一种基于人工智能的汽车悬挂强度测试方法

技术领域

本申请设计车辆测试领域，具体涉及一种基于人工智能的汽车悬架强度测试方法。

背景技术

悬架系统所使用的材料对汽车的性能和安全性具有至关重要的影响。跌落法是一种常用的汽车悬架性能评估方法，跌落法作为一种常用的汽车悬架性能评估方法，在汽车行业中发挥着重要作用。通过模拟车辆在不同路况下的跌落情况，评估汽车悬架系统的强度和耐久性，为汽车制造商提供重要的参考数据，其原理是通过模拟车辆在不同路况下的跌落情况，评估汽车悬架系统的强度和耐久性。在测试过程中，测试人员将车辆从一定高度自由落下，观察并记录车辆悬架系统的变形情况和损坏程度，从而评估其性能表现。

在测试过程中，如果传感器的精度不足、安装位置不当或数据采集系统出现故障，可能会导致收集到的数据不准确，影响对悬架系统响应特性的判断。故需要对所得数据进行预处理，将异常数据进行剔除。但是在使用现有 LOF 算法进行异常检测时，由于汽车悬架随着测试的进行，其数据参数会发生变化，进而导致使用异常检测算法并不能较好的获取异常检测结果。从而导致异常数据影响汽车强度测试。

发明内容

为了解决汽车强度测试较差的技术问题，本申请提供了一种基于人工智能的汽车悬架强度测试方法，所采用的技术方案具体如下：

本申请提出了一种基于人工智能的汽车悬架强度测试方法，该方法包括以下步骤：

在每辆汽车跌落时采集每个参数每次实验的传感器数据；

根据不同参数对应的所有次实验的传感器数据之间的相关性以及缺少某次实验的传感器数据之间的相关性分析获取每次实验每个传感器数据的相关异常指数；

将参数对应的传感器数据划分，将划分后的不同参数的传感器数据通过增添相应数据后的相关性差异分析每个传感器数据在不同参数下的第一异常判断因子；

获取不同车辆每个参数对应的突变点，根据不同车辆之间的突变点的特征差异和添加传感器数据后的相关性差异结合第一异常判断因子获取待分析数据的影响差异度；

根据通过不同车辆相同参数所采集的传感器数据的稳定性以及不同参数之间的传感器数据的稳定性获取待分析数据的第二异常值；根据第二异常值、影响差异度以及相关异常指数获取异常检测第一评价指标，并基于异常检测第一评价指标剔除异常数据，将剔除异常后的传感器数据输入神经网络中完成悬架强度测试。

在上述方案中，本申请通过结合不同参数之间的相关性构建相关异常指数，通过结合其它参数分析待分析数据的异常性，可以一定程度放大目标参数与其它参数的差异，从而增加异常检测结果的准确性； 同时对于同一汽车悬架测试所得参数序列进行分析，通过参数相关性分析转换到其它数据中，进而同样可能会放大参数相关性差异的目的，进而增加待分析数据异常检测准确性；最后基于参数序列异常检测分析，基于参数序列变化稳定性对所得异常检测结果进行修正，使得异常检测结果可以更准确的分析所得参数的异常性，最终结合所得相关异常值与修正后的参数序列异常值完成对待分析数据的异常检测。提高了异常检测的准确性，后将异常数据剔除后通过神经网络训练获取了汽车悬架的强度，提高了悬架测试强度的精度。

在一个实施例中，所述参数包括压力、承受力、弹簧压缩程度、角度。

在一个实施例中，所述根据不同参数对应的所有次实验的传感器数据之间的相关性以及缺少某次实验的传感器数据之间的相关性分析获取每次实验每个传感器数据的相关异常指数的方法为：

对于任意一辆汽车，其对应一个参数在所有实验中的传感器数据构成一个序列记为悬架参数序列；

将一次实验采集的所有数据记为一个实验集合；

将一个参数中对应的任意一个传感器数据作为待分析数据，将待分析数据所在的悬架参数序列记为待分析序列，计算待分析序列与其余每个悬架参数序列的相关系数记为第一相关系数；将待分析数据在其相对应的待分析序列删除得到待分析删除序列，在其余的悬架参数序列中分别将与待分析数据在同一个实验集合的传感器数据删除记为悬架参数删除序列；

计算待分析删除序列与其余每个悬架参数删除序列的相关系数记为第二相关系数；

将待分析数据对应的参数作为目标参数，根据目标参数与每个参数的第一相关因子以及删除待分析数据对应的实验集合后目标参数与每个参数的第二相关因子获取待分析数据的相关异常指数。

