基于神經(jīng)網(wǎng)絡(luò)的汽車座椅舒適性研究

黃迪青，徐霖，陳誠

(上海機(jī)動車檢測認(rèn)證技術(shù)研究中心有限公司，上海 201800)

0 引言

汽車座椅舒適性為座椅性能中最重要的評價指標(biāo)之一，現(xiàn)已被各大整車廠及使用者廣泛關(guān)注。提高座椅舒適性可緩解駕乘疲憊、避免腰椎疾病、滿足人們對汽車性能日益增高的需求。人員在駕乘過程中的舒適性是身體多個部位感受的綜合指標(biāo)，壓力分布與加速度是影響舒適度的重要客觀參數(shù)。

眾多學(xué)者對汽車座椅舒適性進(jìn)行了深入的研究，并取得了顯著性成果。上海交通大學(xué)王正華等[1]從主觀和客觀兩方面針對腰托對汽車座椅舒適性進(jìn)行了理論和試驗研究；吉林大學(xué)孫琳琳[2]基于感性工學(xué)和TRIZ創(chuàng)新思維方法對汽車座椅的消費者心理需求進(jìn)行了研究；重慶大學(xué)張志飛等[3]結(jié)合統(tǒng)計分析和智能學(xué)習(xí)算法，研究整體和局部主觀舒適度之間及主客觀舒適性之間的定量關(guān)系，并建立舒適度評價模型。

由上述研究結(jié)果可知，雖然許多學(xué)者開展了座椅舒適性方面的研究，但是目前針對壓力分布、加速度趨勢及乘員主觀舒適性的研究較少。因此本文作者從主觀及客觀兩個方面對汽車座椅舒適性進(jìn)行研究，并采用神經(jīng)網(wǎng)絡(luò)法建立評價模型。獲得各客觀參數(shù)對汽車座椅舒適度的影響規(guī)律，并驗證所建立的評價模型的有效性。

1 座椅舒適性主客觀評價

1.1 試驗設(shè)計

選擇舒適度等級不同的2輛車進(jìn)行動態(tài)評測。選取能夠覆蓋中國人體尺寸的5%女性、50%男性、95%男性3名進(jìn)行試驗，所選人員體型特征見表1。

表1 試驗人員體型特征

將試驗車輛開上四立柱試驗臺并加載同一段路譜，路譜總時長為330 s。該路譜信號為一條能夠覆蓋國內(nèi)道路情況的通用路譜，如圖1所示。在主駕、副駕、后排座位分別布置B&K 4529B加速度傳感器、PCB 356B41坐墊加速度傳感器如圖2、圖3所示[4]，XSENSORLX210:48.48.02壓力分布毯如圖4所示。

圖1 試驗路譜

圖2 坐墊及靠背加速度傳感器布置

圖3 平臺加速度傳感器布置

圖4 壓力分布毯布置

各試驗人員分別坐于車輛各位置，試驗過程中分別測量加速度及壓力分布，試驗后讓各試驗人員對所乘座椅進(jìn)行主觀評價，主觀評價表格見表2所示，各分值通過加權(quán)計算獲得[5]，最終評分結(jié)果在0～1之間。

表2 主觀評價分值表

1.2 主觀評價結(jié)果分析

各試驗人員試驗后的主觀評分如圖5所示。從圖中可以看到，D級車人員評分顯著高于A0級車。同時無論何種體型的人員，乘坐于A0級及D級車座椅，主觀評價分值皆隨著主駕、副駕、二排座椅的順序有下降的趨勢，顯然各座椅生產(chǎn)商更注重主駕的舒適性，而對后排座椅舒適性有一定的取舍。

圖5 試驗人員主觀評價分值圖

1.3 客觀評價結(jié)果分析

試驗過程中采集得到的加速度如圖6所示。根據(jù)國標(biāo)[6]對各座位不同位置的加速度傳感器采集得到的數(shù)值進(jìn)行加權(quán)計算，獲得每個位置的總加權(quán)加速度均方根值。計算公式如下[6]：

對各試驗人員乘坐各車型不同位置的試驗中測得的加速度進(jìn)行后處理如圖7所示。可以看到A0級車的總加權(quán)加速度均方根值顯著低于D級車，乘坐于A0級及D級車座椅，總加權(quán)加速度均方根值皆隨著主駕、副駕、二排座椅的順序有下降的趨勢，加速度增大將導(dǎo)致各乘員的不適，其為導(dǎo)致主觀評分降低的原因之一。

圖6 加速度采集曲線

圖7 各試驗人員正駕加速度最大值

試驗過程中采集得到的壓力分布如圖8所示。通過分析獲得各人員于不同車型不同座位上的坐墊及靠背的最大壓力、平均壓力以及受力面積，為下文神經(jīng)網(wǎng)絡(luò)模型提供數(shù)據(jù)支撐。

