基于模糊神經網絡的汽車變速桿操縱舒適性評價

劉明周　阿地蘭木?斯塔洪　扈　靜　張　淼　錢佩倫

合肥工業大學,合肥,230009

?

基于模糊神經網絡的汽車變速桿操縱舒適性評價

劉明周阿地蘭木?斯塔洪扈靜張淼錢佩倫

合肥工業大學,合肥,230009

針對目前汽車變速桿操縱舒適性評價方法的不足，提出一種基于模糊神經網絡的汽車變速桿操縱舒適性評價方法，通過模糊神經網絡對實驗測得的操縱舒適性特征參數和主觀舒適度評價構成的樣本進行學習和訓練，建立汽車變速桿操縱舒適性評價系統。試驗結果驗證了該方法的可行性和合理性。

汽車變速桿；操縱舒適性；模糊神經網絡；評價系統

0　引言

近年來，隨著人機工程學的快速發展和在各個領域的廣泛應用，人機系統操縱舒適性研究越來越受到國內外研究者的重視[1]。汽車變速桿作為一個典型的人機操縱系統，是指駕駛者在一定時間內在施加操縱力于變速桿并改變其運動狀態的過程中，系統所反饋出的適應駕駛者身體結構及生理心理特點的程度和使駕駛者能夠安全、健康、高效工作的能力[2-3]。變速桿操縱舒適性受諸多因素的影響，包括操縱過程中操縱者的身體、心理狀態以及周圍的環境，操縱過程產生的操縱力、操縱位移、角度等因素。目前，變速桿操縱舒適性的評價多采用以駕駛員主觀滿意度為衡量標準的主觀評價方法[4]。該方法受個人主觀因素的影響較大，而且難以建立評價結果與操縱舒適性特征參數之間的聯系，不便實施汽車變速桿結構的優化設計。另外，常用的汽車變速桿操縱舒適性評價系統建模方法有回歸分析擬合法、灰色理論模型、神經網絡法、模糊神經網絡法等。由于主觀評價與客觀評價之間的非線性關系，故難以用回歸分析擬合法來建模；灰色理論模型過多依賴評價指標的經驗范圍；神經網絡法在語言信息的處理上存在不足，知識表達相對困難，網絡規則的映射不可見且非常難以理解；模糊神經網絡則具備了模糊系統語言信息處理的特點和神經網絡的學習機制，能夠彌補各自的優點。

針對上述情況，本文首先將模糊理論和神經網絡相結合，提出一種基于模糊神經網絡的汽車變速桿操縱舒適性客觀評價方法，通過分析變速桿操縱過程，確定影響變速桿操縱舒適性的操縱舒適性特征參數，同時采用主觀評價法對各變速桿操縱舒適性進行評價；然后通過模糊神經網絡建立起操縱舒適性特征參數到操縱者主觀舒適性評價之間的非線性映射關系，從而保留了專家經驗和知識；最后，建立了基于模糊神經網絡的汽車變速桿操縱舒適性評價系統，實現了對變速桿操縱舒適性快速、準確的評價。

1　操縱舒適性評價指標參數

變速桿操縱舒適性是汽車駕駛舒適性的重要組成部分。汽車變速桿操縱過程中，操縱力是最能直接反映人機系統操縱舒適性的輸入因素，也是改變整個系統運行狀態的驅動因素。力變率和力-行程剛度不僅受操縱機構載荷和阻尼特性的影響，同時又受操縱速度和發力特征的影響，提取這兩項指標能夠將操縱者的行為差異考慮在內。異態輸出特征值也是直接影響操縱順利與否的重要因素。因此，本文選取操縱力、力變率、力-行程剛度、異態輸出特征作為評價指標，它們分別是從操縱過程中操縱力與時間、操縱力與行程的數據及其曲線提取出的操縱舒適性特征參數。

