN神经网络架构。

5.根据权利要求1所述的基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，其特征在于，在所述将所述第一验证集作为所述DRNN神经网络架构的输入值，并将所述第二验证集作为所述DRNN神经网络架构的输出值，以校正所述DRNN神经网络架构的损失函数的步骤之后还包括：将所述第一测试集作为所述DRNN神经网络架构的输入值，以通过所述DRNN神经网络架构输出待验证数据组；

比对所述待验证数据组及所述第二测试集，以判断训练是否完成。

6.根据权利要求1所述的基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，其特征在于，所述通过所述实际时变应力组及训练后的所述DRNN神经网络架构判断所述钢板弹簧的疲劳寿命的步骤包括：以时间窗口对所述实际时变应力组进行优化处理，以获取基准数据；

将所述基准数据作为输入值输入所述DRNN神经网络架构，以获取结果数据；

反向推导所述结果数据，以获取所述钢板弹簧上每个单元的实际时变应力；

通过所述实际时变应力计算所述钢板弹簧的疲劳寿命。

7.根据权利要求6所述的基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，其特征在于，所述通过所述实际时变应力计算所述钢板弹簧的疲劳寿命的步骤包括：对所述实际时变应力的时间历程进行雨流计数，以获取所述钢板弹簧上每个单元的应力幅的计数次数；

对平均应力不为0的所述应力幅进行应力修正，等效计算为平均应力为0时的等效应力幅；

根据材料的疲劳特性曲线，计算不同的所述等效应力幅对所述钢板弹簧造成的疲劳损伤，并线性叠加所述疲劳损伤，以获取总损伤；

通过所述总损伤计算所述钢板弹簧的疲劳寿命。

8.根据权利要求7所述的基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，其特征在于，所述疲劳寿命的计算公式为：，

其中，L表示疲劳寿命，D表示总损伤。

说明书

一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法

技术领域

[0001] 本申请涉及数据预测技术领域，特别是涉及一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法。

背景技术

[0002] 汽车的钢板弹簧具有结构简单，维修方便，成本低等优势，因此广泛应用于各类商用车上。随着越来越多的轻量化钢板弹簧的使用，轻量化钢板弹簧不再像传统板簧那样存在很大的过设计，对钢板弹簧的使用寿命的快速准确评估变得越来越重要。

[0003] 一般情况下，汽车公司通过数字化虚拟仿真分析技术或者台架疲劳物理测试来较快的评估轻量化钢板弹簧的设计疲劳寿命，以便于保障设计状态下钢板弹簧的耐久寿命。但数字化虚拟样车设计完毕后，加工生产出来的物理样车需要进行底盘动态性能的主观调校，来保证汽车具有最好的综合性能，调校过程中，通常会对汽车衬套的刚度、减震器的阻尼、限位块的刚度及限位块的高度进行调整，这些调整均会对钢板弹簧的受力产生影响，从而影响板簧的疲劳寿命。

[0004] 在调校阶段，传统的板簧疲劳寿命分析一般先获取调校过程中实车在轮心处受到的载荷，再将数字化虚拟模型的参数调整至调校后的参数后，将载荷施加于数字化虚拟模型上，以此获取钢板弹簧受到的外界载荷激励，并以此外界载荷激励测算钢板弹簧的时变应力，进而通过时变应力获取疲劳寿命，但在调校过程中，参数不断调整变化，每次参数的变化均需重复上述步骤，以重新计算疲劳寿命，导致疲劳寿命计算的周期较长，进而拉长了开发周期，拉高了开发成本。

发明内容

[0005] 本申请实施例提供了一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，以解决现有技术中在实车调教阶段，因整车的参数不断调整，每次调整时，均需对钢板弹簧的疲劳寿命进行重新预测，导致拉长了开发周期，拉高了生产成本的技术问题。

