基于神经网络的汽车座椅舒适性研究

黄迪青，徐霖，陈诚

(上海机动车检测认证技术研究中心有限公司，上海 201800)

0 引言

汽车座椅舒适性为座椅性能中最重要的评价指标之一，现已被各大整车厂及使用者广泛关注。提高座椅舒适性可缓解驾乘疲惫、避免腰椎疾病、满足人们对汽车性能日益增高的需求。人员在驾乘过程中的舒适性是身体多个部位感受的综合指标，压力分布与加速度是影响舒适度的重要客观参数。

众多学者对汽车座椅舒适性进行了深入的研究，并取得了显著性成果。上海交通大学王正华等[1]从主观和客观两方面针对腰托对汽车座椅舒适性进行了理论和试验研究；吉林大学孙琳琳[2]基于感性工学和TRIZ创新思维方法对汽车座椅的消费者心理需求进行了研究；重庆大学张志飞等[3]结合统计分析和智能学习算法，研究整体和局部主观舒适度之间及主客观舒适性之间的定量关系，并建立舒适度评价模型。

由上述研究结果可知，虽然许多学者开展了座椅舒适性方面的研究，但是目前针对压力分布、加速度趋势及乘员主观舒适性的研究较少。因此本文作者从主观及客观两个方面对汽车座椅舒适性进行研究，并采用神经网络法建立评价模型。获得各客观参数对汽车座椅舒适度的影响规律，并验证所建立的评价模型的有效性。

1 座椅舒适性主客观评价

1.1 试验设计

选择舒适度等级不同的2辆车进行动态评测。选取能够覆盖中国人体尺寸的5%女性、50%男性、95%男性3名进行试验，所选人员体型特征见表1。

表1 试验人员体型特征

将试验车辆开上四立柱试验台并加载同一段路谱，路谱总时长为330 s。该路谱信号为一条能够覆盖国内道路情况的通用路谱，如图1所示。在主驾、副驾、后排座位分别布置B&K 4529B加速度传感器、PCB 356B41坐垫加速度传感器如图2、图3所示[4]，XSENSORLX210:48.48.02压力分布毯如图4所示。

图1 试验路谱

图2 坐垫及靠背加速度传感器布置

图3 平台加速度传感器布置

图4 压力分布毯布置

各试验人员分别坐于车辆各位置，试验过程中分别测量加速度及压力分布，试验后让各试验人员对所乘座椅进行主观评价，主观评价表格见表2所示，各分值通过加权计算获得[5]，最终评分结果在0～1之间。

表2 主观评价分值表

1.2 主观评价结果分析

各试验人员试验后的主观评分如图5所示。从图中可以看到，D级车人员评分显著高于A0级车。同时无论何种体型的人员，乘坐于A0级及D级车座椅，主观评价分值皆随着主驾、副驾、二排座椅的顺序有下降的趋势，显然各座椅生产商更注重主驾的舒适性，而对后排座椅舒适性有一定的取舍。

图5 试验人员主观评价分值图

1.3 客观评价结果分析

试验过程中采集得到的加速度如图6所示。根据国标[6]对各座位不同位置的加速度传感器采集得到的数值进行加权计算，获得每个位置的总加权加速度均方根值。计算公式如下[6]：

对各试验人员乘坐各车型不同位置的试验中测得的加速度进行后处理如图7所示。可以看到A0级车的总加权加速度均方根值显著低于D级车，乘坐于A0级及D级车座椅，总加权加速度均方根值皆随着主驾、副驾、二排座椅的顺序有下降的趋势，加速度增大将导致各乘员的不适，其为导致主观评分降低的原因之一。

图6 加速度采集曲线

图7 各试验人员正驾加速度最大值

试验过程中采集得到的压力分布如图8所示。通过分析获得各人员于不同车型不同座位上的坐垫及靠背的最大压力、平均压力以及受力面积，为下文神经网络模型提供数据支撑。

图8 压力分布云图

2 基于神经网络的舒适性评价模型

2.1 神经网络运用合理性

神经网络是一个大型的非线性自适应系统，由众多处理单元相连而成。其可模拟人脑神经网络的处理方式与记忆模式，通过预先提供一组相互对应的输入与输出数据，分析二者相互内在的联系，最终根据此联系由输入数据推算出输出数据。

人工神经网络有自组织、自学习、高容错、良好的非线性等优点，广泛应用于分类、预测、过程识别及过程控制等领域。文中采用BP神经网络及多层前向反馈神经网络，通过不断调整层间权重，简单、快速、高效地使网络的输出更接近理想输出。

2.2 神经网络模型构建

试验中共获得21组有效数据，选取18组作为训练样本，剩余3组作为验证样本。乘坐者身高、乘坐者体重、坐垫平均压力、靠背平均压力、坐垫最大压力、靠背最大压力、坐垫受力面积、靠背受力面积、坐垫加速度、靠背加速度作为神经网络的输入参数，各乘坐者的主观舒适性评分作为神经网络的输出。为了提高网络的泛化能力，对输入进行归一化处理，处理公式为

式中：X为向量归一化之前的数值，Xmax及Xmin分别为所有样本中该向量的极大值和极小值；Xf为归一化之后的数值即神经网络的输入量。

文中采用BP神经网络，误差传递函数为Sigmoid函数，设定学习效率为0.8；控制误差为1×10-10，最大循环次数为15 000次以避免程序陷入死循环。采用一个隐含层的BP神经网络，隐含节点为10个。

2.3 神经网络模型预测结果

采用Matlab开发神经网络预测模型，训练网络达到11 090次迭代循环后训练结束，此时的网络误差变化如图9所示，误差约为2×10-9。

图9 网络误差随迭代次数变化

采用测试样本对该网络进行测试之后,测试样本的预测输出与期望输出值如图10所示。

图10 测试样本的预测输出值与期望输出值

从图中可以看出网络对每个测试样本的拟合度十分好，网络的误差值小。神经网络训练此时的输入层与隐含层的权值与阈值的转置矩阵、隐含层与输出层的权值与阈值矩阵为

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为输入层到隐含层的权值；B1为输入层到隐含层的阈值；W2为隐含层到输出层的权值；B2为隐含层到输出层的阈值。

采用回归分析的方法神经网络的训练结果进行分析。回归图形如图11所示。从图中可以看到，该神经网络可以准确地对座椅舒适性预测模型进行评估。

图11 BP神经网络回归分析

3 结束语

通过客观试验获得汽车座椅乘坐过程中的加速度及压力分布规律。通过问卷评分获得不同体型人员乘坐不同车型及座位的主观评分表，并分析主观与客观之间的关系。基于神经网络，构建座椅舒适性评价模型，并验证所建模型的有效性。