在一个实施例中，所述根据目标参数与每个参数的第一相关因子以及删除待分析数据对应的实验集合后目标参数与每个参数的第二相关因子获取待分析数据的相关异常指数的方法为：

将目标参数与每个参数的第一相关因子和第二相关因子的差值绝对值记为待分析数据的单异常指数；根据单异常指数获取待分析数据的相关异常指数，待分析数据的相关异常指数与待分析数据的单异常指数呈正相关关系。

在一个实施例中，所述将参数对应的传感器数据划分，将划分后的不同参数的传感器数据通过增添相应数据后的相关性差异分析每个传感器数据在不同参数下的第一异常判断因子的方法为：

通过聚类将待分析序列分为若干悬架数据段，将待分析数据所在的悬架数据段记为目标数据段；

将待分析数据及其实验集合中的传感器数据分别添加到不同的悬架数据段中，根据添加前后悬架数据段的相关系数差异获取第一相关性因子；

根据待分析数据与目标数据段其余传感器数据的第一相关性因子的差异获取待分析数据的第一异常判断因子。

在一个实施例中，所述将待分析数据及其实验集合中的传感器数据分别添加到不同的悬架数据段中，根据添加前后悬架数据段的相关系数差异获取第一相关性因子的方法为：

将待分析数据所在的悬架参数序列划分后，将其余的悬架参数序列划分为相同长度的悬架数据段 ，计算待分析序列中每个悬架数据段与其余悬架参数序列对应的悬架数据段的相关系数记为第一段相关系数；

将待分析数据对应的实验集合中的所有传感器数据加入到相应的悬架数据段中；将待分析序列中的每个悬架数据段添加待分析数据后，将其余悬架参数序列的悬架数据段添加实验集合对应的传感器数据，将添加后的悬架数据段之间的相关系数记为第二段相关系数；

将第一段相关系数和第二段相关系数之间的差值绝对值作为第一相关性异常因子。

在一个实施例中，所述将待分析数据及其实验集合中的传感器数据分别添加到不同的悬架数据段中，根据添加前后悬架数据段的相关系数差异获取第一相关性因子的方法为：

对于目标数据段 ，计算所有传感器数据的第一相关性异常因子，之后计算待分析数据与目标数据段所有传感器数据的第一相关性异常因子的差值绝对值，将待分析数据与所有传感器数据的第一相关性异常因子的差值绝对值的均值作为待分析数据在每个悬架数据段的第二相关性异常因子；

将待分析数据在所有悬架数据段中的第二相关性异常因子的均值作为第一异常判断因子。

在一个实施例中，所述获取不同车辆每个参数对应的突变点，根据不同车辆之间的突变点的特征差异和添加传感器数据后的相关性差异结合第一异常判断因子获取待分析数据的影响差异度的方法为：

将每辆汽车的目标参数对应的悬架参数序列都通过聚类的方式将其划分；

将悬架参数序列划分后 ，存在相邻的悬架数据段，对于任意相邻的悬架数据段 ，两个悬架数据段通过两个数据点相邻 ，分别计算每个数据点与其相邻数据点的数据值的差值绝对值的平均值，将平均值较大的点作为突变点；

突变点的位置指的是突变点对应的实验次数，将不同车辆目标参数对应的突变点匹配，根据待分析序列的突变点与其余车辆在目标参数下的突变点的数量差异和突变点的位置差异获取车辆参考权值；

通过待分析序列的划分结果将其余车辆对应的目标参数的悬架参数序列进行划分；将待分析数据及其不同车辆对应相同次实验的传感器数据分别添加到待分析序列和不同车辆的悬架常数序列的悬架数据段中，通过获取待分析数据的第一异常判断因子的方法获取待分析数据对于每辆车的第二异常判断因子；

将待分析数据对于每辆车的第二异常判断因子与对应的车辆参考权值的乘积的和作为待分析数据在每个车辆下的影响差异度因子，将待分析数据在每个车辆下对应的影响差异度因子和第一异常判断因子的均值作为待分析数据的影响差异度。

在一个实施例中，所述根据通过不同车辆相同参数所采集的传感器数据的稳定性以及不同参数之间的传感器数据的稳定性获取待分析数据的第二异常值的方法为：

对于每个汽车，将其目标参数对应的悬架参数序列通过聚类划分为若干悬架数据段后，每个悬架数据段对应一个聚类簇 ，计算同一个悬架参数序列中聚类簇的簇内差异和簇间差异，将簇内差异和簇间差异的平均值作为每个汽车的目标参数对应的悬架参数序列的变化稳定性参数，将所有汽车的目标参数对应的悬架参数序列的变化稳定性参数的均值作为目标参数的变化稳定性；

