一种基于深度学习的燃料电池箱体尺寸与质量预测方法
文献发布时间:2024-01-17 01:24:51
技术领域
本发明涉及一种基于深度学习的燃料电池箱体尺寸与质量预测方法,具体涉及到燃料电池技术领域。
背景技术
随着社会环保意识的提高,新能源汽车已成为未来发展的趋势。而在以燃料电池为驱动力的物流车辆中,电池箱体的尺寸和质量对整车的空间利用率和负载能力有直接影响,这一问题具有重要性且难以解决。现有传统方法基于经验和试错,很难最大限度地缩小箱体尺寸和质量。
为此,我们提出了一种创新性的方案,即利用深度学习神经网络模型,预测燃料电池箱体的最佳尺寸和质量,以提高整车性能。相比传统方法,本方法更加自动化和高效,可显著减小箱体尺寸和质量,提高空间利用率和负载能力。其基于深度学习等技术,具有高效、可靠和安全等优势,是解决该问题的有力方案。与传统的手工设计方法相比,本方法更加科学且具有较高的创新性,将在未来燃料电池车辆的发展中发挥重要作用。
发明内容
本发明提供一种基于深度学习的燃料电池箱体尺寸与质量预测方法,自动的确定最佳的燃料电池箱体的尺寸和质量。
为简化问题的分析,做出如下定义和假设:
A、定义燃料电池箱体的质量与物流车货箱的承载能力之比为比载。
B、定义燃料电池箱体的体积与货箱的容积之比为空间占有率。
C、假设该箱体的质量为这个燃料电池集成系统的总质量,即包含了箱体外壳的质量以及内部如电堆,供气系统,储氢瓶,水热系统,电控系统的总质量。
D、假设选取的燃料电池箱体具备足够的稳定性和安全性,功率满足运输要求。
E、假设在长宽高范围内,物流车后货箱和所有燃料电池箱体的形状均为长方体,并且燃料电池箱体质量与体积之比视为常数(即比载与空间占有率互相独立)。
本发明所述的方法利用Keras构建的神经网络模型,在随机生成的数据集上进行训练和测试,最终通过该模型预测在一批给定尺寸和质量范围的箱体找到最佳的燃料电池箱体,实现比载和空间占有率的最优化。
具体实施例
本发明提供的一种基于深度学习的燃料电池箱体尺寸与质量预测方法,包括以下步骤:
A、生成数据集。通过随机生成50000个长度在0.8米到1.4米之间,宽度在0.6米到0.9米之间,高度在0.7米到1.2米之间,质量在200千克到300千克之间的燃料电池箱体的数据信息作为训练和验证的数据集,其中80%作为训练集,其余20%作为验证集。另外生成9000个长度在1.0米到1.2米之间,宽度在0.7米到0.8米之间,高度在0.75米到0.84米之间,质量在210千克到280千克之间的燃料电池箱体的数据信息的数据集作为测试集。设置了全局随机生成器的种子np.random.seed(42),保证每次生成的数据集都是一样的。数据集的维度为4,包括长、宽、高和质量。
B、构建神经网络。采用Keras构建深度学习神经网络,模型包括输入层、隐藏层和输出层。输入层的节点设为4,表示箱体长、宽、高和质量。隐藏层数设为5,其节点数分别为64、56、48、32、16。通过增加隐藏层的数量和节点数,可以提高模型的复杂度。隐藏层激活函数设为RELU函数,可以解决梯度消失的问题。为防止过拟合,在每一层后面加入随即丢弃层和批量标准化层。输出层的节点设为2,表示比载和空间占有率。输出层的激活函数为线性函数。为了避免过拟合,提高模型鲁棒性,在输出层使用了L2正则化。优化器使用Adam,学习率设为0.1,迭代次数设为2500次,clipvalue设为1.0,进行梯度裁剪,防止梯度爆炸。为了防止过拟合和欠拟合,提高模型的泛化能力,使用了5折交叉验证,将数据集划分为多个子集,每次训练模型时,选择其中一个子集作为验证集,其他的子集作为训练集。
C、训练和验证模型。在训练集上训练该模型,用验证集评估该模型的性能,输出平均损失值。
D、测试模型。用生成的测试集测试模型的性能,输出测试集中最佳的燃料电池箱体的长宽高和质量,并计算出比载和空间占有率,保存模型以便后续使用。
E、使用模型。从一批长为0.9米到1.15米,宽为0.72米到0.84米,高为0.77米到0.82米,质量为220千克到240千克之间的箱体中,利用模型找到长宽高和质量最佳的燃料电池箱体布置在货箱内。
附图说明
图1为本发明所述方法的神经网络模型结构图。
图2为本发明所述的方法流程图。
- 一种多模型融合的深度学习的空气质量预测方法
- 一种基于深度学习的漏失通道尺寸范围预测方法
- 一种基于深度学习的漏失通道尺寸范围预测方法