基于MATLAB的汽车被动安全评价模型研究

2015-12-31奚碧清王燕梅

机械工程与自动化 2015年1期

奚碧清，周斌，王燕梅，苏强，骆葳

（西南交通大学机械工程学院，四川成都 610031）

0 引言

造成汽车交通事故的主要因素：一是人的特性；二是车的安全性；三是道路环境；四是管理法规。其中人是主动的、有意识的，只能通过考核、审验与交通安全的教育来约束，是无法设计或统一的；而车辆是客观的，可以通过统一设计、评估来提高车辆的安全性能，进而更有效地保护人的安全。当下人们基本通过车辆安全碰撞试验对汽车安全性进行检测，但车辆安全碰撞试验费用昂贵、试验单一，且具有不可重复性，因此本文利用MATLAB软件中的BP神经网络工具对汽车碰撞试验进行模拟，并在GUI中实现可视化操作界面，用于汽车安全评价。

1 汽车安全评价模型

1.1 BP神经网络结构的建立

BP神经网络是一种多层前馈型的神经网络，它的神经元激活函数是S形函数，输出量为0到1之间的连续量，可以实现从输入到输出的任意非线性映射，其权值是通过反向传播方式调整的［1］。一般的BP神经网络通常有1个或多个隐层，隐层中的非线性传递函数神经元可以学习输入、输出之间的线性和非线性关系，线性输出拓宽网络输出［2－3］。

本文选取汽车外型的7个主要参数（汽车长度、宽度、高度、整备质量、排量、被动安全装置数、价格）作为BP神经网络的输入，汽车碰撞试验得分作为BP网络的输出。根据Lippmann提出的最大隐含层节点的数目确定方法［4］，本文选取初始隐含层神经元个数为5个，后经过反复调试训练，最终选定为8个，所以构成汽车被动安全评价BP网络结构为7－8－1，即输入为7个节点，隐含层有8个节点，输出层有1个节点。BP网络拓扑结构见图1。图1中，wij为输入层到隐含层的连接权值，wjk为隐含层到输出层的连接权值。

图1 BP网络拓扑结构图

1.2 汽车被动安全评价的MATLAB实现

利用MATLAB软件中的newff、sim和train3个神经网络函数［5－6］，构建BP神经网络，其中训练次数为300次，训练目标为0.01（即输出误差为1%），学习速率为0.01，传递函数为tansig。本文搜集了72款不同车型的碰撞试验结果数据，表1列举了部分BP神经网络输入、输出参数。

表1 BP神经网络输入、输出参数

表1中的数据均来源于C－NCAP官网，被动安全装置包括前排侧气囊、后排侧气囊、头部气帘、膝部气囊及儿童座椅接口，安装的加1，未安装的加0，被动安全装置数即上述所有装置相加所得数值。

在72组数据中随机选取50组数据对BP网络模型进行训练，其网络拟合效果如图2和图3所示。

图3中的误差是本试验预测结果与C－NCAP官网上相对应车型的碰撞试验数据的对比结果。

利用建立好的BP神经网络模型对另外22辆车型进行预测，将预测结果与C－NCAP官网上相对应车型的碰撞试验数据对比，得到误差如图4所示。

图2 BP网络模拟得到的汽车被动安全评价值

图3 BP网络模拟得到的汽车被动安全评价值误差

图4 模型预测误差

由图4可知，BP神经网络预测模型对22辆车型的预测误差在0.17%以内，满足既定输出误差1%的要求，即基于BP神经网络建立的汽车被动安全评价模型能较准确地对汽车安全进行评价。

2 汽车被动安全评价软件建立及应用

在上述建立的汽车被动安全评价模型的基础上，利用MATLAB中的GUI平台建立可视化的操作界面，如图5所示。操作者可以选择在Excel文件中输入参数，然后导入到汽车被动安全评价软件中，也可以直接在空格中输入相应参数值。

图5 汽车被动安全评价界面

本文选取3辆不同车型的汽车A，B，C，利用汽车被动安全评价软件对其进行安全评价，结果如图6所示。其中A，B，C型车的预测值分别为43.76，53.18和52.07，对比从C－NCAP官网中获得A，B，C型车的实测值分别为46.21，53.3和52.97，可知软件在单独车型预测中存在一定的误差，但总体误差值较小，不影响评价各车型安全性能的好坏，其中B车安全性能最好，C车次之，A车最差，与实际碰撞试验评价结果相符。因此该软件是可行的，能较准确地评价各车型的被动安全性能。