1.1操縱力

根據人體活動過程中的生物力學特性可知，不同作用力條件下人體所消耗的能量不同，感受到的疲勞程度和舒適感不盡相同。手握變速桿時，施力和使手柄轉動都是依靠手的屈肌和伸肌動作共同完成的。隨著操縱時間的增長，肌肉持續緊張，就會出現抖動，負荷越大，越易抖動，這就是靜態疲勞的外表現象。靜態施力狀態下，肌肉供血受阻的程度與肌肉收縮產生的力成正比，施力的大小不能超過最大肌力的60%，否則肌肉血液輸送幾乎會中斷[5]。因此，為使靜態施力能保持一段時間且不致人體疲勞，最好使靜態施力的大小低于最大肌力的15%，所以操縱過程中的操縱力不宜大于最大肌力[6]。任何一個操縱裝置，都有其最舒適的操縱力范圍，若操縱力過大或過小，就會引起操縱者身體、心理上的疲勞和不舒適感[7]。綜上所述，變速桿操縱過程中的操縱力大小會影響人體的操縱舒適性。本文采取操縱過程中某一時間段的平均作用力f作為變速桿操縱力。1.2力變率

在實際操作過程中，當操縱者承受穩定的恒力作用時并不會感到不舒適，但當這個力突然改變時，人體將感到強烈的不舒適甚至是疼痛。這表明力的變化情況即力變率對操縱舒適性有很大的影響。

力變率指的是變速桿操縱過程中操縱力對時間的變化率。它是與急動度所對應的新的動力學量，反映了操縱過程中操縱力大小變化的快慢[8]。一般來說，力變率越大，人體在操縱過程中感受到的沖擊力越大，操縱者就更容易感覺疲勞和不舒適。因此，在汽車變速桿操縱過程中，力變率越小，則變速桿的操縱舒適性越好。本文以v表示力變率，其最大值的數學表達式為vmax=dF/dt。

1.3力-行程剛度

汽車變速桿操縱過程是個典型的人機相互作用的過程，按照系統有無反饋控制環節，將人機系統分為閉環人機系統和開環人機系統兩大類。由于汽車操縱過程由操縱者來觀察和控制系統的輸入、輸出信息，因此本文將變速桿操縱過程視為閉環人機系統來進行研究。系統中操縱者通過對變速桿的主動操縱來控制其操縱行程，從而達到對汽車操縱控制的目的。另一方面，操縱者也須感知及接受變速桿的反饋——變速桿操縱行程的感知，對汽車狀態作出判斷并進行相應的調整。變速桿換擋操縱過程中，操縱力隨行程的變化速率定義為力-行程剛度[9-10]。一般來說，操縱力與位移多呈線性關系或者是近似線性關系，根據操縱過程中力-行程剛度的特點和線性度的定義，本文用力-行程剛度的線性度大小作為衡量變速桿操縱舒適性的指標，線性度越小，操縱舒適性越好。本文以μ表示力-行程剛度，其最大值的數學表達式為μmax=dF/ds。

1.4異態輸出特征

異態輸出特征是用來描述操縱過程中的異常情況的物理量，如操縱力-時間、操縱力-行程曲線上的異常點數、曲線峰值個數等特征。變速桿操縱過程中這些特征參量的突變或是異常狀況，會直接影響操縱者的正常操縱情況，導致操縱不順利甚至中斷，進而會影響到操縱者的身體、心理狀態，使得操縱者感到不舒適。因此，將異態輸出特征作為評價操縱舒適性的指標。

本文以wi表示操縱過程中的異態輸出特征，根據統計學中用來濾除異常數據的格拉布斯準則，同時結合聚類分析方法對異常數據進行分類，在此基礎上，以操縱力F、行程s和時間t為基本參數建立各不同異態輸出特征的數學模型[11-12]：

2　主觀評價方法

變速桿操縱舒適性的主觀評價是操縱者根據不同的駕駛任務操縱變速桿時，依據操縱過程中的舒適感覺對變速桿進行評價，即操縱者對變速桿的操縱舒適性所進行的評價。操縱舒適性的主觀測評，本文采用傳統的心理學量表——李克特量表(Likert scale)，建立7點量表[13]。7點量表將心理連續量分成7個等級，用一條四等分線段表示感覺的方向和變化強度，采用0～7分的形式來計分，如圖1所示。

圖1　操縱舒適性主觀評價量表

圖1中，線段右端代表了較高的舒適性水平，而越向右端，操縱者的舒適性感受逐級遞增，被試者根據自己的主觀感受，對變速桿操縱舒適性按照量表語意進行評價，并在量表相應位置上打分。