[0006] 本申请实施例提供了一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法，包括以下步骤：

[0007] 基于钢板弹簧搭建有限元数字孪生模型；

[0008] 对所述有限元数字孪生模型进行载荷施加，以获取所述有限元数字孪生模型上每个网格单元的模拟时变应力；

[0009] 以标定长度的时间窗口对所述模拟时变应力进行优化处理，以生成训练数据集；

[0010] 通过长短期记忆单元及感知机构建DRNN神经网络架构；

[0011] 通过所述训练数据集训练所述DRNN神经网络架构；

[0012] 将所述钢板弹簧安装于实车上，并对所述实车进行底盘性能调教，获取所述钢板弹簧于底盘性能调教过程中的实际时变应力组；

[0013] 通过所述实际时变应力组及训练后的所述DRNN神经网络架构判断所述钢板弹簧的疲劳寿命。

[0014] 进一步地，所述基于钢板弹簧搭建有限元数字孪生模型的步骤包括：

[0015] 通过有限元前处理软件获取所述钢板弹簧的初始模型；

[0016] 于所述初始模型内设置主节点坐标；

[0017] 分别对所述初始模型的前卷耳及所述初始模型的后卷耳进行约束边界条件施加，以获取有限元数字孪生模型。

[0018] 进一步地，所述对所述有限元数字孪生模型进行载荷施加，以获取所述有限元数字孪生模型上每个网格单元的模拟时变应力的步骤具体为：

[0019] 将所述钢板弹簧于开发阶段测试所得的载荷施加于所述有限元数字孪生模型的板簧座处，通过显示动力学分析并输出所述有限元数字孪生模型上每个网格单元的模拟时变应力。

[0020] 进一步地，所述以标定长度的时间窗口对所述模拟时变应力进行优化处理，以生成训练数据集的步骤包括：

[0021] 对每个所述网格单元的模拟时变应力进行归一化处理，以分别生成与所述网格单元对应的待处理数据；

[0022] 基于标定长度的时间窗口将所述待处理数据切割为若干个段落数据；

[0023] 汇总全部的所述段落数据，以形成训练数据集。

[0024] 进一步地，所述通过长短期记忆单元及感知机构建DRNN神经网络架构的步骤包括：

[0025] 以若干个所述长短期记忆单元搭建长短期记忆层；

[0026] 以若干个所述感知机搭建全连接神经层；

[0027] 通过所述长短期记忆层及所述全连接神经层构建DRNN神经网络架构。

[0028] 进一步地，所述通过所述训练数据集训练所述DRNN神经网络架构的步骤包括：

[0029] 以所述网格单元对所述训练数据集进行一次区隔，以将所述训练数据集分隔为第一数据集及第二数据集；

[0030] 基于所述时间窗口对所述训练数据集进行二次区隔，以将所述第一数据集区隔为第一训练集、第一验证集及第一测试集，并将所述第二数据集区隔为第二训练集、第二验证集及第二测试集；

[0031] 将所述第一训练集作为所述DRNN神经网络架构的输入值，并将所述第二训练集作为所述DRNN神经网络架构的输出值，以训练所述DRNN神经网络架构；

[0032] 将所述第一验证集作为所述DRNN神经网络架构的输入值，并将所述第二验证集作为所述DRNN神经网络架构的输出值，以校正所述DRNN神经网络架构的损失函数。

[0033] 进一步地，在所述将所述第一验证集作为所述DRNN神经网络架构的输入值，并将所述第二验证集作为所述DRNN神经网络架构的输出值，以校正所述DRNN神经网络架构的损失函数的步骤之后还包括：

