基于深度學(xué)習(xí)的座椅抗揮鞭傷性能預(yù)測

張紹偉，朱大煒，翟光照

（1.法國ESI集團上海分公司，上海 200000；2.上汽大眾汽車有限公司產(chǎn)品研發(fā)車身研發(fā)部，上海 200000）

前言

在汽車追尾碰撞事故中，78.2%的損傷發(fā)生在頸部［1］，稱之為揮鞭傷。揮鞭傷易造成頸部的骨骼或軟組織損傷，這種損傷并發(fā)癥多、潛伏期長，有些甚至是不可治愈的永久傷害。正確合理的座椅設(shè)計直接影響到追尾碰撞中乘員的頸部保護效果［2-3］。目前C-NCAP、IIHS、C-IASI、Euro-NCAP等均采用BioRIDII假人來考察乘員頸部傷害。但BioRIDII假人的物理結(jié)構(gòu)導(dǎo)致鞭打?qū)嶒炛貜?fù)性差。目前，現(xiàn)有的仿真方法多用于分析座椅各參數(shù)對座椅抗揮鞭傷性能（下簡稱揮鞭性能或鞭打性能）的影響趨勢分析［4］，并不能在座椅設(shè)計初期對揮鞭性能有較好的預(yù)測。所以，設(shè)計一種穩(wěn)健、良好的驗證方法來保證仿真模型的精確性就顯得尤為重要。

人工智能（artificial intelligence，AI）是計算機科學(xué)領(lǐng)域、涉及自動化智能行為和機器學(xué)習(xí)的方法。有限元分析（FEA）是使用數(shù)值方法對給定的物理現(xiàn)象進行仿真，以獲得由偏微分方程控制的一組問題的近似解決方案。在機器學(xué)習(xí)領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)用于映射某些輸入和輸出變量之間的相互關(guān)系和依存關(guān)系。本文中利用CAE仿真結(jié)合深度學(xué)習(xí)算法，建立了一種長短期記憶（long short-term memory，LSTM）網(wǎng)絡(luò)模型來預(yù)測假人響應(yīng)曲線，通過該方法可以快速獲得改變變量后假人的響應(yīng)曲線，為快速查看假人傷害響應(yīng)提供了一種有效的方法。

1 C-NCAP鞭打?qū)嶒炘u分規(guī)則

C-NCAP2018規(guī)則對于鞭打試驗的考核只針對前排駕駛員座椅，總分5分［5］；而C-NCAP2021規(guī)則增加了后排座椅的鞭打性能考核［6］，其評價指標與駕駛員座椅鞭打試驗相同，將結(jié)果乘以0.4，作為第二排座椅鞭打試驗最終得分。新規(guī)則中，鞭打試驗總成績?yōu)?分（駕駛員座椅5分，第二排座椅2分），在總分5分制的規(guī)則下，假人各部分的傷害值評價細則如表1所示［6］。

表1 鞭打?qū)嶒灴傮w評分準則

其中，NIC（neck injury criteria）是評價揮鞭傷的重要指標。NIC的計算方法綜合考慮了假人頭部加速度和胸部T1加速度，NIC的計算公式［5-6］為

其中

NIC在一定程度上反映了座椅頭枕與座椅靠背向后移動的同步運動程度，座椅頭枕與座椅靠背的同步程度越高，對假人的頸部拉伸作用就越小，假人上頸部與下頸部的受力也就越小，反之亦然。

假人頭部X向加速度與胸部T1加速度的時間歷程如圖1所示，提高NIC可以通過降低圖1中所示的灰色區(qū)域的面積來實現(xiàn)，主要的實現(xiàn)方法有兩種。

（1）將假人與頭枕的接觸時間提前，主要依靠兩種方式來實現(xiàn)：

①在設(shè)計上，盡可能減小假人頭部與座椅頭枕間隙（backset）；

②采用主動式頭枕，在發(fā)生碰撞初始，通過頭枕主動式前移，減少假人頭部與座椅頭枕間隙。

（2）將假人胸部T1椎骨與座椅靠背的接觸時間后移，主要依靠兩種方式來實現(xiàn)：

①大幅減少靠背剛度，使假人能較快陷入座椅之中；

②采用可活動式靠背［7-8］，在假人向后運動的同時，座椅靠背在保持頭枕位置相對不變的情況下，下沉或后陷。

一般情況下，提高鞭打成績的優(yōu)化方案與座椅舒適性、頭枕靜態(tài)打擊等相關(guān)要求相矛盾，為能夠在座椅設(shè)計初期階段就考慮揮鞭傷性能，須對可能影響揮鞭傷性能的所有因素進行考慮，但多因子分析須進行多輪實驗，整個過程周期長、費用高。因此，如何在設(shè)計初期，尚無物理實驗條件的情況下快速而精準地預(yù)測鞭打性能，顯得尤為重要。