对于待分析数据，获取其所在的待分析序列的变化稳定性参数，对于同一辆车，获取其余参数对应的悬架参数序列的变化稳定性参数，将目标参数的变化稳定参数与车辆对应所有参数的变化稳定性参数和的比值作为变化稳定性参考权值；

通过异常检测算法获取待分析序列中待分析数据的异常值 ，并将其线性归一化后记为第一异常值，通过变化稳定性参考权值以及变化稳定性对第一异常值进行修正获取待分析数据的第二异常值。

在一个实施例中，所述根据第二异常值、影响差异度以及相关异常指数获取异常检测第一评价指标的方法为：

根据待分析数据的相关异常指数和影响差异度获取相关异常值，计算待分析数据与所有汽车在同一参数统一实验下的传感器数据的差值绝对值取平均值作为参数序列异常值，令第二异常值、参数序列异常值、相关异常值的乘积归一化后作为异常检测第一评价指标。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图 1 为本申请一个实施例所提供的一种基于人工智能的汽车悬架强度测试方法流程图；图 2 为本申请一个实施例所提供的第一异常判断因子的获取流程图。

具体实施方式

为了更进一步阐述本申请为达成预定发明目的所采取的技术手段及功效， 以下结合附图及较佳实施例，对依据本申请提出的一种基于人工智能的汽车悬架强度测试方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例 ”或“ 另一个实施例 ”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。

一种基于人工智能的汽车悬架强度测试方法实施例：

下面结合附图具体的说明本申请所提供的一种基于人工智能的汽车悬架强度测试方法的具体方案。

请参阅图 1，其示出了本申请一个实施例提供的一种基于人工智能的汽车悬架强度测试方法流程图，该方法包括以下步骤：

步骤 S001，在每辆汽车跌落时采集每个参数每次实验的传感器数据。

本申请通过跌落法对汽车悬架强度进行测试评估，跌落法测试为本领域公知技术，在本申请不做详细赘述。

本申请在汽车上安装不同的传感器，在减震器中安装压力传感器 ，测量减震过程中油液的压力，根据油液压力的变化反应减震性能；在悬架连接点上安装力传感器，直接测量作用在悬架上的力 ，反应悬架承受载荷的能力；在弹簧处安装位移传感器测量弹簧压缩程度，了解悬架工作的物理变化；在转向轮处安装转角传感器 ，用以测量转向轮的角度变化。

由此通过不同传感器可以采集到不同的传感器数据，在本实施例中包括压力、承受力、弹簧压缩程度、角度。

在跌落测试时，本申请选取预设数量个汽车进行测试，每个汽车实验多次。

优选的，在本申请一个实施例中，本实施例选取 10 个汽车进行测试，每个汽车实验 500次。

优选的，在本申请一个实施例中，本实施例选取 20 个汽车进行测试，每个汽车实验 200次。

至此，完成了数据采集。

步骤 S002，根据不同参数对应的所有次实验的传感器数据之间的相关性以及缺少某次实验的传感器数据之间的相关性分析获取每次实验每个传感器数据的相关异常指数。

在汽车悬架参数过程中 ，汽车悬架参数每次实验采集的数据均是用来反映汽车悬架质量的参数，所以这些参数存在一定的相关关系，故可以通过分析各个参数之间的相关关系，以此分析所采集的数据是否出现异常。

将每一类传感器数据记为一个参数 ，而传感器数据为每一个参数在每次实验所采集的一个数据。

对于任意一辆汽车 ，其对应一个参数在所有实验中的传感器数据构成一个序列记为悬架参数序列，对于不同参数 ，计算相对应的悬架参数序列的相关系数。

优选的，本申请一个实施例中，通过皮尔逊相关系数来计算悬架参数序列的相关系数；优选的，本申请一个实施例中，通过斯皮尔曼秩相关系数计算悬架参数序列的相关系数；

将一个参数中对应的任意一个传感器数据作为待分析数据，将待分析数据所在的悬架参数序列记为待分析序列，计算待分析序列与其余每个悬架参数序列的相关系数记为第一相关系数；进一步的， 由于每次实验对应若干个传感器数据，且每个传感器数据分别分布在不同的悬架参数序列中 ，因此将一次实验采集的所有数据记为一个实验集合。

