智能型汽車安全氣囊點火控制算法

吳亮亮，凌 旭

(重慶理工大學機械工程學院，重慶 400054)

安全氣囊系統(tǒng)又稱輔助乘員保護系統(tǒng)，其作用是當汽車發(fā)生碰撞后在極短時間范圍內給氣袋迅速充滿氣，從而在乘員和汽車內部各構件之間形成一道緩沖吸能屏障。因此，利用安全氣囊系統(tǒng)可以盡可能地削弱乘員因碰撞所遭受的沖擊力，起到保護乘員的作用。

安全氣囊在被動安全方面發(fā)揮著重要作用，但隨著安全氣囊的普及，可能對乘員造成傷害的負面效應也逐漸顯露出來。存在的主要問題包括安全氣囊的延遲點火、漏點火和誤點火等現象時有發(fā)生，對乘員造成嚴重的傷亡和財產損失。為了使安全氣囊正確點火，研究安全氣囊的點火控制非常必要。

1 安全氣囊點火原理

當汽車發(fā)生碰撞時，安全氣囊點火控制系統(tǒng)利用車身上的壓力傳感器的信號(主要是減速度)迅速判斷出碰撞時的車速、碰撞強度等相關信息，然后再根據收到的信息與預先設定的閾值相比較，從而決定是否點爆安全氣囊以及何時點爆安全氣囊。

安全氣囊最佳點火時刻是在發(fā)生時刻到安全氣囊完全展開時乘員的頭部正面與氣囊相接觸時刻的前30 ms。目前，國際上一般利用“127mm－30ms”準則來確定安全氣囊的最佳點火時刻。其含義為:當汽車剛開始發(fā)生碰撞時，乘員相對于車體向前移動127 mm的時刻的前30 ms時間點就稱為安全氣囊的最佳點火時刻。一般情況下，轎車乘員與轉向盤之間的間距大約為305 mm，氣囊充完氣后的厚度約178 mm，氣囊從點爆到充滿氣體所用時間為30 ms。由此可知:安全氣囊的最佳點爆時刻為乘員前移127 mm這一時刻的前30 ms。

安全氣囊點火控制算法研究主要分為2個方面:一方面根據點火條件給出點火判斷;另一方面是根據給定的最佳點火時刻，利用BP人工神經網絡和模糊控制相結合，通過多次試驗提高安全氣囊的點火精度，改善安全氣囊的安全性能。

2 控制算法

2.1 模糊控制

“模糊”與“精確”是相對的概念。模糊性普遍存在于人類的語言交流和思維中，是一種不確定性的表現。隨機性則是客觀存在的不確定性的另一種類型的表現形式。兩者雖都具有不確定性，但有著本質的區(qū)別:模糊性主要指的是人對于概念外延的主觀理解上的不確定性;隨機性則主要反應了客觀上的自然的不確定性，即對事件發(fā)生與否的不確定性。

模糊控制有2個非常突出的優(yōu)點:第一，相對于其他類型的控制，模糊控制可比較全面地利用人類的語言信息，使人的控制策略的實現非常便捷;第二，在缺少被控對象數學模型的情況下，模糊控制可以實現較好的控制，這是因為模糊控制器輸入、輸出模糊集和模糊規(guī)則中已隱含被控對象的動態(tài)特性。

模糊邏輯系統(tǒng)指的是那些與模糊概念和模糊邏輯具有直接關系的系統(tǒng)，通常由模糊化、模糊規(guī)則庫、模糊推理機和去模糊化4部分組成［1］。圖1為模糊邏輯系統(tǒng)的基本結構。

圖1 模糊邏輯系統(tǒng)的基本結構

2.2 BP 神經網絡

BP神經網絡是一種單向傳播的多層前饋網絡，其結構如圖2所示。網絡除具有輸入、輸出節(jié)點以外，還含有單層或者多層的隱層節(jié)點，其同層節(jié)點之間沒有任何耦合關系。它是利用期望值與輸出值之間的誤差，從輸出層向輸入層的方向進行計算，是反向遞推計算的，所以通常稱該算法為誤差反向傳播算法，其網絡學習過程是一種誤差邊向后傳播邊修正權系數的過程［2］。

人工神經網絡主要是用來模擬人類大腦的組織機構和運行機制，它的一個重要特點是神經網絡在進行訓練前必須確定其結構。在神經網絡參數修改的過程中，對于已經確定的神經網絡其結構將不再發(fā)生變化。在人工神經網絡的應用中，對于給定的任務，其輸入層神經元和輸出層神經元個數是已知的。如果隱含層神經元個數可以被求出，那么神經網絡的結構就可以被完全確定下來。

圖2 BP神經網絡結構

以僅含有1層隱層結構的BP神經網絡為例，假定其3層網絡結構分別為:輸入層i個神經元，隱層n個神經元，輸出層c個神經元，網絡的權值為W。

若輸入訓練樣本為X=(x1，…，xi)T，則期望輸出為τ=(t1，…，tc)T，網絡實際輸出為 z=(z1，…，zc)T，隱含層輸出為 y=(y1，…，yn)T，Y 為神經元的凈輸出。對于隱含層有:yj=f(Yj)，Yj=wjmxm，i=1，…，n;對于輸出層有:zk=f(Yk)，Yk=，i=1，…，c。

