1.一种基于深度学习的汽车结构受力异常分析方法，其特征在于，包括以下步骤：步骤S1：获取汽车结构设计数据；其中汽车结构设计数据包括：车身、底盘、车门、引擎舱部件的设计参数和几何信息；对汽车结构设计数据进行三维汽车结构模型构建，得到三维汽车结构模型；

步骤S2：根据三维汽车结构模型进行连接点受力承载分析，得到连接点受力承载数据；

根据连接点受力承载数据进行汽车结构受力分布模拟，得到结构受力分布模拟数据；根据结构受力分布模拟数据对连接点受力承载数据进行不同连接点受力数值分量分析，得到连接点受力数值分量数据；其中，步骤S2包括：步骤S21：根据三维汽车结构模型进行结构连接单元分析，得到结构连接单元数据；对结构连接单元数据进行结构连接点提取，得到结构连接点数据；

步骤S22：根据三维汽车结构模型对结构连接点数据进行连接点受力承载分析，得到连接点受力承载数据；

步骤S23：根据三维汽车结构模型以及连接点受力承载数据进行汽车结构受力分布模拟，得到结构受力分布模拟数据；其中，步骤S23包括：步骤S231：对连接点受力承载数据进行受力扩散方位分析，得到连接点受力扩散方位数据；根据连接点受力扩散方位数据以及连接点受力承载数据进行结构断面应力分析，得到结构断面应力数据；

步骤S232：根据三维汽车结构模型以及结构断面应力数据进行汽车结构受力模拟，得到结构受力模拟数据；根据汽车结构受力模拟数据对结构断面应力数据进行局部结构受力变化分析，得到局部结构受力变化数据；

步骤S233：根据局部结构受力变化数据对连接点受力扩散方位数据进行瞬时受力扩散拓扑结构分析，得到瞬时受力扩散拓扑结构数据；

步骤S234：根据结构受力模拟数据以及瞬时受力扩散拓扑结构数据进行汽车结构受力分布模拟，得到结构受力分布模拟数据；

步骤S24：根据结构受力分布模拟数据对连接点受力承载数据进行不同连接点受力数值分量分析，得到连接点受力数值分量数据；

步骤S3：根据连接点受力数值分量数据进行汽车结构冲撞形变仿真，得到结构冲撞形变仿真数据；根据结构冲撞形变仿真数据进行车身结构异常形变角度识别，得到车身结构异常形变角度数据；对车身结构异常形变角度数据进行形变角度威胁度计算，得到形变角度威胁度数据；基于多层感知器对形变角度威胁度数据进行车身异常结构分析模型构建，得到车身异常结构分析模型；

步骤S4：基于车身异常结构分析模型进行汽车结构受力异常分析，得到汽车结构受力异常数据；根据汽车结构受力异常数据进行汽车结构受力优化调整，得到汽车结构受力优化调整数据。

2.根据权利要求1所述的基于深度学习的汽车结构受力异常分析方法，其特征在于，步骤S1包括以下步骤：步骤S11：获取汽车结构设计数据；其中汽车结构设计数据包括：车身、底盘、车门、引擎舱部件的设计参数和几何信息；

步骤S12：对汽车结构设计数据进行结构网格划分，得到汽车结构网格化数据；

步骤S13：根据汽车结构网格化数据对汽车结构设计数据进行三维汽车结构模型构建，得到三维汽车结构模型。

3.根据权利要求2所述的基于深度学习的汽车结构受力异常分析方法，其特征在于，步骤S24包括以下步骤：步骤S241：根据结构碰撞受力分布模拟数据对连接点受力承载数据进行不同连接点受力分布数据提取，得到连接点受力分布数据；

步骤S242：根据连接点受力分布数据进行连接点受力向量分析，得到连接点受力向量；

对连接点受力向量进行分解力计算，得到连接点分解力数据；

步骤S243：对连接点分解力数据进行相邻连接点分解力方差计算，得到相邻连接点分解力方差值；根据相邻连接点分解力方差值对连接点分解力数据进行非均匀性方差分解力数据采样，得到非均匀性方差分解力采样数据；

步骤S244：根据非均匀性方差分解力采样数据进行非均匀性数值逼近处理，得到非均匀性分解力数值逼近数据；

步骤S245：对非均匀性分解力数值逼近数据进行阶数限定分段线性插值处理，得到分解力阶数限定插值数据；

步骤S246：根据非均匀性分解力数值逼近数据以及分解力阶数限定插值数据对连接点分解力数据进行不同连接点受力数值分量分析，得到连接点受力数值分量数据。

4.根据权利要求3所述的基于深度学习的汽车结构受力异常分析方法，其特征在于，对非均匀性分解力数值逼近数据进行阶数限定分段线性插值处理包括以下步骤：对非均匀性分解力数值逼近数据进行局部特征聚类分析，得到分解力局部聚类数据；