将待分析数据在其相对应的待分析序列删除得到待分析删除序列，之后在其余的悬架参数序列中分别将与待分析数据在同一个实验集合的传感器数据删除记为悬架参数删除序列；计算待分析删除序列与其余每个悬架参数删除序列的相关系数记为第二相关系数。

将待分析数据对应的参数作为目标参数，根据目标参数与每个参数的第一相关因子以及删除待分析数据对应的实验集合后目标参数与每个参数的第二相关因子获取待分析数据的相关异常指数。

将目标参数与每个参数的第一相关因子和第二相关因子的差值绝对值记为待分析数据的单异常指数；待分析数据的相关异常指数与待分析数据的单异常指数呈正相关关系。

优选的，本申请一个实施例中，将目标参数和所有参数获取的待分析数据的单异常指数累加作为待分析数据的相关异常指数。

优选的，本申请一个实施例中，将目标参数和所有参数获取的待分析数据的单异常指数的均值作为待分析数据的相关异常指数。

首先对参数之间对应的悬架参数序列进行分析，反映了两个参数之间的相关系数，后对于每个参数删除相应实验的数据后，再次计算两个参数对应的悬架参数序列的相关系数；这样计算就可以反映出悬架参数序列去掉某次实验后的相关性，且通过多种参数之间的相互印证，精确到对每种参数每次实验数据的异常分析，若存在异常，则删除前后相关系数会变化较大，因此可以通过相关系数之间的差异来反映待分析数据的异常特征。

待分析数据的相关异常指数表征了待分析数据的异常性，该值越大，说明待分析数据为异常数据的可能性越大，该值越小，说明待分析数据为异常数据的可能性越小。该值作为判断待分析数据最基础的异常指标，为最终获取准确的数据异常性奠定基础。

至此，获取了每个待分析数据的相关异常指数。

步骤 S003，将参数对应的传感器数据划分，将划分后的不同参数的传感器数据通过增添相应数据后的相关性差异分析每个传感器数据在不同参数下的第一异常判断因子。

由于不同改进测试样品的汽车悬架，其质量是不一样的，故其在进行测试的过程中，可能出现重复实验到一定次数，汽车悬架某些参数发生突变，进而导致其它参数也发生改变，导致参数与参数之间的相关性发生变化。所以需要对每个参数对应的悬架参数序列中所有传感器数据进行分类，基于分类结果获取数据突变点，基于突变点分析各项参数之间相关性变化，最终基于相关性变化进行分析，从而获取更准确的异常检测结果。

对于待分析序列中的所有传感器数据使用 DBSCAN 算法进行聚类所有传感器数据分为了若干类，将每一类的所有传感器数据作为一个数据段记为悬架数据段。

其中，对于每个传感器数据，将其值与对应实验的次数构成一个二维点，聚类距离为两个二维点的欧氏距离。

需要说明的是，本实施例所用的 DBSCAN 算法的目的仅仅是为了将悬架参数序列划分为多个数据，实施者可以使用其余的方法划分，例如：层次聚类。

将待分析数据所在的悬架数据段记为目标数据段，将待分析数据所在的悬架参数序列划分后，将其余的悬架参数序列划分为相同长度的悬架数据段，计算待分析序列中每个悬架数据段与其余悬架参数序列对应的悬架数据段的相关系数；将待分析数据对应的实验集合中的所有传感器数据加入到相应的悬架数据段中。即对于待分析序列中的每个悬架数据段，将与其余悬架参数序列的悬架数据段的相关系数记为第一段相关系数。

将待分析序列中的每个悬架数据段添加待分析数据后，将其余悬架参数序列的悬架数据段添加实验集合对应的传感器数据，将添加后的悬架数据段之间的相关系数记为第二段相关系数。将第一段相关系数和第二段相关系数之间的差值绝对值作为第一相关性异常因子。

优选的，本申请一个实施例中，存在 A、B、C、D 四个参数，待分析数据为 a，其对应的实验集合为 a、b、c、d，将 A 参数对应的悬架参数序列分段后，将其余参数分成相同的段，获取 a1、b1、c1、d1 四个悬架数据段，并且计算 a1 与其余三个悬架数据段的相关系数作为第一段相关系数，将 a1 段加入数据a，b1 段加入数据b、c1 段加入数据c、d1 段加入数据d；添加后再次计算 a1 与其余三个悬架数据段的相关系数分别作为第二段相关系数。