3　模型建立

傳統的舒適性評價模型通過多元線性統計回歸分析得到，用加權平均值的結果不能很好地反映舒適性，且評價過程中的權重確定存在人為因素的影響，很難準確反映各指標之間的復雜非線性關系，導致評價結果與實際情況之間的差異[14]。而模糊神經網絡將模糊推理與神經網絡相結合，形成一種模糊推理系統，在有效利用專家知識的同時，又具有極強的自學習、自適應能力[15]。它通過自適應神經網絡學習能夠有效確定隸屬度函數的最佳參數以及模糊規則，并以此為基礎建立物理參數與主觀評價之間的映射關系，從而極大地減小了主觀評價的隨意性[16]。

3.1模糊神經網絡的結構

本文以操縱力、力變率、力-行程剛度和異態輸出特征值4個指標作為神經網絡的輸入變量，將汽車變速桿的主觀操縱舒適性評價值作為輸出變量，構造n維輸入單輸出的模糊神經網絡系統。如圖1所示，本文采用T-S模型來表示該模糊神經網絡的模糊規則：

(1)

圖2　汽車變速桿操縱舒適性評價神經網絡模型結構

第一層是輸入層，其中輸入變量xi經輸入向量X=(x1,x2,…,xn)T傳送到第二層，第一層節點數N1=n ，輸入量在第一層經過歸一化處理后傳遞至模糊化層。

(2)

式中,cij為隸屬度函數的中心；σij為隸屬度函數的寬度；n為輸入變量的數量；m為xi隸屬函數的數量。

第三層是模糊推理層，該層各節點均代表一條模糊規則，所有節點共同組成一個模糊規則庫，各規則的相關適用度為

(3)

第四層是去模糊化層，該層是對模糊規則的適應度進行歸一化處理：

(4)

第五層是輸出層，即所有前件網絡的輸出總和，用于計算每條規則的后件，在第五層中前件網絡的輸出作為后件網絡的連接權值，此時模糊神經網絡的輸出值為

i=1,2,…，r

(5)

3.2模糊神經網絡學習算法

汽車變速桿操縱舒適性評價的學習過程由信息的正向傳播和誤差的反向傳播組成，本文在運用BP神經網絡訓練樣本數據時，采用梯度搜索方法，將實際輸出值與期望輸出值的誤差控制在最小范圍，并根據輸出誤差自動優化隸屬度函數，從而有效提高網絡建模的精度，算法過程如下：

(1)誤差計算。設網絡誤差函數為

(6)

式中，e為網絡期望輸出與網絡評價輸出值的誤差；yc為網絡評價輸出；yd為網絡期望輸出。

(2)系數修正。神經網絡系數pji的修正：

(7)

式中，pji為神經網絡系數；β為網絡學習率； xi為網絡輸入參數。

(3)參數修正。通過學習后將神經網絡系數pji(k)固定，利用誤差反向傳播算法計算?e/?cij和?e/?σij，通過梯度尋優算法逐步調整cij和σij，最后得到：

(8)

(9)

4　實例分析

以在普通型轎車中應用較為廣泛的手動變速器換擋桿為操縱測評對象，試驗車型采用江淮和悅2014款轎車，利用LSA-A-200NSI變速桿操縱力傳感器獲取變速桿換擋數據，測量時將傳感器上端直徑為30mm的圓球固定在變速桿上端，代替變速桿原有的球頭。試驗測試數據來源于合肥市某4S店的用戶調查報表，該項調查參與人數有46人，年齡在25～50歲之間，平均年齡為34.3歲，女性有8名，駕齡均在5年以上，且均沒有影響操縱功能的疾病，也沒有任何疼痛或心理因素等可能影響操縱舒適性的情況。試驗過程中，要求每一位測評者以正常的速度和力度由1擋切換至2擋，如此重復10次，每次間隔為5s左右，將一名測試人員所測10次數據的平均值作為一組樣本，試驗過程中同時記錄變速桿操縱過程中的主觀舒適性評分，試驗測試設備如圖3所示。試驗采集的原始數據經處理后分別得到操縱力均值、力變率、力-行程剛度和異態輸出特征值等評價指標。

