基于ANFIS的汽車座椅舒適度評價系統建模*

劉　威， 劉　軍， 軒閃閃， 方　銳， 黨雪芒

(1.寧波大學 機械工程與力學學院，浙江 寧波 315211；2.中國汽車技術研究中心，天津 300300)

?

基于ANFIS的汽車座椅舒適度評價系統建模*

劉威1， 劉軍1， 軒閃閃1， 方銳2， 黨雪芒2

(1.寧波大學 機械工程與力學學院，浙江 寧波 315211；2.中國汽車技術研究中心，天津 300300)

由于汽車座椅舒適性評價的主觀性和復雜性，國內外學者多采用主客觀評價相結合的方式構建評價系統。通過改善主觀評價的實驗流程、精選表征座椅的特征參數、調整實際打分等前處理手段，采用自適應神經網絡模糊推理系統 (ANFIS)技術成功建立了關野型(Sugeno)評價系統，實現了座椅的舒適性評級。研究方法可推廣到長時舒適性和動態舒適性的研究上。

汽車座椅； 舒適性評價； 特征參數； 自適應神經網絡模糊推理系統

0　引　言

汽車座椅與駕駛人的接觸面積大、接觸時間長，由座椅不適引起的身體疾病和疲勞很容易釀成交通事故，因此，汽車座椅的舒適性是消費者購車時參照的重要指標，受到了廠商的特別關注。

座椅舒適性的評價具有很強的主觀性，而主觀評價又具有個體差異性、地域性等特點，只單獨憑借主觀評價研究舒適性難以得到期望結果，現階段學者們主要采用主、客觀評價相結合的方式構建評價模型，客觀參數的選擇上多采用人—椅接觸面的壓力分布數據。Inagaki H和Milivojevich A等人在實驗中發現了座椅舒適性與人體壓力分布之間是存在聯系的；徐明提出了表征體壓分布的8項指標[1]；Kolich M引進人工神經網絡技術研究汽車座椅靜態舒適性，并建立了舒適性評價模型[2,3]；國內學者也通過應用神經網絡技術實現了對座椅舒適度水平的預測[4,5]；Levrat E利用模糊集技術建立專家系統對座椅的舒適性完成了主觀評價[6]；Wang R[7]、馮小虎[8]和段群杰等人[9]采用自適應神經網絡模糊推理系統(adaptive network-based fuzzy inference system，ANFIS)改善了各自領域的研究結果。

然而應用人工神經網絡技術研究舒適性時，面臨舒適性規則難以表述、預測精度低等問題，模糊神經網絡技術在很多領域的成功應用激發了作者對座椅舒適性研究的思考。本文在前人研究的基礎上，改善了實驗流程，增加了對實驗細節的把控，并對主觀評分進行統一處理，采用ANFIS技術搭建了座椅舒適性評價系統，實現了座椅的舒適性分級預測。

1　ANFIS

ANFIS是模糊邏輯和神經網絡兩種理論結合的產物，它集成了神經網絡的自學習能力和模糊邏輯的推理能力，實際應用中能較好地模擬輸入輸出的對應關系。模糊控制中較多采用Mamdani推理和Takagi-Sugeno推理，由于Takagi-Sugeno推理具有與網絡自適應技術易結合、計算效率高、易于作數學分析等優點，很多研究人員將其與神經網絡技術結合，構造成模糊神經網絡。

Takagi-Sugeno推理控制規則[10,11]的形式為

(1)

最終輸出則是各條規則輸出的加權平均

(2)

模糊集是傳統集合論的推廣，該集合中包含隸屬于不精確的元素(語言變量和修飾詞)。將隸屬的程序定義為隸屬度函數，通常該函數是一個位于0～1之間的值。這種方法明確地提供了一種用數學模型表達不確定性的方式[12]。高斯函數是應用最廣的隸屬描述之一，能比較好地模擬人的主觀判斷，表達式為

μ(x)=exp[-(x-c)2/σ2]

(3)

式中c和σ分別為高斯模糊集的中心和寬度。圖1為某一特征參數訓練后的隸屬度函數：輸入參數經模糊化處理后分成三個等級，每個等級根據隸屬度大小對應不同的隸屬度函數曲線。

圖1　隸屬度函數曲線Fig 1　Membership function curve

2　特征參數選取和主觀評分處理

客觀評價需要相應的特征參數，特征參數的選擇應當能反映座椅本身的物理特性，如坐墊造型、坐墊材質、坐墊剛度及其分布等[3]。常使用的特征參數包括：1)坐姿角度：軀干角、膝關節角、踝關節角等;2)視野空間：椅面傾角、靠背傾角、座高座深等;3)幾何尺寸和壓力參數：座墊和靠背長度及寬度、接觸面積、接觸壓力、梯度、平均載荷等。

然而評價模型的建立不可能同時使用所有特征參數，這樣會增加計算的難度和工作量，所建模型也會由于過于復雜而失去實際意義；但特征參數太少，則會減少設計自由度，難以得到較好的優化結果，所以，應該在確保優化效果的前提下，盡可能地減少特征參數[12]。