2 座椅零部件物理實驗與仿真對標

為能夠在設(shè)計初期就了解座椅的鞭打性能，傳統(tǒng)方法是對鞭打現(xiàn)象進行有限元仿真，指導(dǎo)設(shè)計開發(fā)。后期通過物理實驗對基于仿真的設(shè)計進行驗證。在此過程中，核心工作就是保證仿真響應(yīng)與物理實驗響應(yīng)盡量一致。

2.1 座椅零部件實驗

座椅鞭打是一個具有高度敏感性的非線性系統(tǒng)，座椅骨架、發(fā)泡、面套、頭枕桿、頭枕等多個設(shè)計因素對鞭打結(jié)果有直接影響，因此須對整個座椅模型進行精細化建模，并通過一系列的材料級、零部件級、分總成級對座椅仿真模型進行標定。在確保仿真模型精度的情況下，采用標定后的仿真模型對影響鞭打性能的因素進行分析，找出這些因素對汽車座椅揮鞭傷的影響程度，以便在座椅開發(fā)過程中對這些因素進行優(yōu)化［3］。

本文中以上汽大眾某平臺座椅作為研究對象，對人與座椅相互作用的重點接觸區(qū)域，例如頭枕與靠背，取樣同一批產(chǎn)線樣件，分別進行材料級、零部件級、分總成級和整椅級的一系列實驗，部分實驗設(shè)置如圖2所示。

2.2 曲線相似度評價方法

采用Cora等級方法評價兩條曲線之間的區(qū)別。Cora等級方法是一個計算兩個非模糊信號（如時間歷程曲線）之間相關(guān)性水平的軟件［9］。利用在目標曲線以外生成兩個通道并形成3個區(qū)域的方法來計算偏差，并將評價結(jié)果歸一化至"0"和"1"之間，具體取決于用戶自定義的匹配質(zhì)量。其中，"1"代表評價曲線完全位于內(nèi)通道內(nèi)，即在定義的容差范圍內(nèi)100%匹配，"0"代表曲線位于外通道以外，即在定義的容差范圍內(nèi)0%匹配，中間部分線性插值［9］，如圖3所示。

2.3 座椅零部件仿真對標

為保證實驗的一致性，并驗證實驗的重復(fù)性，材料級實驗分別重復(fù)5次，分總成級至少重復(fù)3次。同時，分別建立了相同實驗設(shè)置的仿真模型，結(jié)合實驗結(jié)果，對仿真模型進行標定，材料與零部件實驗的矩陣及其仿真與實驗的Cora等級對比如表2所示。

表2 材料、零部件實驗矩陣及其對標情況

其中分總成級實驗中的座椅整體骨架剛度、腰托剛度、頭枕動態(tài)打擊的仿真與實驗結(jié)果對比如圖4所示。整體Cora等級大于98%，由此可以看出，仿真模型能夠較好地表征物理樣件的真實性能。

3 整椅鞭打?qū)嶒炁c仿真標定

鞭打系統(tǒng)仿真預(yù)測工作涉及到有限元假人的精度、座椅模型的精度和假人與座椅的交互響應(yīng)，傳統(tǒng)的實驗與仿真對標方法是將仿真假人與座椅的位置調(diào)整到與實驗設(shè)置一致的情況，并對座椅的相關(guān)材料屬性等進行微調(diào)來達到實驗與仿真假人的動態(tài)響應(yīng)趨勢吻合［10］，這種對標方式是基于物理假人與仿真假人100%一致的情況下進行的，忽略了物理假人與仿真假人本身的不同。本文中基于第2節(jié)對標良好的整椅模型與上汽大眾鞭打仿真“最佳實踐”方法，建立了如圖5所示的鞭打仿真模型進行整椅級別的仿真對標。

對標完成后的實驗與仿真結(jié)果一致性非常高，假人傷害相關(guān)通道的實驗與仿真對比Cora等級評價如圖6所示。

假人頭部加速度曲線、胸部T1平均加速度曲線和NIC曲線如圖7所示。由圖可見，仿真預(yù)測結(jié)果與實驗結(jié)果吻合良好，其中頭部加速度曲線的Cora等級達到了0.974。

至此，已經(jīng)得到一個仿真精度良好的整椅計算模型，將作為下一步深度學(xué)習(xí)生成數(shù)據(jù)的基礎(chǔ)。根據(jù)深度學(xué)習(xí)方法的特點，必須選取一些對于揮鞭傷結(jié)果有重要影響的因素，同時為使數(shù)據(jù)集生成過程更高效，也有必要對此步驟進行流程化開發(fā)。