圖3　變速桿操縱舒適性測試設備

由于模糊綜合評價法具有較好的客觀性，本文采用模糊綜合評價法對變速桿操縱舒適性進行評價，由于篇幅所限，省略具體評價過程，表1、表2為試驗獲得的不同的操縱舒適性特征參數下的模糊綜合評價值。

以表1作為變速桿操縱舒適性測試數據，以表2作為操縱舒適性建模訓練數據，其中FAHP為變速桿的主觀舒適度。

以操縱力、力變率、力-行程剛度和異態輸出特征值為模糊神經網絡的輸入變量，汽車變速桿的主觀操縱舒適性評價值作為輸出變量，在訓練樣本過程中，設定最大訓練誤差為0.001，網絡學習率為0.4，訓練次數為30。為了檢驗模糊神經網絡訓練得到的系統性能的好壞，通過MATLAB編程得到的系統評價與主觀評價的比較結果與模糊神經網絡的訓練誤差如圖4和圖5所示。模糊神經網絡測試結果見表3。

表1　用于汽車變速桿的操縱舒適性評價測試的試驗數據

表2　用于汽車變速桿的操縱舒適性評價建模的訓練數據

圖4　汽車變速桿操縱舒適性評價神經網絡樣本訓練誤差圖

圖5　汽車變速桿操縱舒適性評價神經網絡輸出結果圖

序號實際值預測值絕對誤差相對誤差15.435.230.200.0426.476.750.280.0436.136.400.270.0446.196.380.190.0356.416.060.350.0565.475.040.430.0875.936.330.400.0786.836.530.300.0496.806.140.660.10106.456.450.000.00116.436.800.370.06126.536.460.070.01135.876.530.660.11146.336.500.170.03156.276.420.150.02165.956.140.190.03

由表3可知，建模精度為

(10)

式中,ri為測試數據中第i個汽車變速桿操縱舒適性實測值；pi為測試數據中第i個由所建模型獲得的汽車變速桿操縱舒適性預測值。

本文采用了各數據預測精度的平均值為模型建模精度。由于模糊神經網絡模型的精度取決于建模訓練的數據，因此訓練數據的正確性和覆蓋的范圍對模型精度產生直接的影響。

5　結語

運用主觀評價和模糊神經網絡建立了汽車變速桿操縱舒適性評價方法，將主觀評價和模糊神經網絡有機地結合起來，應用到變速桿操縱舒適性評價中。通過模糊神經網絡對提取的操縱舒適性特征參數和相應的主觀評價構成的樣本量進行學習和訓練，建立了汽車變速桿操縱舒適性評價系統，克服了主觀評價的隨意性。基于模糊神經網絡建立操縱舒適性特征參數與操縱舒適性主觀評價之間的映射模型，經測試，該模型能夠較為準確地測評變速桿操縱舒適性，該方法為變速桿設計和研發者在產品設計階段檢查和解決所出現的問題提供了強有力的工具。

[1]Coeugnet S, Naveteur J, Antoine P, et al. Time Pressure and Driving: Work, Emotions and Risks [J]. Transportation Research Part F Traffic Psychology & Behaviour, 2013, 20:39-51.

[2]Blanchard R A, Myers A M. Examination of Dri-ving Comfort and Self-regulatory Practices in Older Adults Using In-vehicle Devices to Assess Natural Driving patterns [J]. Accident, Analysis and prevention, 2010, 42(4):1213-1219.

[3]Pierallini M. Control of Operation of an Automotive Gear Shift System, US20150006040[P]. 2015.

[4]王化吉, 宗長富, 管欣,等. 基于模糊層次分析法的汽車操縱穩定性主觀評價指標權重確定方法 [J]. 機械工程學報, 2011, 47(24):83-90.

Wang Huaji, Zong Changfu, Guan Xin, et al. Method of Determining Weights of Subjective Evaluation Indexes for Car Handling Stability Based on Fuzzy Analytic Hierarchy Process [J]. Journal of Mechanical Engineering, 2011, 47(24):83-90.