在體壓分布實驗中，如圖2所示，將人—椅接觸面詳細地分成17片區。

圖2　人體分區Fig 2　Human partation

一般主觀評價實驗包括對腰背部和臀腿部舒適性的綜合評價，然而根據實驗過程中被試人的反饋，在短時間體驗過程中，腰背部感覺微妙，難以給出具體打分，而臀部區域的感覺明顯。因此，本文從實際情況出發，決定選取臀部區域的特征參數來表征整椅座墊，作為客觀評價數據。

結合前人研究成果，選擇臀區接觸總面積、臀區壓強峰值、臀區壓強均值、臀區橫向最大梯度、臀區壓力百分比、臀區縱向最大梯度六個特征參數，列舉其表征座椅的物理特性：1)接觸面積反映座墊剛度的大小與造型設計的好壞，好的造型設計應該有較大的接觸面積;2)壓強峰值體現了座墊的剛度，較硬的座墊峰值大，較軟的座墊峰值小;3)對壓強均值影響最大的還是座墊的剛度;4)最大壓力梯度反映座墊的材質分布是否合理以及座墊剛度的大小;5)壓力百分比反映座墊的材質分布和造型設計的合理性。

設上行和下行的彈性系數α=0.3，β=0.2，分別在無突發事件、價格穩定和價格隨機突等多種狀況下，運用Wolfram Mathematic判斷供應鏈的協調狀況，并計算供應鏈各企業的期望收益和最優策略，相關計算結果見表1.

主觀評分共5個項目，含坐骨舒適度、腿部舒適度、坐高舒適度、坐深舒適度、整體舒適度，采用5級評分制，級別依次是較舒適、舒適、輕微不適、不舒適、非常不適，每級含3個打分，即打分范圍是1～15分，15分最好，1分最差。

由于主觀評分的個體性和差異性比較突出，很容易出現個別人打分極小和極大的現象，在樣本量不多的情況下，如果不對打分進行任何處理，會影響最終模型的預測精度。本文對打分進行統一處理，以處理后的得分作為模型的期望輸出數據，具體做法是：1)對5項主觀打分加權調整得到綜合評分；2)求所有人綜合評分的x平均值；3)求每個人綜合評分的平均值yi(i=1,2,3,…)；4)求差值z=yi-x，若z為正值，則將第i個人的每個綜合評分都減去z；若z為負值，則把第i個人的每個綜合評分都加上z，所得的結果計為最終的調整得分。

3　基于體壓分布的座椅舒適性建模

3.1實驗

實驗分15 min靜態體壓分布實驗和主觀評分兩個部分。靜態體壓分布實驗屬于統計實驗[3]，原則上需要安排大量實驗，但統計實驗的成本高，為了節約時間和成本且能很好地反映實際，選取合適的實驗人員較為重要。體質指數(body mass index,BMI)是國際上通用的衡量身材的一個指標，本文中采取BMI和身高相結合的方法選取實驗人員，最終篩選11人參與實驗，BMI分布在17.1～28.2之間，參照BMI中國標準，其中，偏瘦2人，正常7人，超重1人，偏胖1人。

實驗在模擬駕駛平臺上進行，平臺完全按照某實車尺寸設計制造，座椅在平臺上可以自由調節，共選10款轎車車型座椅，涵蓋低、中、高三擋。實驗選用加拿大XENSOR公司開發的壓力分布測試系統。如圖3所示為模擬駕駛平臺及X-SENSOR所測的靜態壓力分布云圖，圖中右側每個方格代表壓力墊上一個傳感器位置，存儲的壓力數據可導出并保存在csv格式的文件中，方便后續處理。

圖3　模擬駕駛平臺與靜態壓力分布圖Fig 3　Driving simulation platform and static pressure profile

實驗準備階段需要讓被試人員建立舒適性概念，具體做法是讓被試人員體驗先前研究中舒適性反映較好和較差的兩把座椅，給出他們兩把座椅的推薦打分范圍；完成后，被試人員在模擬駕駛平臺上調整實驗座椅以使自己保持在舒服姿勢，15 min后采集壓力分布數據；然后被試人員需要根據乘坐體驗對座椅進行打分。

3.2建模

本文選擇高斯函數作為6個輸入變量的隸屬函數，將輸入變量模糊為小、中、大三個等級的隸屬向量，然后利用神經網絡的自學習能力確定高斯函數的具體參數，從而一定程度上消除人為確定隸屬函數的主觀不足性。本文采用Hybrid算法(最小二乘法和梯度下降算法的混合算法)和BP算法混合編程，結果證明，這樣可以有效縮短訓練時間，提高訓練精度和預測精度。