誤差平方和準則函數為

權值調整公式為

其中:η為學習速率;x0、y0是為引入閾值而設置的偏置量［3－4］。

BP算法通過有教師的方式進行學習，由教師對每一種輸入模式設定一個期望值，然后對網絡輸入實際的學習模式，并由輸入層經隱層向輸出層傳播。實際輸出與期望輸出的差即為誤差，其依據使平方差最小的學習規(guī)則，由輸出層向隱層修正鏈接權值，該過程稱為“誤差逆向傳播”［5］。BP算法是應用于感知器神經網絡的最廣泛的算法，主要由信息正向傳播和誤差反向傳播兩個過程組成。BP算法流程如圖3所示。初始化就是對W設初始值，一般取零左右的極小隨機數。

圖3 BP算法流程

3 算法模型

算法采用兩級結構，結合BP神經網絡與模糊控制同時進行點火預測。其優(yōu)勢在于既發(fā)揮了BP神經網絡的非線性映射特性，又發(fā)揮了模糊控制策略實現的便捷性［6］。圖4為算法結構。

圖4 算法結構

本算法的任務是根據加速度采樣數據預測頭部位移，判斷是否需要點火，滿足點火條件時按照“127mm－30ms”準則確定最佳點火時刻。當模糊控制判定滿足點火條件時，由BP神經網絡預測當前時刻后30 ms時刻的頭部位移。如果達到127 mm位移，則安全氣囊點火;否則，繼續(xù)預測位移量，直到預測位移量達到127 mm，使安全氣囊點火。算法結構中上部分為模糊神經網絡層，1層為特征提取層，2、3層為策略判定層，4層為決策層;下部分為BP神經網絡層。本研究的BP網絡采用兩層隱層結構，第1、2層均采用10個節(jié)點，傳遞函數采用雙曲正切Sigmoid型函數，輸入層節(jié)點為5個，輸出層節(jié)點為1個。每次輸入的數據是當前時刻算之前最近10 ms的加速度值，采樣周期為2 ms，即每次輸入是1個由5個數據組成的向量。

4 算法驗證

圖5為某車型實際臺車試驗時得到的2條不同初速度下的加速度曲線樣本，分別為32 km/h和56 km/h的100%重疊正碰時的加速度曲線。圖6為與之對應的該碰撞初速度下假人的頭部位移曲線。

運用Matlab的神經網絡工具箱mntool及模糊邏輯工具箱fuzzy建立對應的網絡控制層，利用加速度數據以及位移數據分別對這2個網絡進行訓練。訓練好算法模型后，再輸入加速度樣本數據即可以得到頭部位移的預測曲線。將預測的頭部位移曲線與頭部位移曲線的樣本值進行比較，檢驗其預測點火時刻頭部位移值與樣本值的誤差是否在確定的范圍之內，從而檢測其算法的有效性［7－8］。

圖5 100%重疊正碰加速度曲線

圖6 100%重疊正碰假人頭部位移曲線

圖7和圖8分別為32 km/h和56 km/h 100%重疊碰撞時，頭部位移的網絡輸出值與樣本值的局部放大圖。

圖7 32 km/h初速碰撞時頭部位移的模型輸出與樣本值局部放大圖

由樣本位移曲線可知:實際頭部位移127 mm時對應的時刻為52.92 ms。在圖7中52.92 ms對應的模型位移為126.82 mm，誤差為0.18 mm，在127±1 mm范圍之內。由樣本曲線可知:實際頭部位移127 mm時對應的時刻為45.22 ms，在圖8 中45.22 ms對應的模型位移為 126.81 mm，誤差為0.19 mm，在127±1mm范圍之內。

圖8 56 km/h初速碰撞時頭部位移的模型輸出與樣本值局部放大圖

由圖7和圖8可以得出:網絡預測的假人頭部位移量與樣本位移量有較好的擬合度。該網絡能比較精確地預測到乘員的頭部位移量，誤差控制在允許的范圍之內，用該算法確定安全氣囊的點火時刻是可行的。

5 結束語

利用BP人工神經網絡結合模糊控制建立安全氣囊的點火控制模型，通過模型的輸出來判定是否觸發(fā)氣囊，若滿足觸發(fā)條件，則預測什么時候觸發(fā)氣囊。與以往的安全氣囊點火控制算法相比，該算法能比較準確地判定安全氣囊的最佳點火時刻。仿真與試驗結果表明:該算法是可行的，有利于提高汽車的安全性能。

［1］劉國榮.多變量系統(tǒng)模糊/神經網絡自適應控制［M］.北京:科學出版社，2012:8－15.

［2］喬俊飛，韓紅桂.前饋神經網絡分析與設計［M］.北京:科學出版社，2013:10 －11，30－37.

［3］陳娜.基于人工神經網絡的預報型汽車安全氣囊點火控制算法的研究［D］.長沙:湖南大學，2005:44－45.

［4］郭培源.高精度汽車安全氣囊最佳點火時刻預測算法［J］.軟件，2012，33(10):89 －90.

［5］秦孟蘇.基于模糊神經網絡的汽車安全氣囊智能點火控制算法［D］.長沙:湖南大學，2008:36－38.

［6］武濤.汽車安全氣囊控制系統(tǒng)及碰撞分析系統(tǒng)的設計［D］.合肥:中國科學技術大學，2011:20 －24.

［7］周潤景，張麗娜.基于MATLAB與fuzzy TECH的模糊與神經網絡設計［M］.北京:電子工業(yè)出版社，2010:122－136.

［8］李國勇.神經·模糊·預測控制及其MATLAB實現［M］.北京:電子工業(yè)出版社，2013:201－214.