对于每个悬架数据段，将待分析数据及其实验集合中传感器数据加入，通过加入前后相关系数的变化，表征待分析数据对于每个悬架数据段相关性的影响程度。

对于目标数据段，计算所有传感器数据的第一相关性异常因子，之后计算待分析数据与目标数据段所有传感器数据的第一相关性异常因子的差值绝对值，将待分析数据与所有传感器数据的第一相关性异常因子的差值绝对值的均值作为待分析数据在每个悬架数据段的第二相关性异常因子。

将待分析数据在所有悬架数据段中的第二相关性异常因子的均值作为待分析数据在一个参数下的第一异常判断因子。第一异常判断因子的具体获取流程图如图 2 所示。

其中，第一相关性因子表征了待分析数据加入数据段前后对数据段相关性的影响程度，之后计算了数据段中所有传感器数据对于数据段相关性的影响程度，通过待分析数据对于数据段相关性的影响程度和其余传感器数据对于数据段相关性影响程度的差异分析待分析数据相较于其余传感器数据的异常程度，之后通过所有数据段的异常程度综合获取待分析数据的异常程度。通过将数据放在其余数据段分析相关性有助于让每个数据脱离周围数据对其的影响，增强了异常检测的准确性。

至此，获取了每个待分析数据在每个参数下的第一异常判断因子。

步骤 S004，获取不同车辆每个参数对应的突变点，根据不同车辆之间的突变点的特征差异和添加传感器数据后的相关性差异结合第一异常判断因子获取待分析数据的影响差异度。

将每辆汽车的目标参数对应的悬架参数序列都通过聚类的方式将其划分，并根据划分的结果在每个悬架参数序列中选取突变点。

具体的，将悬架参数序列划分后，存在相邻的悬架数据段，对于任意相邻的悬架数据段，两个悬架数据段通过两个数据点相邻，分别计算每个数据点与其相邻数据点的数据值的差值绝对值的平均值，将平均值较大的点作为突变点。

优选的，本申请一个实施例中，存在，其存在两个数据段分别为：和，其中两个数据段相邻，相邻的两个数据点为 5 和4。

通过上述方法获取了每个车辆在目标参数下的突变点，可以通过计算不同车辆在进行测试过程中突变点位置的差异，从而获取不同车辆所得目标参数的测试差异，并且将所得测试差异度作为不同车辆参考权值，作为通过分析不同车辆之间数据异常的系数。其中突变点的位置指的是突变点对应的实验次数。

通过匈牙利算法对于不同车辆在目标参数下的突变点进行匹配，根据待分析序列的突变点与其余车辆在目标参数下的突变点的数量差异和突变点的位置差异获取车辆参考权值。

优选的，每本申请一个实施例中，将所有突变点与其匹配突变点的位置的差异的累加和作为第一位置差异，将第一位置差异和突变点数量差异的均值作为车辆参考权值。

优选的，每本申请一个实施例中，将所有突变点与其匹配突变点的位置的差异的累加和作为第一位置差异，将第一位置差异和突变点数量差异的乘积作为车辆参考权值。

进一步的，通过待分析序列的划分结果将其余车辆对应的目标参数的悬架参数序列进行划分，划分出的悬架数据段相同，将待分析数据及其不同车辆对应相同次实验的传感器数据分别添加到待分析序列和不同车辆的悬架常数序列的悬架数据段中，通过获取待分析数据的第一异常判断因子的方法获取待分析数据对于每辆车的第二异常判断因子。

将待分析序列与每个车辆的车辆参考权值作为权重，将待分析数据对于每辆车的第二异常判断因子与对应的车辆参考权值的乘积的和作为待分析数据在每个车辆下的影响差异度因子，将待分析数据在每个车辆下对应的影响差异度因子和第一异常判断因子的均值作为待分析数据的影响差异度。

该值通过参考分析状况相近的汽车悬架测试数据序列，从而在所得数据序列状态变化趋势最相近的数据序列段中分析，减少因为整体数据均不相关，而导致的待分析序列中对于其所插入数据的影响程度均为异常数据而导致待分析数据的异常性体现不出来的情况，增加了待分析数据检测准确性以及可靠性。

至此，获取了待分析数据的影响差异度。

步骤 S005，根据通过不同车辆相同参数所采集的传感器数据的稳定性以及不同参数之间的传感器数据的稳定性获取待分析数据的第二异常值。

对于悬架参数序列分析其稳定程度，对于所分析参数可能是一个比较稳定的参数，其在汽车测试实验过程中没有出现较大变化，而对于这样的参数，则更好分析参数对应的悬架参数序列中数据的异常性，故本申请对相同条件下参与测试的汽车悬架所得待分析序列进行分析，获取目标参数的变化稳定性。