4 獲取深度學(xué)習(xí)所需的關(guān)鍵數(shù)據(jù)

4.1 影響鞭打的關(guān)鍵因素

如前文所述，影響座椅鞭打成績的因素有很多，陳長亮等［3］對靠背剛度、頭枕剛度等進行了研究。任海波等［11］研究了座椅面套與假人的摩擦因數(shù)對座椅防揮鞭性能的影響。李永攀等［12］對面套鋼絲、防異響無紡布、靠背骨架彈簧等進行研究。周澤斌等［13］通過改進頭枕的結(jié)構(gòu)并優(yōu)化頭枕強度和發(fā)泡厚度等措施，來提高座椅的防揮鞭傷性能。王晉等［14］對假人的坐姿、座椅的試驗狀態(tài)（坐墊高度調(diào)節(jié)裝置）和座椅發(fā)泡蒙皮的光滑程度等進行研究。寧成業(yè)等［15］通過調(diào)整座椅頭枕頭后間隙和座椅靠背骨架焊接的方式提升座椅整體剛度，改進了鞭打性能。

雖然國內(nèi)外學(xué)者對座椅鞭打做了大量研究，但都基于某個或某幾個關(guān)鍵因素進行，整椅的鞭打性能與各因素相關(guān)性很大，所以有必要嘗試同時對所有的關(guān)鍵因素進行研究。本文中基于上汽大眾某平臺座椅項目經(jīng)驗與各學(xué)者的研究，盡可能考慮所有影響因素，探尋各影響因素之間的相關(guān)性以及與假人傷害值之間的關(guān)系，并將所得到的對應(yīng)關(guān)系作為下一步深度學(xué)習(xí)的基礎(chǔ)數(shù)據(jù)，具體的影響因素如表3所示。

表3 影響鞭打的關(guān)鍵因素

4.2 分析流程自動化

考慮到同時計算所有影響因素，數(shù)據(jù)樣本非常龐大，數(shù)據(jù)準備過程與處理生成過程冗繁，因此，須對整個數(shù)據(jù)準備過程自動化，把標定良好的鞭打模型作為基礎(chǔ)模型，并將所有的變量通過PAMCRASH的PYVAR關(guān)鍵字設(shè)置為變量，賦予每個變量一定的變動范圍，利用Python建立自動化腳本實現(xiàn)自動化因子更改、自動化和HPC（高性能計算機）交互。另外有：

（1）假人位置的改變會導(dǎo)致假人與座椅泡沫之間產(chǎn)生干涉，同時引起假人與安全帶不匹配，因此須對座椅泡沫重新壓縮，安全帶重新進行纏繞。這整個過程也需要自動化，因此開發(fā)了針對假人定位、座椅調(diào)節(jié)、座椅泡沫自動壓縮、替換、安全帶自動纏繞的程序，并應(yīng)用于本項研究，程序界面如圖8所示。

（2）傳統(tǒng)的商用后處理軟件一般僅能同時承載5～10個大型計算結(jié)果文件，因此整個計算結(jié)果的后處理應(yīng)不依賴于商用后處理軟件。為此，利用Python重新編程，對PAMCRASH計算后的二進制結(jié)果文件.erfh5進行快速讀取、分類、統(tǒng)計和呈現(xiàn)。最終，實現(xiàn)了大量計算結(jié)果的快速自動化處理，極大提高了效率。整個自動化流程如圖9所示。

5 深度學(xué)習(xí)工作流程

5.1 訓(xùn)練數(shù)據(jù)準備

將表3中影響揮鞭傷的關(guān)鍵因素A～M按照其允許的最大波動范圍建立全因子輸入?yún)?shù)集，并利用碰撞分析有限元軟件Pamcrash進行仿真，共完成15 000次仿真，獲得了輸入數(shù)據(jù)集。

按照機器學(xué)習(xí)的術(shù)語，將影響揮鞭傷的關(guān)鍵因素A～M稱之為特征值，由于各特征值之間存在量綱差異，為消除這種單位以及尺度差異等的影響，需要對每個特征值進行歸一化［16-17］。

本文中采用標準差方法作為歸一化方法：

式中xˉ和σ分別為對應(yīng)傷害值的均值和標準差。歸一化后的特征將分布在［-1，1］區(qū)間且服從正態(tài)分布。

雖然每個變量都提供了一定信息，但變量太多增加了計算的復(fù)雜性，也給合理性分析和解釋帶來困難，每個變量所提供的信息在一定程度上有所重疊，因此須設(shè)法將原來變量重新組合成一組相互無關(guān)的新綜合變量，進行維度降低，同時根據(jù)實際需要，從中選出盡量少的變量盡可能多地表達原來變量的信息，本文中利用主成分分析法進行數(shù)據(jù)降維，將降維后的數(shù)據(jù)作為全新的數(shù)據(jù)樣本，用于深度學(xué)習(xí)的模型訓(xùn)練，整個方法流程如圖10所示。

