基于BS-TabNet和LSSA的车架智能轻量化设计

摘要

为解决传统牵引车车架轻量化设计中设计周期长、设计难度较大和过分依赖工程师经验等问题，提出了一种智能轻量化设计方法 .首先，通过试验设计（Design of Experiments,DOE）联合仿真获取车架性能表格数据.其次，基于TabNet算法、贝叶斯优化算法和沙普利增量解释理论（SHapley Additive exPlanation, SHAP）构建出BS-TabNet模型，用于学习车架性能表格数据，生成车架代理模型.最后，采用莱维飞行策略对麻雀搜索算法（Sparrow Search Algorithm,SSA）进行改进，得到莱维麻雀搜索算法（Levy Sparrow Search Algorithm, LSSA），用于求解车架轻量化任务，找到最优车架结构参数.相较于传统机器学习算法，BS-TabNet模型在准确性、稳定性和可解释性三个方面都有着更高的评价，其准确度达到了0.98左右，稳定性提高50%以上，而且具有更强的可解释能力，解决了深度学习在表格型数据上表现较差的问题.相较于传统群智能优化算法，LSSA算法能够寻找到更好的优化结果，在满足其他性能要求的同时，实现了车架质量减轻5.64%的轻量化效果.智能轻量化设计方法将人工智能与车架轻量化设计相结合，能够节省大量设计时间，提高设计效率.

关键词

深度学习 / 贝叶斯优化 / 车架设计 / TabNet / SHAP / SSA

基金资助

广西区科技计划重大专项（桂科AA23062072）; 柳州市科技计划重大专项（2022ABA0104;2022ABB0101）; 国家重点研发计划资助项目（2019YFB1706504）