基于深度学习的座椅抗挥鞭伤性能预测

doi:10.19562/j.chinasae.qcgc.2022.10.015

摘要/Abstract

摘要：

在传统仿真的基础上，结合深度学习，提出了一种快速预测座椅鞭打性能的方法。首先对上汽大众某车型座椅进行了一系列材料级、零部件级、分总成级和整椅级的静态与动态物理实验，其次利用实验结果对已有的仿真模型进行了标定，标定结果验证了仿真模型的有效性。然后，利用全因子法对所有影响座椅鞭打性能的因素进行了仿真。基于仿真结果，利用深度学习方法建立了长短记忆（LSTM）神经网络模型，对假人的挥鞭伤害响应进行快速预测。结果表明：基于LSTM的神经网络模型预测的假人响应曲线能与仿真得到的曲线较好地吻合，故可用于后续的座椅鞭打性能优化。

关键词: 座椅抗挥鞭性能, 深度学习, 神经网络, 有限元仿真, BioRID II, Pam-Crash

Abstract:

On the base of traditional simulation and combined with deep learning， a rapid prediction method of seat’s anti-whiplash injury performance is proposed. Firstly， a series material level， component level， subassembly level and seat level static and dynamic physical experiments are carried out on a Shanghai VW’s vehicle seat. Then using the results of experiments to calibrate the existing simulation model， resulting in the effectiveness of the simulation model verified. Next， a simulation on all factors affecting the seat’s whiplash performance is conducted by using full-factor method， and based on simulation results and using deep learning method， a long- and short-term memory （LSTM） neural network model is established to rapidly predict the whiplash injury response of dummy. The results show that the dummy response curve obtained from prediction by LSTM neural network model agrees well with simulated curve， so can be used in subsequent seat’s whiplash performance optimization.

Key words: seat anti-whiplash performance, deep learning, neural network, finite element simulation, BioRIDII, Pam-Crash

张绍伟,朱大炜,翟光照. 基于深度学习的座椅抗挥鞭伤性能预测[J]. 汽车工程, 2022, 44(10): 1600-1608.

Shaowei Zhang,Dawei Zhu,Guangzhao Zhai. Prediction on Seat’s Anti-whiplash-injury Performance Based on Deep Learning[J]. Automotive Engineering, 2022, 44(10): 1600-1608.

图/表 17

表1

鞭打实验总体评分准则"

指标	低性能值	高性能值	得分
NIC	8	30	0～2.0
上颈部F_x + /N	340	730	0～1.5
上颈部F_z + /N	475	1 130
上颈部M_y /（N·m）	12	40
下颈部F_x + /N	340	730	0～1.5
下颈部F_z + /N	257	1 480
下颈部M_y /（N·m）	12	40
座椅靠背动态张角/（°）	$≥ 25.5$		-2
头枕干涉头部空间	Y		-2
座椅滑轨动态位移/mm	$≥ 20$		-2