[0034] 将所述第一测试集作为所述DRNN神经网络架构的输入值，以通过所述DRNN神经网络架构输出待验证数据组；

[0035] 比对所述待验证数据组及所述第二测试集，以判断训练是否完成。

[0036] 进一步地，所述通过所述实际时变应力组及训练后的所述DRNN神经网络架构判断所述钢板弹簧的疲劳寿命的步骤包括：

[0037] 以时间窗口对所述实际时变应力组进行优化处理，以获取基准数据；

[0038] 将所述基准数据作为输入值输入所述DRNN神经网络架构，以获取结果数据；

[0039] 反向推导所述结果数据，以获取所述钢板弹簧上每个单元的实际时变应力；

[0040] 通过所述实际时变应力计算所述钢板弹簧的疲劳寿命。

[0041] 进一步地，所述通过所述实际时变应力计算所述钢板弹簧的疲劳寿命的步骤包括：

[0042] 对所述实际时变应力的时间历程进行雨流计数，以获取所述钢板弹簧上每个单元的应力幅的计数次数；

[0043] 对平均应力不为0的所述应力幅进行应力修正，等效计算为平均应力为0时的等效应力幅；

[0044] 根据材料的疲劳特性曲线，计算不同的所述等效应力幅对所述钢板弹簧造成的疲劳损伤，并线性叠加所述疲劳损伤，以获取总损伤；

[0045] 通过所述总损伤计算所述钢板弹簧的疲劳寿命。

[0046] 进一步地，所述疲劳寿命的计算公式为：

[0047] ，

[0048] 其中，L表示疲劳寿命，D表示总损伤。

[0049] 相比于相关技术，本发明的有益效果在于：通过构建基于所述长短期记忆单元的所述DRNN神经网络架构，通过所述有限元数字孪生模型上获取的所述模拟时变应力对其进行训练，可更为精确的计算所述钢板弹簧的时变应力场，从而更为精确的计算所述钢板弹簧的疲劳损伤，且在底盘性能调校过程中，每次参数变化时，通过获取所述实际时变应力组，即可完成每次参数变化时所述钢板弹簧上全部网格单元于调校过程中的实际时变应力，进而完成疲劳寿命的计算，避免了每次参数变化时均需重复测量载荷、将载荷分解至钢板弹簧、计算钢板弹簧的时变应力、通过时变应力获取疲劳寿命的过程，有效的提高了疲劳寿命的获取效率，缩短了开发周期，降低了生产成本。

[0050] 本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

[0051] 图1为本发明第一实施例中汽车钢板弹簧疲劳寿命预测方法的流程图；

[0052] 图2为本发明第二实施例中汽车钢板弹簧疲劳寿命预测方法的流程图；

[0053] 图3为本发明第二实施例中汽车钢板弹簧疲劳寿命预测方法中某一所述模拟时变应力的优化处理结果；

[0054] 图4为本发明第二实施例中汽车钢板弹簧疲劳寿命预测方法中DRNN神经网络架构的结构示意图；

[0055] 图5为本发明第二实施例中汽车钢板弹簧疲劳寿命预测方法中DRNN神经网络架构的损失函数变化曲线；

[0056] 图6为本发明第二实施例中汽车钢板弹簧疲劳寿命预测方法中DRNN神经网络架构的训练结果；

[0057] 如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

[0058] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

[0059] 显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

[0060] 在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

[0061] 请参阅图1，本发明第一实施例提供的汽车钢板弹簧疲劳寿命预测方法，所述方法包括以下：

[0062] 步骤S10：基于钢板弹簧搭建有限元数字孪生模型；

[0063] 所述有限元数字孪生模型为一虚拟模型，但所述有限元数字孪生模型与所述钢板弹簧高度相关，通过建立所述有限元数字孪生模型，可从虚拟层面模拟对所述钢板弹簧的调整，并得出与调整相关的响应参数。

[0064] 步骤S20：对所述有限元数字孪生模型进行载荷施加，以获取所述有限元数字孪生模型上每个网格单元的模拟时变应力；

[0065] 载荷施加的过程即是模拟所述钢板弹簧在实车测试过程中可能发生的各种接触行为，进而得到仿真的实验数据，即所述模拟时变应力。因施加的所述载荷为一持续性数值，其随时间的变化也将产生相应的变化，因此于所述有限元数字孪生模型上获取的所述模拟时变应力也将随时间的变化而产生相应的变化。

