基于深度学习的座椅抗挥鞭伤性能预测

张绍伟，朱大炜，翟光照

（1.法国ESI集团上海分公司，上海 200000；2.上汽大众汽车有限公司产品研发车身研发部，上海 200000）

前言

在汽车追尾碰撞事故中，78.2%的损伤发生在颈部［1］，称之为挥鞭伤。挥鞭伤易造成颈部的骨骼或软组织损伤，这种损伤并发症多、潜伏期长，有些甚至是不可治愈的永久伤害。正确合理的座椅设计直接影响到追尾碰撞中乘员的颈部保护效果［2-3］。目前C-NCAP、IIHS、C-IASI、Euro-NCAP等均采用BioRIDII假人来考察乘员颈部伤害。但BioRIDII假人的物理结构导致鞭打实验重复性差。目前，现有的仿真方法多用于分析座椅各参数对座椅抗挥鞭伤性能（下简称挥鞭性能或鞭打性能）的影响趋势分析［4］，并不能在座椅设计初期对挥鞭性能有较好的预测。所以，设计一种稳健、良好的验证方法来保证仿真模型的精确性就显得尤为重要。

人工智能（artificial intelligence，AI）是计算机科学领域、涉及自动化智能行为和机器学习的方法。有限元分析（FEA）是使用数值方法对给定的物理现象进行仿真，以获得由偏微分方程控制的一组问题的近似解决方案。在机器学习领域，人工神经网络用于映射某些输入和输出变量之间的相互关系和依存关系。本文中利用CAE仿真结合深度学习算法，建立了一种长短期记忆（long short-term memory，LSTM）网络模型来预测假人响应曲线，通过该方法可以快速获得改变变量后假人的响应曲线，为快速查看假人伤害响应提供了一种有效的方法。

1 C-NCAP鞭打实验评分规则

C-NCAP2018规则对于鞭打试验的考核只针对前排驾驶员座椅，总分5分［5］；而C-NCAP2021规则增加了后排座椅的鞭打性能考核［6］，其评价指标与驾驶员座椅鞭打试验相同，将结果乘以0.4，作为第二排座椅鞭打试验最终得分。新规则中，鞭打试验总成绩为7分（驾驶员座椅5分，第二排座椅2分），在总分5分制的规则下，假人各部分的伤害值评价细则如表1所示［6］。

表1 鞭打实验总体评分准则

其中，NIC（neck injury criteria）是评价挥鞭伤的重要指标。NIC的计算方法综合考虑了假人头部加速度和胸部T1加速度，NIC的计算公式［5-6］为

其中

NIC在一定程度上反映了座椅头枕与座椅靠背向后移动的同步运动程度，座椅头枕与座椅靠背的同步程度越高，对假人的颈部拉伸作用就越小，假人上颈部与下颈部的受力也就越小，反之亦然。

假人头部X向加速度与胸部T1加速度的时间历程如图1所示，提高NIC可以通过降低图1中所示的灰色区域的面积来实现，主要的实现方法有两种。

（1）将假人与头枕的接触时间提前，主要依靠两种方式来实现：

①在设计上，尽可能减小假人头部与座椅头枕间隙（backset）；

②采用主动式头枕，在发生碰撞初始，通过头枕主动式前移，减少假人头部与座椅头枕间隙。

（2）将假人胸部T1椎骨与座椅靠背的接触时间后移，主要依靠两种方式来实现：

①大幅减少靠背刚度，使假人能较快陷入座椅之中；

②采用可活动式靠背［7-8］，在假人向后运动的同时，座椅靠背在保持头枕位置相对不变的情况下，下沉或后陷。

一般情况下，提高鞭打成绩的优化方案与座椅舒适性、头枕静态打击等相关要求相矛盾，为能够在座椅设计初期阶段就考虑挥鞭伤性能，须对可能影响挥鞭伤性能的所有因素进行考虑，但多因子分析须进行多轮实验，整个过程周期长、费用高。因此，如何在设计初期，尚无物理实验条件的情况下快速而精准地预测鞭打性能，显得尤为重要。

2 座椅零部件物理实验与仿真对标

为能够在设计初期就了解座椅的鞭打性能，传统方法是对鞭打现象进行有限元仿真，指导设计开发。后期通过物理实验对基于仿真的设计进行验证。在此过程中，核心工作就是保证仿真响应与物理实验响应尽量一致。

2.1 座椅零部件实验

座椅鞭打是一个具有高度敏感性的非线性系统，座椅骨架、发泡、面套、头枕杆、头枕等多个设计因素对鞭打结果有直接影响，因此须对整个座椅模型进行精细化建模，并通过一系列的材料级、零部件级、分总成级对座椅仿真模型进行标定。在确保仿真模型精度的情况下，采用标定后的仿真模型对影响鞭打性能的因素进行分析，找出这些因素对汽车座椅挥鞭伤的影响程度，以便在座椅开发过程中对这些因素进行优化［3］。