圖8 壓力分布云圖

2 基于神經(jīng)網(wǎng)絡(luò)的舒適性評價模型

2.1 神經(jīng)網(wǎng)絡(luò)運用合理性

神經(jīng)網(wǎng)絡(luò)是一個大型的非線性自適應(yīng)系統(tǒng)，由眾多處理單元相連而成。其可模擬人腦神經(jīng)網(wǎng)絡(luò)的處理方式與記憶模式，通過預(yù)先提供一組相互對應(yīng)的輸入與輸出數(shù)據(jù)，分析二者相互內(nèi)在的聯(lián)系，最終根據(jù)此聯(lián)系由輸入數(shù)據(jù)推算出輸出數(shù)據(jù)。

人工神經(jīng)網(wǎng)絡(luò)有自組織、自學(xué)習(xí)、高容錯、良好的非線性等優(yōu)點，廣泛應(yīng)用于分類、預(yù)測、過程識別及過程控制等領(lǐng)域。文中采用BP神經(jīng)網(wǎng)絡(luò)及多層前向反饋神經(jīng)網(wǎng)絡(luò)，通過不斷調(diào)整層間權(quán)重，簡單、快速、高效地使網(wǎng)絡(luò)的輸出更接近理想輸出。

2.2 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

試驗中共獲得21組有效數(shù)據(jù)，選取18組作為訓(xùn)練樣本，剩余3組作為驗證樣本。乘坐者身高、乘坐者體重、坐墊平均壓力、靠背平均壓力、坐墊最大壓力、靠背最大壓力、坐墊受力面積、靠背受力面積、坐墊加速度、靠背加速度作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，各乘坐者的主觀舒適性評分作為神經(jīng)網(wǎng)絡(luò)的輸出。為了提高網(wǎng)絡(luò)的泛化能力，對輸入進(jìn)行歸一化處理，處理公式為

式中：X為向量歸一化之前的數(shù)值，Xmax及Xmin分別為所有樣本中該向量的極大值和極小值；Xf為歸一化之后的數(shù)值即神經(jīng)網(wǎng)絡(luò)的輸入量。

文中采用BP神經(jīng)網(wǎng)絡(luò)，誤差傳遞函數(shù)為Sigmoid函數(shù)，設(shè)定學(xué)習(xí)效率為0.8；控制誤差為1×10-10，最大循環(huán)次數(shù)為15 000次以避免程序陷入死循環(huán)。采用一個隱含層的BP神經(jīng)網(wǎng)絡(luò)，隱含節(jié)點為10個。

2.3 神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果

采用Matlab開發(fā)神經(jīng)網(wǎng)絡(luò)預(yù)測模型，訓(xùn)練網(wǎng)絡(luò)達(dá)到11 090次迭代循環(huán)后訓(xùn)練結(jié)束，此時的網(wǎng)絡(luò)誤差變化如圖9所示，誤差約為2×10-9。

圖9 網(wǎng)絡(luò)誤差隨迭代次數(shù)變化

采用測試樣本對該網(wǎng)絡(luò)進(jìn)行測試之后,測試樣本的預(yù)測輸出與期望輸出值如圖10所示。

圖10 測試樣本的預(yù)測輸出值與期望輸出值

從圖中可以看出網(wǎng)絡(luò)對每個測試樣本的擬合度十分好，網(wǎng)絡(luò)的誤差值小。神經(jīng)網(wǎng)絡(luò)訓(xùn)練此時的輸入層與隱含層的權(quán)值與閾值的轉(zhuǎn)置矩陣、隱含層與輸出層的權(quán)值與閾值矩陣為

W2=[-0.11 0.07 -0.16 0.42 -0.27 0.24 -0.35 -0.55 0.27 0.22]

B2=[0.03]

式中：W1為輸入層到隱含層的權(quán)值；B1為輸入層到隱含層的閾值；W2為隱含層到輸出層的權(quán)值；B2為隱含層到輸出層的閾值。

采用回歸分析的方法神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果進(jìn)行分析。回歸圖形如圖11所示。從圖中可以看到，該神經(jīng)網(wǎng)絡(luò)可以準(zhǔn)確地對座椅舒適性預(yù)測模型進(jìn)行評估。

圖11 BP神經(jīng)網(wǎng)絡(luò)回歸分析

3 結(jié)束語

通過客觀試驗獲得汽車座椅乘坐過程中的加速度及壓力分布規(guī)律。通過問卷評分獲得不同體型人員乘坐不同車型及座位的主觀評分表，并分析主觀與客觀之間的關(guān)系。基于神經(jīng)網(wǎng)絡(luò)，構(gòu)建座椅舒適性評價模型，并驗證所建模型的有效性。