[0066] 步骤S30：以标定长度的时间窗口对所述模拟时变应力进行优化处理，以生成训练数据集；

[0067] 步骤S40：通过长短期记忆单元及感知机构建DRNN神经网络架构；

[0068] 汽车底盘悬挂系统属于典型的动力学系统，由于动力学系统阻尼的存在，所述钢板弹簧的任一个网格单元在每一个时刻的动力学响应和上一个时间时刻紧密相关。传统的深度神经网络，无法考虑时间依赖问题，因此无法很好地用于解决时间系列预测问题。循环神经网络（RNN）借助循环核从时间维度提取信息，循环核参数时间共享,可以对有时间依赖的时间序列问题进行预测，但当时间系列很长，RNN模型容易出现梯度消失问题，导致时间系列预测效果较差。为了解决长期依赖问题，长短记忆网络（LSTM）应运而生。其通过使用门（gate）机制对信息的流通和损失进行控制，以解决长期依赖问题。

[0069] 步骤S50：通过所述训练数据集训练所述DRNN神经网络架构。

[0070] 在包括所述长短期记忆单元（LSTMcell）的所述DRNN神经网络架构中，由于LSTM的输入为时间系列，在步骤S30中对所述模拟时变应力进行优化处理的目的即是适配所述DRNN神经网络架构，且可有效的加快数据收敛的速度，进而加快对所述钢板弹簧的疲劳寿命预测，而训练的目的即是完善所述DRNN神经网络架构，为后续更为精确的计算所述钢板弹簧的时变应力场，从而更为精确的计算所述钢板弹簧的疲劳损伤提供基础。

[0071] 步骤S60：将所述钢板弹簧安装于实车上，并对所述实车进行底盘性能调教，获取所述钢板弹簧于底盘性能调教过程中的实际时变应力组；

[0072] 步骤S70：通过所述实际时变应力组及训练后的所述DRNN神经网络架构判断所述钢板弹簧的疲劳寿命。

[0073] 在完成所述DRNN神经网络架构的构建后，在实际的底盘性能调校过程中，仅需检测少量的所述网格单元的实际时变应力，将若干个所述实际时变应力组成的所述实际时变应力组，即可通过所述DRNN神经网络架构完成疲劳寿命的预测。即在底盘性能调校过程中，每次参数变化时，通过获取所述实际时变应力组，即可完成每次参数变化时所述钢板弹簧上全部网格单元于调校过程中的实际时变应力，进而完成疲劳寿命的计算，避免了每次参数变化时均需重复测量载荷、将载荷分解至钢板弹簧、计算钢板弹簧的时变应力、通过时变应力获取疲劳寿命的过程，有效的提高了疲劳寿命的获取效率，缩短了开发周期，降低了生产成本。

[0074] 请参阅图2，本发明第二实施例提供的汽车钢板弹簧疲劳寿命预测方法，所述方法包括以下步骤：

[0075] 步骤S100：通过有限元前处理软件获取所述钢板弹簧的初始模型；

[0076] 一般通过通用工业有限元前处理软件Hypermesh或者ANSA进行处理，将所述钢板弹簧的CAD模型导入所述有限元前处理软件中，所述钢板弹簧包括前卷耳、后卷耳及弹簧座，将所述有限元前处理软件切换至ABAQUS处理器模块。

[0077] 对所述钢板板簧进行基于壳单元类型（shell）的网格建模，网格平均尺寸为4mm，由于所述钢板弹簧为变料厚（截面）等应力设计，shell单元的厚度需要以节点厚度进行料厚属性赋予，实现高精度建模，进而获取所述初始模型，可以理解地，所述初始模型与所述钢板弹簧的结构相同。

[0078] 步骤S101：于所述初始模型内设置主节点坐标；

[0079] 所述初始模型的U型螺栓夹紧段，需用刚性单元连接为一体，将所述主节点坐标放置于所述初始模型的板簧座处，所述钢板弹簧的前卷耳及后卷耳均需用刚性单元连接至卷耳中心，主节点为卷耳中心处的节点。