本文中以上汽大众某平台座椅作为研究对象，对人与座椅相互作用的重点接触区域，例如头枕与靠背，取样同一批产线样件，分别进行材料级、零部件级、分总成级和整椅级的一系列实验，部分实验设置如图2所示。

2.2 曲线相似度评价方法

采用Cora等级方法评价两条曲线之间的区别。Cora等级方法是一个计算两个非模糊信号（如时间历程曲线）之间相关性水平的软件［9］。利用在目标曲线以外生成两个通道并形成3个区域的方法来计算偏差，并将评价结果归一化至"0"和"1"之间，具体取决于用户自定义的匹配质量。其中，"1"代表评价曲线完全位于内通道内，即在定义的容差范围内100%匹配，"0"代表曲线位于外通道以外，即在定义的容差范围内0%匹配，中间部分线性插值［9］，如图3所示。

2.3 座椅零部件仿真对标

为保证实验的一致性，并验证实验的重复性，材料级实验分别重复5次，分总成级至少重复3次。同时，分别建立了相同实验设置的仿真模型，结合实验结果，对仿真模型进行标定，材料与零部件实验的矩阵及其仿真与实验的Cora等级对比如表2所示。

表2 材料、零部件实验矩阵及其对标情况

其中分总成级实验中的座椅整体骨架刚度、腰托刚度、头枕动态打击的仿真与实验结果对比如图4所示。整体Cora等级大于98%，由此可以看出，仿真模型能够较好地表征物理样件的真实性能。

3 整椅鞭打实验与仿真标定

鞭打系统仿真预测工作涉及到有限元假人的精度、座椅模型的精度和假人与座椅的交互响应，传统的实验与仿真对标方法是将仿真假人与座椅的位置调整到与实验设置一致的情况，并对座椅的相关材料属性等进行微调来达到实验与仿真假人的动态响应趋势吻合［10］，这种对标方式是基于物理假人与仿真假人100%一致的情况下进行的，忽略了物理假人与仿真假人本身的不同。本文中基于第2节对标良好的整椅模型与上汽大众鞭打仿真“最佳实践”方法，建立了如图5所示的鞭打仿真模型进行整椅级别的仿真对标。

对标完成后的实验与仿真结果一致性非常高，假人伤害相关通道的实验与仿真对比Cora等级评价如图6所示。

假人头部加速度曲线、胸部T1平均加速度曲线和NIC曲线如图7所示。由图可见，仿真预测结果与实验结果吻合良好，其中头部加速度曲线的Cora等级达到了0.974。

至此，已经得到一个仿真精度良好的整椅计算模型，将作为下一步深度学习生成数据的基础。根据深度学习方法的特点，必须选取一些对于挥鞭伤结果有重要影响的因素，同时为使数据集生成过程更高效，也有必要对此步骤进行流程化开发。

4 获取深度学习所需的关键数据

4.1 影响鞭打的关键因素

如前文所述，影响座椅鞭打成绩的因素有很多，陈长亮等［3］对靠背刚度、头枕刚度等进行了研究。任海波等［11］研究了座椅面套与假人的摩擦因数对座椅防挥鞭性能的影响。李永攀等［12］对面套钢丝、防异响无纺布、靠背骨架弹簧等进行研究。周泽斌等［13］通过改进头枕的结构并优化头枕强度和发泡厚度等措施，来提高座椅的防挥鞭伤性能。王晋等［14］对假人的坐姿、座椅的试验状态（坐垫高度调节装置）和座椅发泡蒙皮的光滑程度等进行研究。宁成业等［15］通过调整座椅头枕头后间隙和座椅靠背骨架焊接的方式提升座椅整体刚度，改进了鞭打性能。

虽然国内外学者对座椅鞭打做了大量研究，但都基于某个或某几个关键因素进行，整椅的鞭打性能与各因素相关性很大，所以有必要尝试同时对所有的关键因素进行研究。本文中基于上汽大众某平台座椅项目经验与各学者的研究，尽可能考虑所有影响因素，探寻各影响因素之间的相关性以及与假人伤害值之间的关系，并将所得到的对应关系作为下一步深度学习的基础数据，具体的影响因素如表3所示。

表3 影响鞭打的关键因素

4.2 分析流程自动化

考虑到同时计算所有影响因素，数据样本非常庞大，数据准备过程与处理生成过程冗繁，因此，须对整个数据准备过程自动化，把标定良好的鞭打模型作为基础模型，并将所有的变量通过PAMCRASH的PYVAR关键字设置为变量，赋予每个变量一定的变动范围，利用Python建立自动化脚本实现自动化因子更改、自动化和HPC（高性能计算机）交互。另外有：

（1）假人位置的改变会导致假人与座椅泡沫之间产生干涉，同时引起假人与安全带不匹配，因此须对座椅泡沫重新压缩，安全带重新进行缠绕。这整个过程也需要自动化，因此开发了针对假人定位、座椅调节、座椅泡沫自动压缩、替换、安全带自动缠绕的程序，并应用于本项研究，程序界面如图8所示。