根据分解力局部聚类数据对非均匀性分解力数值逼近数据进行数据聚类划分，得到分解力数值逼近聚类划分数据；

基于分解力数值逼近聚类划分数据进行不同数据类别的阶数匹配限定，得到阶数匹配限定数据；

根据阶数匹配限定数据对非均匀性分解力数值逼近数据进行阶数限定分段线性插值处理，得到分解力阶数限定插值数据。

5.根据权利要求4所述的基于深度学习的汽车结构受力异常分析方法，其特征在于，步骤S3包括以下步骤：步骤S31：根据连接点受力数值分量数据、结构碰撞受力分布模拟数据以及连接点受力承载数据进行汽车结构冲撞形变仿真，得到结构冲撞形变仿真数据；

步骤S32：对结构冲撞形变仿真数据进行形变时序分析，得到结构冲撞形变时序数据；

对结构冲撞形变时序数据进行时序形变角度分析，得到结构冲撞时序形变角度数据；

步骤S33：根据结构冲撞时序形变角度数据以及结构碰撞受力分布模拟数据进行车身结构异常形变角度识别，得到车身结构异常形变角度数据；

步骤S34：利用形变结构角度威胁度算法对车身结构异常形变角度数据进行形变角度威胁度计算，得到形变角度威胁度数据；

步骤S35：基于多层感知器对形变角度威胁度数据以及车身结构异常形变角度数据进行车身异常结构分析模型构建，得到车身异常结构分析模型。

6.根据权利要求5所述的基于深度学习的汽车结构受力异常分析方法，其特征在于，步骤S33包括以下步骤：步骤S331：基于结构冲撞时序形变角度数据进行冲撞能量时序变化评估，得到冲撞能量时序变化数据；根据冲撞能量时序变化数据对结构碰撞受力分布模拟数据进行能量分布模拟，得到冲撞能量结构分布数据；

步骤S332：基于结构碰撞受力分布模拟数据进行车身结构脆弱区域分析，得到车身结构脆弱区域数据；根据冲撞能量结构分布数据对车身结构脆弱区域数据进行车身结构错位模拟，得到车身结构错位模拟数据；

步骤S333：对车身结构错位模拟数据进行几何冲撞交错影响分析，得到几何冲撞交错影响数据；根据几何冲撞交错影响数据对车身结构错位模拟数据进行车身结构塌陷方位模拟，得到车身结构塌陷方位模拟数据；

步骤S334：对车身结构塌陷方位模拟数据进行车身座位塌陷方位概率计算，得到车身座位塌陷方位概率数据；根据车身结构塌陷方位模拟数据以及车身座位塌陷方位概率数据进行车身结构异常形变角度识别，得到车身结构异常形变角度数据。

7.根据权利要求6所述的基于深度学习的汽车结构受力异常分析方法，其特征在于，步骤S34中的形变结构角度威胁度算法如下所示：；

式中，表示形变角度威胁度的结果值，表示需要计算的角度数量值，表示为索引，表示为结构中的第 个角度值，表示异常形变角度与驾驶位的相位位置， 表示异常形变角度的整体角度差值， 表示车身结构整体强度系数，表示自然常数，表示车身结构的材料弹性模量， 表示形变结构角度威胁度算法的误差修正值。

8.一种基于深度学习的汽车结构受力异常分析系统，用于执行如权利要求7所述的基于深度学习的汽车结构受力异常分析方法，其特征在于，该基于深度学习的汽车结构受力异常分析系统包括：三维汽车结构模型构建模块，用于获取汽车结构设计数据；对汽车结构设计数据进行三维汽车结构模型构建，得到三维汽车结构模型；

连接点受力数值分量分析模块，用于根据三维汽车结构模型进行连接点受力承载分析，得到连接点受力承载数据；根据连接点受力承载数据进行汽车结构碰撞受力分布模拟，得到结构碰撞受力分布模拟数据；根据结构碰撞受力分布模拟数据对连接点受力承载数据进行不同连接点受力数值分量分析，得到连接点受力数值分量数据；

车身异常结构分析模型构建模块，用于根据连接点受力数值分量数据进行汽车结构冲撞形变仿真，得到结构冲撞形变仿真数据；根据结构冲撞形变仿真数据进行车身结构异常形变角度识别，得到车身结构异常形变角度数据；对车身结构异常形变角度数据进行形变角度威胁度计算，得到形变角度威胁度数据；基于多层感知器对形变角度威胁度数据进行车身异常结构分析模型构建，得到车身异常结构分析模型；

汽车结构受力优化调整模块，用于基于车身异常结构分析模型进行汽车结构受力异常分析，得到汽车结构受力异常数据；根据汽车结构受力异常数据进行汽车结构受力优化调整，得到汽车结构受力优化调整数据。