汽车工业论文_基于用户意象的汽车数字化造型优

作者:网站采编
关键词:
摘要：文章目录 摘要 abstract 第一章 绪论 1.1 课题研究的背景、目的及意义 1.1.1 课题研究的背景 1.1.2 课题研究的目的 1.1.3 课题研究的意义 1.2 课题内容的国内外研究现状 1.2.1 用户意象研究现

文章目录

摘要

abstract

第一章 绪论

1.1 课题研究的背景、目的及意义

    1.1.1 课题研究的背景

    1.1.2 课题研究的目的

    1.1.3 课题研究的意义

1.2 课题内容的国内外研究现状

    1.2.1 用户意象研究现状及应用

    1.2.2 模糊理论研究现状及应用

    1.2.3 数量化理论与神经网络研究现状及应用

    1.2.4 多目标遗传算法研究现状及应用

    1.2.5 计算机辅助产品设计研究现状及应用

1.3 课题研究的主要内容

1.4 本章小结

第二章 基于用户意象的汽车造型表达及设计相关理论

2.1 汽车研究对象选择

2.2 汽车造型元素描述方法

2.3 数据收集处理关键方法

    2.3.1 意象数据收集方法选择

    2.3.2 多元统计评价方法选择

2.4 本章小结

第三章 汽车造型意象提取与简化

3.1 实例样本选择

    3.1.1 实例车型样本选择

    3.1.2 汽车造型特征分析

3.2 汽车形态设计因素提取

    3.2.1 特征面的造型表征

    3.2.2 汽车形态设计因素提取

    3.2.3 汽车代表性实例样本提取

3.3 汽车目标意象的形态语义提取

    3.3.1 建立初始目标意象词汇库

    3.3.2 目标意象语义的收集与筛选

    3.3.3 代表性目标意象语义提取

3.4 本章小结

第四章 汽车造型元素与意象词汇评价系统

4.1 数量化Ⅰ类理论

    4.1.1 建立数学模型

    4.1.2 模型求解及分析

4.2 建立造型设计类目与意象形容词评价量表

    4.2.1 实验数据处理

    4.2.2 建立感性评价矩阵

4.3 建立汽车造型元素与意象词汇的映射模型

4.4 本章小结

第五章 基于NSGA-Ⅱ遗传算法的多意象造型进化

5.1 NSGA-Ⅱ遗传算法

    5.1.1 NSGA-Ⅱ遗传算法概述

    5.1.2 进化初始化准备工作

    5.1.3 染色体编码过程

    5.1.4 BP神经网络意象造型关系模型

    5.1.5 精英保留策略

5.2 基于NSGA-Ⅱ算法的造型实例分析

    5.2.1 确定目标意象与设计形态编码

    5.2.2 构建造型点位置参数与意象的映射关系模型

    5.2.3 确定初始方案

    5.2.4 基于非支配排序与拥挤度计算求解最优解集

    5.2.5 优化结果

5.3 TOPSIS造型方案评价与模型构建

5.4 本章小结

结论与展望

参考文献

附录一 初始车型样本库

附录二 问卷调查Ⅰ

附录三 问卷调查Ⅱ

附录四 问卷调查Ⅲ

附录五 三角模糊数程序

附录六 造型特征对感性意象的贡献率计算程序

附录七 MATLAB神经网络模型

附录八 进化过程拥挤度计算程序

攻读学位期间取得的研究成果

致谢

文章摘要:为实现制造强国的战略目标,我国正以《中国制造2025》行动纲领为战略支撑和保障,通过“三步走”使制造业转型升级。而汽车工业是国家制造业的标杆,随着社会对节能环保的要求越来越高,新能源汽车行业的发展进而愈加迅猛。为了更好地满足用户的心理需求,对汽车造型设计方法的探索成为了行业的研究热点。本文以新能源SUV车型设计为例,以汽车造型元素与用户意象为基础,结合多目标进化算法与计算机辅助设计工具,研究汽车数字化造型的优化设计方法。首先收集新能源SUV车型初始样本,通过形态分析法将造型以“特征面”与“特征线”相结合的方式进行拆解,将分解的造型部位从四个维度详细统计汽车样本造型特征,并用SPSS软件进行聚类分析得到代表性汽车造型样本;将获取的初始车型意象词汇库,经过语义差异法配对成互斥意形容词对,利用因子分析法提取主成分因子形成代表性车型意象形容词对。其次,基于数量化Ⅰ类理论,对代表性意象语义形容词对与典型SUV样本进行语义匹配度评价,对结果进行三角模糊数处理。将意象形容词得分与特征造型元素编码构成综合感性评价矩阵,运用MATLAB与SPSS软件,得到汽车造型部位与代表性形容词对的偏相关系数与线性模型,以及造型元素与意象语义的贡献关系。再次,通过带精英策略的非支配排序的遗传算法（NSGA-II）进行汽车造型元素与多个意象语义的形态优化设计。以“特征点”作为造型特征划分方式,通过不同部位关键控制点的位置信息传递造型特征,随后通过BP神经网络得到造型特征点位置与意象词汇的映射关系。将贡献值最大的车身类目造型组合作为初始样本,根据NSGA-II算法对多目标意象进行染色体编码及解码,得到车头、侧身及车尾最优进化造型方案集。最后,将进化后的最优方案集组合,进行了整车造型的TOPSIS方案评价,运用ALIAS软件对最优方案进行了数字化建模与渲染。评价结果证明基于用户意象的数字化造型设计方法是行之有效的。

文章来源：《数字化用户》 网址: http://www.szhyhbjb.cn/qikandaodu/2021/1110/2417.html

上一篇：动力工程论文_用户需求主导是能源数字化转型关
下一篇：信息经济与邮政经济论文_平安金管家沈玮：深耕