表1

图1

图2

图3

表2

图4

图5

图6

图7

表3

图8

图9

图10

图11

表4

图12

图13

参考文献 22

1	胡远志，胡源源，蒋成约，等.鞭打试验中BioRID II 与THUMS 模型颈部损伤对比［J］.汽车安全与节能学报，2017，8（3）：239-245.
	HU Yuanzhi， HU Yuanyuan， JIANG Chengyue， et al. Neck injury comparison between BioRID Ⅱ and THUMS model in whiplash test［J］. Journal of Automotive Safety and Energy Conservation，2017，8（3）：239-245.
2	刘敏慧，王铮，杨成国. 某鞭打试验驾驶员伤害值优化研究［J］. 汽车实用技术， 2020， 311（8）：164-167.
	LIU Minhui， WANG Zheng， YANG Chengguo. Improvement of the driver injure in whiplash test ［J］. Automobile Applied Technology， 2020， 311（8）：164-167.
3	陈长亮，董玉德，陈超，等.基于仿真的鞭打试验影响因素分析［J］.汽车工程，2019，41（12）：1459-1465.
	CHEN Changliang， DONG Yude， CHEN Chao， et al. Analysis on influencing factors of whiplash test based on simulation ［J］. Automotive Engineering， 2019，41（12）：1459-1465.
4	孔德伟，马良，胡祥玲，等. 某车型座椅鞭打性能研究［J］. 中国汽车， 2020， 338（5）：6-11.
	KONG Dewei， MA Liang， HU Xiangling， et al. Research on seat whiplash performance of certain car ［J］. China Auto， 2020， 338（5）：6-11.
5	中国汽车技术技术研究中心（天津）. C-NCAP中国新车评价规程2018版［S］.2018.
	China Automotive Technology Research Center （Tianjin）. C-NCAP China-new car assessment program 2018 edition ［S］. 2018.
6	中国汽车技术技术研究中心（天津）. C-NCAP中国新车评价规程2021版［S］.2021.
	China Automotive Technology Research Center （Tianjin）. C-NCAP China-new car assessment program 2021 edition［S］. 2021.
7	JAKOBSSON L， LUNDELL B， NORIN H， et al. WHIPS-Volvo’s whiplash protection study［J］. Accident Analysis & Prevention， 2000， 32（2）：307-319.
8	JAKOBSSON L， ISAKSSON-HELLMAN I， LINDMAN M. WHIPS （Volvo cars’ whiplash protection system）-the development and real-world performance［J］. Traffic Injury Prevention， 2008， 9（6）：600-605.
9	GEHRE C. Objective rating of signals using test and simulation responses［C］. IEEE， 2009.
10	陆超. 基于仿真分析的汽车座椅鞭打性能研究和优化［J］. 汽车实用技术， 2020（2）：4.
	LU Chao. Research and optimization of whiplash performance of car seat based on simulation analysis ［J］. Automobile Applied Technology， 2020（2）：4.
11	任海波，张为民，高扬. 面套与假人的摩擦系数对座椅防挥鞭性的影响［J］. 机械设计与制造， 2018（12）：4.
	REN Haibo， ZHANG Weimin， GAO Yang. Influence of friction coefficient between vehicle seat and dummy on whiplash ［J］. Machinery Design & Manufacture， 2018（12）：4.
12	李永攀，赵海英，沈军，等. 某车型座椅鞭打性能改进［J］. 汽车零部件， 2019（3）：35-39.
	LI Yongpan， ZHAO Haiying， SHEN Jun， et al. The improvement of seat whipping performance ［J］. Automobile Parts， 2019（3）：35-39.
13	周泽斌，李碧浩，王大志，等. 提高座椅防挥鞭伤性能的优化方案［J］. 上海汽车， 2014（4）：4.
	ZHOU Zebin， LI Bihao， WANG Dazhi， et al. Optimized project to improve the seat’s whiplash performance ［J］. Shanghai Auto， 2014（4）：4.
14	王晋，赵秀强，王志涛，等. 基于汽车座椅鞭打试验的仿真模型改进［J］. 汽车技术， 2015（9）：4.
	WANG Jin， ZHAO Xiuqiang， WANG Zhitao， et al. Improvement of simulation model based on the vehicle seat whiplash test ［J］.Automotive Technology， 2015（9）：4.
15	宁成业，杨平，胡祥玲，等. 基于C-NCAP的座椅鞭打性能研究及改进［J］. 中国汽车， 2019（12）：5.
	NING Chengye， YANG Ping， HU Xiangling， et al. Improvement of seat whiplash injury based on C-NCAP ［J］. China Auto， 2019（12）：5.
16	项程，陈艾荣. 基于深度学习的多材料结构拓扑优化方法［J］. 同济大学学报（自然科学版），2022，50（7）：975-982.
	XIANG Cheng， CHEN Airong. Topology optimization of multimaterial structures based on deep learning ［J］. Journal of Tongji University（Natural Science）， 2022，50 （7）： 975-982.
17	周志华．机器学习［M］．北京：清华大学出版社，2016.
	ZHOU Zhihua. Machine learning ［M］. Beijing： Tsinghua University Press， 2016.
18	LECUN Y， BENGIO Y， HINTON G. Deep learning［J］. Nature， 2015， 521（7553）：436.
19	GRE FF K， SRIVASTAVA R K， KOUTNÍK J， et al. LSTM： a search space odyssey［J］. IEEE Transactions on Neural Networks & Learning Systems， 2016， 28（10）：2222-2232.
20	ZHANG J， LIN Y， ZHAO S， et al. Learning long term dependencies via fourier recurrent units［C］. Proceedings of the 35th International Conference on Machine Learning，2018.
21	WANG C， XU L Y， FAN J S. A general deep learning framework for history-dependent response prediction based on UA-Seq2Seq model［J］. Computer Methods in Applied Mechanics and Engineering， 2020， 372：113357.
22	SUBRAMANIAN V. Deep learning with PyTorch： a practical approach to building neural network models using PyTorch［M］. Packt Publishing， 2018.