同时考虑到，跌落法过程中，其不确定因素过多，可能导致某个汽车悬架的测试的参数与其它测试的参数不同，故还需要分析待分析数据所在待分析序列与其它汽车悬架测试的目标参数的变化稳定性的差异，从而确定基于所得参数变化稳定性分析得到的待分析数据为异常数据可能性的准确性。

具体的，对于每个汽车，将其目标参数对应的悬架参数序列通过聚类划分为若干悬架数据段后，每个悬架数据段对应一个聚类簇，计算同一个悬架参数序列中聚类簇的簇内差异和簇间差异，将簇内差异和簇间差异的平均值作为每个汽车的目标参数对应的悬架参数序列的变化稳定性参数，将所有汽车的目标参数对应的悬架参数序列的变化稳定性参数的均值作为目标参数的变化稳定性。

优选的，在本申请的一个实施例中，聚类簇的簇内差异为聚类簇内所有传感器数据的方差；簇间差异为悬架参数序列中所有聚类簇聚类中心两两之间的欧氏距离的平均值， 即计算任意两个聚类簇聚类中心的欧氏距离，将所有聚类簇两两之间的欧氏距离的均值作为簇间差异。

对于待分析数据，获取其所在的待分析序列的变化稳定性参数，对于同一辆车，获取其余参数对应的悬架参数序列的变化稳定性参数，将目标参数的变化稳定参数与车辆对应所有参数的变化稳定性参数和的比值作为变化稳定性参考权值。

通过异常检测算法获取待分析序列中待分析数据的异常值，并将其线性归一化后记为第一异常值，本实施例所用的异常检测算法为 LOF 算法。

通过变化稳定性参考权值以及变化稳定性对第一异常值进行修正获取待分析数据的第二异常值。

优选的，在本申请的一个实施例中，将待分析数据的第一异常值与其所在待分析序列的变化稳定性参数和变化稳定性参考权值的乘积作为待分析数据的第二异常值。

对待分析数据所在待分析序列的变化稳定性强且变化稳定性参考权值大的序列数据中的待分析数据的第一异常值进行增强， 即在较为稳定的参数序列中，放大参数与其它参数的异常性，反之， 当参数变化稳定性弱，且参数变化稳定性参考权值也弱，则说明当前数据序列进行异常分析所得结果不可靠。

至此，获取了每个待分析数据的第二异常值。

步骤 S006，根据第二异常值、影响差异度以及相关异常指数获取异常检测第一评价指标，并基于异常检测第一评价指标剔除异常数据，将剔除异常后的传感器数据输入神经网络中完成悬架强度测试。

通过上述对于待分析数据的异常特性进行分析，获取待分析数据的异常检测第一评价指标。

具体的，根据待分析数据的相关异常指数和影响差异度获取相关异常值，计算待分析数据与所有汽车在同一参数统一实验下的传感器数据的差值绝对值取平均值作为参数序列异常值，根据第二异常值、相关异常值以及参数序列异常值获取待分析数据的异常检测第一评价指标。

设置异常检测阈值，将异常检测第一评价指标大于等于异常监测值的传感器数据剔除。

优选的，本申请一个实施例中，令第二异常值、参数序列异常值、相关异常值的乘积归一化后作为异常检测第一评价指标，异常检测阈值设置为 0.5。

进一步的，获取每次实验获取的压力、力、位移以及转向角组成的向量构成一个样本，使用人为打标签对所有向量进行打标签，构成标签序列，打的标签即为技术人员根据向量样本获取的汽车悬架强度因子，标记为 0-1，越接近 1 说明汽车悬架质量越好，需要说明的是本申请中以最长长度的样本作为标准对所有样本进行补零填充的预处理，保证所有样本的长度和对应标签序列的长度都是相等的，这样做的目的是为了模型能够提取到汽车悬架质量与实验次数的深度特征，使得模型输出更符合实际情况。

进一步的，将标签序列编码后的样本作为输入，训练长短期记忆神经网络模型；其中，将均方根损失函数、梯度下降法分别作为长短期记忆神经网络模型的损失函数和优化算法，将训练完成后的模型作为汽车悬架强度的预测模型，长短期记忆神经网络模型的训练为公知技术，具体过程不再赘述。

将剔除异常数据后的传感器数据作为汽车悬架强度的预测模型的输入，模型的输出为汽车悬架强度因子。

需要说明的是： 以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。