基于机器学习的车身零部件智能优化设计开题报告

全文总字数：4578字

1. 研究目的与意义（文献综述）

汽车车身零部件作为汽车六大零部件系统之一，体积大，重量大，对汽车风阻，总体重量有很大的影响，进而影响汽车的总体加速性，经济性和安全性。零件的损坏对整车性能破坏严重。如果能优化汽车车身零部件设计，就能通过调整生产周期使零件更换成本降低，或者提高零件的可靠性。因此一个先进的零件设计方式对汽车后续的加工生产至关重要。

零部件的设计方法大致分为两种：传统方法以及计算机辅助设计。其中计算机辅助设计又包括有限元分析，最优化设计，可靠性设计等。随着高强度钢在在汽车产业的引进和应用^[1]，也随之产生了一系列问题，比如回弹缺陷和破裂^[2]。近年最优化设计领域的机器学习兴起^[3]，人们尝试将其用在机械设计等领域,比如包含神经网络的专家系统^[4]。不过大多数专家系统都用于故障诊断^[5,6]，只有少部分用于设计^[7]，而且往往设计能力有限，文中所采用算法老旧^[8] 。同时随着计算机视觉在机器学习领域的蓬勃发展，也有众多学者将机器学习中的深度学习用于汽车车身，工程桥梁的全自动三维重建等工作^[9-11]。不可避免，也有学者尝试将神经网络用于机械设计领域，比如武汉理工大学的左哲在2019年尝试利用神经网络设计汽车a柱理想回弹值^[12]。但是因为样本太小，而且所采用方法学习率低，对特征处理草率，并未进行交叉验证，因此只能模拟出仿真软件的非线性函数，无法推算出实际工艺中的非线性函数。

与此同时，国内外机器学习本身在近些年不断涌现出新的算法，强化学习^[13]和启发式算法^[14]更是近些年研究的热点。其中比较著名的有多伦多大学的diederik p. kingma及jimmy lei ba在2014年提出一种新的梯度模型adam^[15]，解决了含大规模数据和参数的优化问题。同样是多伦多大学的g. e. hinton在2012年提出一种防止过拟合的dropout算法^[16]，提出了一种比正则化更高效的过拟合解决方案。google员工sergey ioffe及christian szegedy在2015年提出批量归一化方法^[17]，显著减弱梯度减弱问题。综上，国内外并没有将以上述算法用于实际零部件设计的相关实验。

2. 研究的基本内容与方案

1).基本内容：

本次课题主要内容是研究如何通过目标产品的属性和结构特征精确预测汽车a柱弯曲工序回弹值，再根据软件模拟验证预测准确度。

2).目标：共有三个标量化指标：

3. 研究计划与安排

第1周：方案构思、文献检索、完成开题报告，学习tensorflow2.1回归分类代码

第2-3周：外文翻译、资料再收集。学习目标函数代码，编写波士顿房价模型。

第4-6周：设计计算、用遗传算法优化模型，利用收集资料优化算法，得出计算结果。

4. 参考文献（12篇以上）

[1]王利, 朱晓东, 张丕军,等. 汽车轻量化与先进的高强度钢板[j]. 宝钢技术, 2003(5):53-59.

[2]裴永生，盛天放，杨园超，等． qp980 超高强钢翻边性能分析［j］． 塑性工程学报，2019，26 ( 6) : 50－54．

[3]陈凯,朱钰.机器学习及其相关算法综述[j].统计与信息论坛,2007(05):105-112.