序号	级别	实验内容	载荷	Cora 等级
01	材料	头枕面套拉伸角度1	静态	0.88
02		头枕面套拉伸角度2	静态	0.89
03		头枕面套拉伸角度3	静态	0.90
04		头枕面套剪切	静态	0.90
05		头枕EPP压缩	静态	0.98
06		头枕EPP压缩1	动态1	0.96
07		头枕EPP压缩2	动态2	0.97
08		头枕泡沫压缩	静态	0.93
09		头枕泡沫压缩1	动态1	0.91
10		头枕泡沫压缩2	动态2	0.91
11		头枕杆拉伸	静态	0.97
12		头枕杆弯曲	动态1	0.97
13		头枕杆弯曲	动态2	0.98
14		座椅靠背泡沫压缩	静态	0.90
15		座椅靠背泡沫压缩	动态	0.91
16	分总成	头枕总成	静态	0.98
17		头枕总成	动态 1	0.98
18		头枕总成	动态 2	1.00
19		头枕总成	动态 3	0.99
20		整椅刚度	静态	0.99
21		整椅腰拖刚度 1	静态	1.00
22		整椅腰拖刚度 2	静态	1.00
23		整椅腰拖刚度 3	静态	1.00

因素序号	影响因素
A	假人头后间隙backset
B	假人H点X坐标
C	假人H点Z坐标
D	假人骨盆角度
E	假人头部与头枕面套摩擦因数
F	假人背部与靠背面套摩擦因数
H	假人臀、腿与坐盆面套摩擦因数
I	头枕泡沫硬度
J	头枕内EPP硬度
K	头枕杆厚度
L	靠背中间区域泡沫刚度
M	靠背两侧区域泡沫刚度

Hidden Units	1 640
Dropout	0.25
Batch Size	16
Layers in ANN	3
Neurons in ANN	［218， 6］
Weights	9.7 × 10⁶
Epochs	1 000
Training Time/s	4.8 × 10³
Active function	tanh

[1]	王彦鑫,李海岩,崔世海,贺丽娟,吕文乐. 基于BP神经网络的儿童乘员头部损伤预测模型及评估参数研究[J]. 汽车工程, 2024, 46(2): 329-336.
[2]	高泽, 楚遵康, 石稼晟, 林滏, 饶卫雄, 余海燕. 基于图网络的汽车零部件应力场快速预测方法研究[J]. 汽车工程, 2024, 46(1): 170-178.
[3]	胡明辉,朱广曜,刘长贺,唐国峰. 考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计[J]. 汽车工程, 2023, 45(9): 1688-1701.
[4]	管欣,仲昭辉,詹军,奚腾龙,叶昊,高深圳,成健,廖世辉,蔡均. 基于卷积神经网络的汽车操纵稳定性试验类型识别方法[J]. 汽车工程, 2023, 45(9): 1765-1771.
[5]	刘卫国,项志宇,刘锐,李国栋,王子旭. 基于深度学习的端到端车辆运动规划方法研究[J]. 汽车工程, 2023, 45(8): 1343-1352.
[6]	王明,唐小林,杨凯,李国法,胡晓松. 考虑预测风险的自动驾驶车辆运动规划方法[J]. 汽车工程, 2023, 45(8): 1362-1372.
[7]	陈国强,申正义,孙利,支梦帆,李彤. 基于BP神经网络优化遗传算法的智能座舱感性意象预测[J]. 汽车工程, 2023, 45(8): 1479-1488.
[8]	张雷, 关可人, 丁晓林, 郭鹏宇, 王震坡, 孙逢春. 基于图像识别与动力学融合的路面附着系数估计方法[J]. 汽车工程, 2023, 45(7): 1222-1234.
[9]	韩勇,林旭洁,黄红武,蔡鸿瑜,罗金镕,李燕婷. 典型汽车碰撞事故场景中行人运动轨迹预测方法[J]. 汽车工程, 2023, 45(6): 1022-1030.
[10]	赵嘉豪,齐志权,齐智峰,王皓,何磊. 基于轮胎特征点的并行大型车辆朝向角计算[J]. 汽车工程, 2023, 45(6): 1031-1039.
[11]	赵霞,李朝,付锐,葛振振,王畅. 基于深度卷积-Tokens降维优化视觉Transformer的分心驾驶行为实时检测[J]. 汽车工程, 2023, 45(6): 974-988.
[12]	陈妍妍,王海,蔡英凤,陈龙,李祎承. 基于检测的高效自动驾驶实例分割方法[J]. 汽车工程, 2023, 45(4): 541-550.
[13]	兰凤崇,陈继开,陈吉清,蒋心平,李子涵,潘威. 实车数据驱动的锂电池剩余使用寿命预测方法研究[J]. 汽车工程, 2023, 45(2): 175-182.
[14]	李琳辉,张鑫亮,付一帆,连静,马家旭. 基于TC-YOLOv7算法的可见光与红外后融合检测研究[J]. 汽车工程, 2023, 45(12): 2280-2290.
[15]	何智成,杜磊浩,周恩临,覃高峰,黄晋. 基于改进连续型Hopfield神经网络的CAN总线负载率优化[J]. 汽车工程, 2023, 45(12): 2338-2347.