（2）传统的商用后处理软件一般仅能同时承载5～10个大型计算结果文件，因此整个计算结果的后处理应不依赖于商用后处理软件。为此，利用Python重新编程，对PAMCRASH计算后的二进制结果文件.erfh5进行快速读取、分类、统计和呈现。最终，实现了大量计算结果的快速自动化处理，极大提高了效率。整个自动化流程如图9所示。

5 深度学习工作流程

5.1 训练数据准备

将表3中影响挥鞭伤的关键因素A～M按照其允许的最大波动范围建立全因子输入参数集，并利用碰撞分析有限元软件Pamcrash进行仿真，共完成15 000次仿真，获得了输入数据集。

按照机器学习的术语，将影响挥鞭伤的关键因素A～M称之为特征值，由于各特征值之间存在量纲差异，为消除这种单位以及尺度差异等的影响，需要对每个特征值进行归一化［16-17］。

本文中采用标准差方法作为归一化方法：

式中xˉ和σ分别为对应伤害值的均值和标准差。归一化后的特征将分布在［-1，1］区间且服从正态分布。

虽然每个变量都提供了一定信息，但变量太多增加了计算的复杂性，也给合理性分析和解释带来困难，每个变量所提供的信息在一定程度上有所重叠，因此须设法将原来变量重新组合成一组相互无关的新综合变量，进行维度降低，同时根据实际需要，从中选出尽量少的变量尽可能多地表达原来变量的信息，本文中利用主成分分析法进行数据降维，将降维后的数据作为全新的数据样本，用于深度学习的模型训练，整个方法流程如图10所示。

5.2 模型训练

BioRIDII假人伤害响应是假人向后运动过程中与座椅接触，假人头部与座椅头枕碰撞以及座椅变形过程中（0.1 s内）采集到的假人体内若干部位的传感器信号，其响应曲线是时间序列的增量。较为传统的方式是可以使用前馈神经网络（feedforward neural network，FFNN）来表示整个过程假人的响应，但这个过程需要大量的FFNN以及一些不确定变量，另外，传统的FFNN方法无法表征响应对于时间的依赖性［17-18］。

循环神经网络（recurrent neural network，RNN）是一种可以预测数据序列（如时间序列）的体系结构。与前馈神经网络不同，RNN使用序列中先前评估的信息预测下一个值。本文采用一种特殊的RNN结构，即LSTM网络。图11示出该神经网络的主要架构。通过LSTM与FFNN的结合来预测假人响应，同时解决整个响应过程中对时间的依赖问题［19-21］。模型由开源的Python深度学习框架PyTorch进行训练［22］。

输入数据集被随机分为两部分，75%作为训练数据集，25%作为测试数据集，用于评估“训练后的”人工神经网络的泛化能力。

模型采用Adam优化器［22］，初始学习率为0.001，激活函数采用tanh函数，具体的模型架构如表4所示。

表4 LSTM-FFNN模型架构

同时，使用均方误差（MSE）函数度量模型性能：

当ypredict=ytest时，误差降为0，同时计算每条曲线的均方误差（MSE），训练集与测试集的均方误差变化过程如图12所示。

5.3 模型预测

为进一步验证训练后的神经网络的泛化能力，重新生成了30个全新数据集，新数据集与原训练数据集及测试数据集无交叉。为此自由组合不同的变种，同时利用PAMCRASH计算出每个变种的假人伤害值曲线，并利用训练后的神经网络模型对假人的伤害曲线进行预测，再对经过计算的假人伤害值曲线与预测的假人伤害值曲线进行对比，其中一组特征值的对比结果如图13所示。预测曲线在很大程度上表征了仿真曲线的峰值与脉宽，能够较好地反映假人响应。

6 总结与展望

汽车座椅是一个涉及金属和多种软质材料的复杂系统，尤其在挥鞭伤工况中，各种影响因素交织在一起形成了最终的假人伤害响应。基于传统的有限元法，如未分层次对其中的各因素进行对标，仿真预测效果会非常一般。本文提出了一系列材料级、零部件级、子系统级和整椅级的实验方法，通过这些实验与仿真的对标，获得仿真精度较高的计算模型。然后，从众多影响因素中选取若干关键因素，通过自动化的CAE分析流程获得大量数据集，借助于深度学习技术长短期记忆网络构建了一种可以快速预测响应值，即假人伤害曲线的神经网络架构，可以快速地预测假人在不同设计变量下的响应，使工程师在更改设计变量的同时，即刻预测假人响应。由于不必再进行时间冗长的CAE计算，所以这种快速获得响应的优势可以帮助工程技术人员在较短的时间内获得最优解，有效地提高了开发效率。

目前该方法还在进一步拓展之中，在预测假人时间历程响应的同时，同步获得座椅与假人随时间变化的变形情况，将是后续研究的重点之一。