[0080] 步骤S102：分别对所述初始模型的前卷耳及所述初始模型的后卷耳进行约束边界条件施加，以获取有限元数字孪生模型；

[0081] 对所述前卷耳进行约束边界条件施加，即释放前卷耳绕卷耳轴线方向自由度，其他方向自由度约束；对后卷耳进行约束边界条件施加，即释放后卷耳绕卷耳轴线方向自由度及后卷儿在前卷耳及后卷耳的连线方向上的移动自由度，其他方向自由度约束，进而获取与所述钢板弹簧高度相关的所述有限元数字孪生模型。

[0082] 步骤S103：将所述钢板弹簧于开发阶段测试所得的载荷施加于所述有限元数字孪生模型的板簧座处，通过显示动力学分析并输出所述有限元数字孪生模型上每个网格单元的模拟时变应力；

[0083] 所述有限元数字孪生模型的板簧座处的载荷含有x，y，z三向的力和力矩Fx，Fy，Fz，Mx，My，Mz，将分析类型设置为显示动力学分析，结果输出的时间步长为载荷施加的时间步长，即每一个时刻的载荷施加均输出一个对应的结果，即所述模拟时变应力。

[0084] 步骤S104：对每个所述网格单元的模拟时变应力进行归一化处理，以分别生成与所述网格单元对应的待处理数据；

[0085] 步骤S105：基于标定长度的时间窗口将所述待处理数据切割为若干个段落数据；

[0086] 步骤S106：汇总全部的所述段落数据，以形成训练数据集；

[0087] 对所述模拟时变应力进行归一化处理后，可将所述模拟时变应力归一化至（‑1,1），形成所述待处理数据，可以理解地，每一个所述模拟时变应力均对应一个所述待处理数据。所述标定长度为25个不同时间点的长度至30个不同时间点的长度，所述标定长度为超参数，针对不同的动力学系统，所述标定长度也不相同，可进行适应性调节。通过所述时间窗口切割所述待处理数据，即可形成若干个所述段落数据，即每一个所述模拟时变应力均对应了若干个所述段落数据，如10个所述模拟时变应力，其包含100个不同时间点，以25个不同时间点的长度的时间窗口对其进行切割，将相应生成40个所述段落数据。某一所述模拟时变应力优化处理后的结果如图3所示。

[0088] 步骤S107：以若干个所述长短期记忆单元搭建长短期记忆层；

[0089] 所述长短期记忆单元（LSTMcell）引入了三个门限：输入门 ，其决定了多少比例的信息会被存入当前细胞态；遗忘门 ，其将细胞态中的信息选择性的遗忘；输出门 ，其将细胞态中的信息选择性的进行输出，进而实现对信息的流通和损失控制。

[0090] 步骤S108：以若干个所述感知机搭建全连接神经层；

[0091] 所述感知机（Simpleneuralcell）构成的所述全连接神经层（FClayer）用于综合输出结果。

[0092] 步骤S109：通过所述长短期记忆层及所述全连接神经层构建DRNN神经网络架构；

[0093] 在本申请中，所述DRNN神经网络架构包含三层所述长短期记忆层（LSTMlayer）及两层所述全连接神经层（FClayer），相邻的层之间采用dropout进行正则化，以提升所述DRNN神经网络架构的泛化能力，优选地，dropout的比例为0.2。三层所述长短期记忆层与邻接所述长短期记忆层的一层所述全连接神经层的激活函数为Relu函数(Relu函数定义为：当x＞0时，Relu(x)=x，当x≤0时，Relu(x)=0)，Relu函数的优势在于其可以避免所述DRNN神经网络架构的梯度消失，远离所述长短期记忆层的一层所述全连接神经层的激活函数为线性激活函数。所述DRNN神经网络架构的结构如图4所示，图中t表示当前时刻，t‑1表示前一时刻，t+1表示下一时刻，x表示输入特征，y表示输出特征，h表示短期记忆，Ot表示输出门。

[0094] 步骤S110：以所述网格单元对所述训练数据集进行一次区隔，以将所述训练数据集分隔为第一数据集及第二数据集；

[0095] 优选地，所述第一数据集包含3 5个所述网格单元的所述段落数据，所述第二数据~集包含除所述第一数据集外的所述段落数据。

[0096] 步骤S111：基于所述时间窗口对所述训练数据集进行二次区隔，以将所述第一数据集区隔为第一训练集、第一验证集及第一测试集，并将所述第二数据集区隔为第二训练集、第二验证集及第二测试集；