[5]Major M E, Vézina N. Analysis of Worker Strateg-ies: a Comprehensive Understanding for the Prevention of Work Related Musculoskeletal Disorders [J]. International Journal of Industrial Ergonomics, 2015, 48:149-157.

[6]何源. 基于力學特征的汽車操縱舒適性測評系統研究 [D]. 合肥：合肥工業大學, 2009.

[7]D.BHISE V. 汽車設計中的人機工程學 [M]. 李惠彬，劉亞茹譯. 北京:機械工業出版社, 2014.

[8]郭振華. 介紹一個新的力學量——急動度 [J]. 廣西物理, 1999(3):9-11.

Guo Zhenhua. Introduction of New Mechanical Qu-antitythe Jerk [J]. Guangxi Physics, 1999(3):9-11.

[9]Victoire D, Alain P, Jean-Marc S, et al. An Original Method to Predict Brake Feel: a Combination of Design of Experiments and Sensory Science [J]. SAE Transactions, 2003, 10(42):71-76.

[10]Zhang C. A Preliminary Study on the Method of Enha-ncing Brake Feel Index [J]. Journal of Xi’an University of Arts & Science, 2012, 15(2):75-80.

[11]趙立軍. 汽車試驗學 [M]. 北京：北京大學出版社, 2008.

[12]陳任秋, 劉軍. 基于格拉布斯準則的DS證據理論在WSNs中的應用 [J]. 傳感器與微系統, 2015, 34(6): 153-155.

Chen Renqiu, Liu Jun. Application of DS Evidence Theory in WSNs Based on Grubbs Criterion [J]. Transducer and Microsystem Technologies, 2015, 34(6):153-155.

[13]Kuijt-Evers L, Vink P, de Looze M. Comfort Predictors for Different Kinds of Hand Tools: Diff-erences and Similarities [J]. International Journal of industrial Ergonomics, 2007, 37(1):73-84.

[14]扈靜, 劉明周, 龔任波,等. 基于主成分分析的汽車操縱力舒適性分析與評價 [J]. 中國機械工程, 2011, 22(20):2456-2459.

HuJing,LiuMingzhou,GongRenbo,etal.EvaluationofVehicleOperatingForceComfortBasedonPrincipalComponentAnalysis[J].ChinaMechanicalEngineering, 2011,22(20):2456-2459.

[15]張琨, 崔勝民, 王劍鋒. 基于模糊神經網絡的智能車輛循跡控制 [J]. 汽車工程, 2015, 37(1):38-42.ZhangKun,CuiShengmin,WangJianfeng.PathTrackingControlofIntelligentVehicleBasedonFuzzyNeuralNetwork[J].AutomotiveEngineering, 2015, 37(1):38-42.

[16]李曉梅, 丁寧, 朱喜林. 表面粗糙度模糊神經網絡在線辨識模型 [J]. 機械工程學報, 2007, 43(3):212-217.

LiXiaomei,DingNing,ZhuXilin.On-lineIdentificationModelofSurfaceRoughnessBasedonFuzzyNeuralNetworks[J].ChineseJournalofMechanicalEngineering, 2007, 43(3):212-217.

(編輯郭偉)

EvaluationMethodforHandlingComfortofVehicleGearShiftLeverBasedonFuzzyNeuralNetwork

LiuMingzhouAdilanmuSitahongHuJingZhangMiao

QianPeilunHefeiUniversityofTechnology,Hefei,230009

Aimingatthedrawbacksofmethodsinthecomfortevaluationofvehiclegearshiftlever,anevaluationmethodwasproposedhereinbasedonfuzzyneuralnetwork.Theobjectiveevaluationindexmeasuredbyinstrumentandthesubjectiveratingsofcomfortformsubjectsduringtheprocessofgearshiftleverwerestudiedandtrained,andfinallytheevaluationsystemofgearshiftleverhandlingcomfortwereestablished.Computationalandexperimentalresultsdemonstratethefeasibilityandapplicabilityofthemethod.

vehiclegearshiftleverhandlingcomfort,fuzzyneuralnetwork;evaluationsystem

2015-11-09

國家自然科學基金資助項目(51375134)

TH122

10.3969/j.issn.1004-132X.2016.17.022