1)輸入數據

2)模型訓練

將輸入數據分成訓練組和測試組，訓練組92組，測試組10組。用編寫好的訓練程序對92組樣本進行學習，首先采用Hybrid算法訓練50次得到初始模型，然后采用BP算法訓練該初始模型6 000次后,訓練精度達到0.000 6。訓練結束后觀察結果，如圖4，可以看出：訓練得分和輸入的調整打分在圖中基本重合，訓練誤差區間為[-2×10-3,1.6×10-3]。

圖4　訓練結果對比和訓練誤差Fig 4　Training results comparison and training error

3)預測結果與分析

搭建模型的最終目的是能很好地實現預測功能，評價所建模型好壞需要檢驗其泛化性，也即檢驗模型是否在學習過程中出現過擬合或欠擬合情況。對測試組的10組數據代入模型進行打分預測，觀察預測結果，如圖5所示，預測誤差區間為[-1.11,1.40]。

圖5　預測結果對比和預測誤差Fig 5　Comparison of predicted results and predicted error

對預測得分四舍五入，取整后，進行相關統計計算如表1所示，其中：

誤差率=|實際得分-預測得分|/實際得分

可以看出：模型預測的平均誤差率是7.35 %，有3個樣本預測值與實際結果相符，其它的差值均是1，轉化成等級劃分時預測結果與主觀評價結果一致，說明模型的預測效果是較為理想的，即通過局部區域特征建立的基于ANFIS的評價系統能夠實現座椅的舒適性評級預測。

表1　誤差率統計

4　結　論

1)本文通過BMI和身高相結合的方法篩選實驗人員，達到了彌補樣本數量上的缺陷的目的。

2)改善了實驗步驟，使得被試人的打分相對合理；并對打分進行統一規則化，一定程度上消除了主觀性和個體差異性的影響。

3)選擇臀區的6個局部特征參數搭建了基于模糊神經網絡的座椅舒適性評價系統，實現了短時座椅舒適性評級預測。

本系統在通過局部特征實現短時舒適性的預測上具有優良的效果，研究方法可推廣到長時舒適性及動態舒適性的研究上。

[1]徐明，夏群生.體壓分布的指標[J].中國機械工程，1997 ,8(1):65-68.

[2]Kolich M.Predicting automobile seat comfort using a neural network[J].International Journal of Industrial Ergonomics，2004(33)：285-293.

[3]Kolich M,Seal N,Taboun S.Automobile seat comfort prediction:Statistical modelvsartificial neural network[J].Applied Ergonomics,2004(35):275-284.

[4]馬佳，范智聲，李飛飛，等.基于人工神經網絡的汽車座椅舒適度評價模型[J].工業工程,2008,11(5):106-109.

[5]馬佳，柯藝杰，蘇強，等.汽車座椅舒適度人工智能評價方法研究[J].機械科學與技術，2011,30(3):419-422.

[6]Levrat E,Voisin A,Bombardier S,et al.Subjective evaluation of car seat comfort with fuzzy techniques[J].International Journal of Intelligent Systems,1997,12(11):891-913.

[7]Wang R,Du H,Zhou F,et al.An adaptive neural fuzzy network clothing comfort evaluation model and application in digital home[J].Multimedia Tools &Applications,2014,71(2):395-410.

[8]馮小虎，朱家海，謝聶，等.基于ANFIS的激光陀螺消噪處理研究[J].傳感器與微系統，2009,28(1):18-21.

[9]段群杰，張銘鈞.一種自適應神經模糊運動規劃器設計[J].傳感器與微系統，2007,26(2):58-60.

[10] 張德豐.Matlab模糊系統設計[M].北京：國防工業出版社，2009:4.

[11] 王士同.模糊系統、模糊神經網絡及應用程序設計[M].上海：上海科學技術文獻出版社，1998:12.

劉軍,通訊作者，E—mail:liujun@nbu.edu.cn。

Modeling of car seat comfort evaluation system based on ANFIS*

LIU Wei1, LIU Jun1, XUAN Shan-shan1, FANG Rui2, DANG Xue-mang2

(1.Faculty of Mechanical Engineering & Mechanics,Ningbo University,Ningbo 315211,China;2.China Automotive Technology & Research Center,Tianjin 300300,China)

Because of subjectivity and complexity of car seat comfort evaluation,scholars construct evaluation system by a combination of subjective and objective evaluation.By some pre-treatment methods such as improving the flow of subjective evaluation experiments,selection of parameters characterizing feature of the seat and adjusting the actual scores,and adaptive fuzzy neural network technology,a Sugeno type evaluation model is successfully established,achieving the ratings of seat comfort.Research method can be extended to the study of long comfort and dynamic comfort.

car seat; comfort evaluation; characteristic parameters; adaptive network-based fuzzy inference system(ANFIS)

2016—06—08

國家自然科學基金資助項目(11372148)

TP 389.1

A

1000—9787(2016)08—0056—04

劉威(1992-),男，河南商丘人，碩士研究生，主要研究方向為汽車座椅舒適性。

DOI:10.13873/J.1000—9787(2016)08—0056—04