[0097] 通过截取x个所述时间窗口内的所述训练数据集，在已拆分所述第一数据集及所述第二数据集的情况下，即可将所述第一数据集区隔为第一训练集及第一剩余数据集，将所述第二数据集区隔为第二训练集及第二剩余数据集，可以理解地，所述第一训练集与所述第二训练集的时间长度相同；通过截取y个所述时间窗口内的所述训练数据集，即可将所述第一剩余数据集区隔为第一验证集及第一测试集，并将所述第二剩余数据集区隔为第二验证集及第二测试集，所述第一验证集与所述第二验证集的时间长度相同，所述第一测试集与所述第二测试集的时间长度相同。

[0098] 步骤S112：将所述第一训练集作为所述DRNN神经网络架构的输入值，并将所述第二训练集作为所述DRNN神经网络架构的输出值，以训练所述DRNN神经网络架构；

[0099] 步骤S113：将所述第一验证集作为所述DRNN神经网络架构的输入值，并将所述第二验证集作为所述DRNN神经网络架构的输出值，以校正所述DRNN神经网络架构的损失函数；

[0100] 所述第一训练集及所述第一验证集的所述损失函数的变化趋势如图5所示，从图中可以看出，所述DRNN神经网络架构较好的完成了数据拟合。

[0101] 步骤S114：将所述第一测试集作为所述DRNN神经网络架构的输入值，以通过所述DRNN神经网络架构输出待验证数据组；

[0102] 步骤S115：比对所述待验证数据组及所述第二测试集，以判断训练是否完成。

[0103] 请参阅图6，从图中可看出，所述DRNN神经网络架构的预测能力较好，此时，可将所述DRNN神经网络架构应用于所述钢板弹簧的不同位置的实际时变应力测算。

[0104] 步骤S116：将所述钢板弹簧安装于实车上，并对所述实车进行底盘性能调教，获取所述钢板弹簧于底盘性能调教过程中的实际时变应力组；

[0105] 具体地，于所述钢板弹簧上张贴若干个应力花，可以理解地，若干个所述应力花位于所述钢板弹簧的不同的所述网格单元上，优选地，所述钢板弹簧上张贴3个所述应力花，将所述钢板弹簧安装于实车上，并将实车进行底盘性能调教，在调教过程中，通过若干个所述应力花分别反馈其所在的所述网格单元上的实际时变应力，并将其汇总为所述实际时变应力组。

[0106] 步骤S117：以时间窗口对所述实际时变应力组进行优化处理，以获取基准数据；

[0107] 步骤S118：将所述基准数据作为输入值输入所述DRNN神经网络架构，以获取结果数据；

[0108] 此处与所述模拟时变应力的处理过程相同，不再进行赘述。

[0109] 步骤S119：反向推导所述结果数据，以获取所述钢板弹簧上每个网格单元的实际时变应力；

[0110] 所述结果数据包含了所述钢板弹簧上每个所述网格单元的反馈数据，进而通过优化处理的过程反向推导出所述钢板弹簧上每个所述网格单元的所述实际时变应力。

[0111] 步骤S120：通过所述实际时变应力计算所述钢板弹簧的疲劳寿命。

[0112] 对所述实际时变应力的时间历程进行雨流计数，以获取所述钢板弹簧上每个单元的应力幅的计数次数；对平均应力不为0的所述应力幅进行应力修正，等效计算为平均应力为0时的等效应力幅；根据材料的疲劳特性曲线，计算不同的所述等效应力幅对所述钢板弹簧造成的疲劳损伤，并线性叠加所述疲劳损伤，以获取总损伤；通过所述总损伤计算所述钢板弹簧的疲劳寿命，所述疲劳寿命的计算公式为：

[0113] ，

[0114] 其中，L表示疲劳寿命，D表示总损伤。

[0115] 以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0116] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。