5.2 模型訓(xùn)練

BioRIDII假人傷害響應(yīng)是假人向后運動過程中與座椅接觸，假人頭部與座椅頭枕碰撞以及座椅變形過程中（0.1 s內(nèi)）采集到的假人體內(nèi)若干部位的傳感器信號，其響應(yīng)曲線是時間序列的增量。較為傳統(tǒng)的方式是可以使用前饋神經(jīng)網(wǎng)絡(luò)（feedforward neural network，F(xiàn)FNN）來表示整個過程假人的響應(yīng)，但這個過程需要大量的FFNN以及一些不確定變量，另外，傳統(tǒng)的FFNN方法無法表征響應(yīng)對于時間的依賴性［17-18］。

循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）是一種可以預(yù)測數(shù)據(jù)序列（如時間序列）的體系結(jié)構(gòu)。與前饋神經(jīng)網(wǎng)絡(luò)不同，RNN使用序列中先前評估的信息預(yù)測下一個值。本文采用一種特殊的RNN結(jié)構(gòu)，即LSTM網(wǎng)絡(luò)。圖11示出該神經(jīng)網(wǎng)絡(luò)的主要架構(gòu)。通過LSTM與FFNN的結(jié)合來預(yù)測假人響應(yīng)，同時解決整個響應(yīng)過程中對時間的依賴問題［19-21］。模型由開源的Python深度學(xué)習(xí)框架PyTorch進行訓(xùn)練［22］。

輸入數(shù)據(jù)集被隨機分為兩部分，75%作為訓(xùn)練數(shù)據(jù)集，25%作為測試數(shù)據(jù)集，用于評估“訓(xùn)練后的”人工神經(jīng)網(wǎng)絡(luò)的泛化能力。

模型采用Adam優(yōu)化器［22］，初始學(xué)習(xí)率為0.001，激活函數(shù)采用tanh函數(shù)，具體的模型架構(gòu)如表4所示。

表4 LSTM-FFNN模型架構(gòu)

同時，使用均方誤差（MSE）函數(shù)度量模型性能：

當ypredict=ytest時，誤差降為0，同時計算每條曲線的均方誤差（MSE），訓(xùn)練集與測試集的均方誤差變化過程如圖12所示。

5.3 模型預(yù)測

為進一步驗證訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)的泛化能力，重新生成了30個全新數(shù)據(jù)集，新數(shù)據(jù)集與原訓(xùn)練數(shù)據(jù)集及測試數(shù)據(jù)集無交叉。為此自由組合不同的變種，同時利用PAMCRASH計算出每個變種的假人傷害值曲線，并利用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型對假人的傷害曲線進行預(yù)測，再對經(jīng)過計算的假人傷害值曲線與預(yù)測的假人傷害值曲線進行對比，其中一組特征值的對比結(jié)果如圖13所示。預(yù)測曲線在很大程度上表征了仿真曲線的峰值與脈寬，能夠較好地反映假人響應(yīng)。

6 總結(jié)與展望

汽車座椅是一個涉及金屬和多種軟質(zhì)材料的復(fù)雜系統(tǒng)，尤其在揮鞭傷工況中，各種影響因素交織在一起形成了最終的假人傷害響應(yīng)。基于傳統(tǒng)的有限元法，如未分層次對其中的各因素進行對標，仿真預(yù)測效果會非常一般。本文提出了一系列材料級、零部件級、子系統(tǒng)級和整椅級的實驗方法，通過這些實驗與仿真的對標，獲得仿真精度較高的計算模型。然后，從眾多影響因素中選取若干關(guān)鍵因素，通過自動化的CAE分析流程獲得大量數(shù)據(jù)集，借助于深度學(xué)習(xí)技術(shù)長短期記憶網(wǎng)絡(luò)構(gòu)建了一種可以快速預(yù)測響應(yīng)值，即假人傷害曲線的神經(jīng)網(wǎng)絡(luò)架構(gòu)，可以快速地預(yù)測假人在不同設(shè)計變量下的響應(yīng)，使工程師在更改設(shè)計變量的同時，即刻預(yù)測假人響應(yīng)。由于不必再進行時間冗長的CAE計算，所以這種快速獲得響應(yīng)的優(yōu)勢可以幫助工程技術(shù)人員在較短的時間內(nèi)獲得最優(yōu)解，有效地提高了開發(fā)效率。

目前該方法還在進一步拓展之中，在預(yù)測假人時間歷程響應(yīng)的同時，同步獲得座椅與假人隨時間變化的變形情況，將是后續(xù)研究的重點之一。