采用預(yù)測模式的智能安全氣囊控制算法*

白中浩 白芳華 劉玉云 王玉龍

(湖南大學(xué)汽車車身先進(jìn)設(shè)計制造國家重點試驗室，湖南長沙410082)

安全氣囊可以有效保護(hù)乘員，使其免受或減輕碰撞傷害.根據(jù)美國審計署(US-GAO)報告，當(dāng)汽車發(fā)生正面碰撞時，單獨使用安全氣囊可以降低14%的重傷率，同時使用安全帶和安全氣囊可以減少50%的重傷率［1］.有研究表明，僅2000—2006年間，美國有1400多人死于安全氣囊事故，其中包括600名嬰幼兒［2］.事故分析結(jié)果表明，多數(shù)的安全氣囊事故是由于安全氣囊的誤動作造成的，包括安全氣囊的誤觸發(fā)和不觸發(fā).安全氣囊的核心技術(shù)是安全氣囊點火算法，目前一些常見的研究算法包括加速度峰值法、加速度梯度法、速度變化量法、比功率法以及移動窗積分算法.但這些算法抗干擾性能不佳，可能會造成安全氣囊在起伏或階梯等干擾路況行駛時展開，而且點火時刻控制不精確，造成安全氣囊過早觸發(fā)或推遲觸發(fā).

近幾年來，智能算法得到了迅速發(fā)展，例如神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)、粒子群算法、基于預(yù)碰撞算法［3-8］，這些算法在智能控制以及工業(yè)使用方面得到了廣泛的應(yīng)用［4-6］.劉杰等［7］設(shè)計了基于反向傳播(BP)神經(jīng)網(wǎng)的智能控制算法，該算法通過計算碰撞數(shù)據(jù)可以準(zhǔn)確地預(yù)測乘員頭部的位移，但是沒有考慮氣囊的起爆方式(單級或多級起爆)及乘員是否佩戴安全帶.Lee等［8］進(jìn)行了基于模糊神經(jīng)網(wǎng)絡(luò)的車輛約束系統(tǒng)研究，但主要集中在安全氣囊系統(tǒng)與安全帶的結(jié)合上，沒有對控制器進(jìn)行相應(yīng)的改進(jìn)，也沒有開發(fā)出相應(yīng)的硬件系統(tǒng).文中在前人研究的基礎(chǔ)上，利用某款車型的整車有限元模型和乘員約束系統(tǒng)的多剛體模型進(jìn)行仿真，根據(jù)仿真數(shù)據(jù)確定碰撞閾值和起爆時刻，將神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合應(yīng)用于安全氣囊的控制算法中，開發(fā)出相應(yīng)的智能安全氣囊控制器，并通過臺車試驗驗證該智能安全氣囊控制器的有效性.

1 仿真模型的建立

由于訓(xùn)練神經(jīng)網(wǎng)絡(luò)需要大量的碰撞數(shù)據(jù)，而在實際研究中無法獲取同一車型的大量碰撞數(shù)據(jù)，有研究表明，可以采用數(shù)學(xué)仿真的方法提高研發(fā)效率，節(jié)約研發(fā)成本［9-11］.據(jù)此根據(jù)國內(nèi)某款車型數(shù)據(jù)建立了其整車有限元模型，該有限元模型主要由殼單元和實體單元組成，其中包含965433個殼單元和122924個實體單元，以及11882個焊點單元.文中建立了完整的車輛-乘員-約束系統(tǒng)(VOR)多剛體碰撞仿真分析模型，并根據(jù)中國新車評價(C-NCAP)規(guī)程中正面100%重疊剛性壁障碰撞試驗驗證了模型，試驗采用50百分位假人，碰撞速度為50km/h.仿真與試驗驗證結(jié)果對比如圖1、圖2所示.

圖1 試驗與有限元仿真的B柱加速度對比Fig.1 Comparison of B pillar acceleration of the test and finite element simulation

圖2 試驗與多剛體仿真的頭部加速度對比Fig.2 Comparison of head acceleration of the test and multi-rigid-body simulation

圖1為有限元仿真計算與整車碰撞試驗車輛B柱加速度的對比，為比較兩條曲線的相似度，采用相關(guān)系數(shù)來衡量:

式中，ρXY為相關(guān)系數(shù)，X、Y為兩條曲線的向量，Xi、Yi為不同試驗所得的曲線向量樣本，ˉX、ˉY分別為X、Y的期望，N為向量的維數(shù).

通過曲線對比軟件分析仿真結(jié)果與試驗結(jié)果可知，其相似度為83%，總體趨勢一致，兩條曲線的峰值誤差也小于10%，說明所建立的有限元模型是有效的［12］.

圖2示出了多剛體模型與整車試驗的頭部加速度曲線，通過對比分析可知，相似度為92%，峰值的大小與出現(xiàn)的時刻誤差均在15%以內(nèi)，建立的多剛體模型可以用于后續(xù)的研究.

2 智能控制器的算法設(shè)計與訓(xùn)練

根據(jù)國內(nèi)某款車型要求，先開發(fā)了集成微處理器模塊、點火驅(qū)動模塊、加速度傳感器模塊、能量儲存電路模塊以及通信接口模塊為一體的安全氣囊控制器硬件系統(tǒng)，具體設(shè)計可參見本課題組已發(fā)表的研究成果［13］.

2.1 人工神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型

人工神經(jīng)網(wǎng)絡(luò)(ANN)是近幾年來發(fā)展極為迅速的一種智能算法，它是模仿大腦神經(jīng)突觸連接結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型.目前在神經(jīng)網(wǎng)絡(luò)的多數(shù)應(yīng)用中，基本上均采用BP神經(jīng)網(wǎng)絡(luò)及其變化形式.BP神經(jīng)網(wǎng)絡(luò)是一種誤差進(jìn)行反向傳播的多層前向型神經(jīng)網(wǎng)絡(luò)，在信號進(jìn)行正向傳播過程中，每一層神經(jīng)元只影響下一層神經(jīng)元，當(dāng)網(wǎng)絡(luò)輸出與期望輸出超出設(shè)定的閾值時，網(wǎng)絡(luò)進(jìn)行反向傳播并修改其連接權(quán)值，在特定的學(xué)習(xí)算法下，使得誤差信號越來越小.

BP神經(jīng)網(wǎng)絡(luò)的模型如圖3所示，總體包括三層網(wǎng)絡(luò):第一層為輸入層，第二層為隱含層，最后一層為輸出層.隱含層可以包含多層神經(jīng)元，通常采用logsig傳遞函數(shù)，輸出層采用線性傳遞函數(shù).該算法的學(xué)習(xí)是有監(jiān)督的學(xué)習(xí)，訓(xùn)練過程中需要提供輸入向量和期望輸出.

圖3 BP神經(jīng)網(wǎng)絡(luò)模型Fig.3 Model of BP neural network

以3層神經(jīng)網(wǎng)絡(luò)模型為例，設(shè)定輸入層的輸入數(shù)目為M，任意一個輸入用m表示，隱含層包含J個神經(jīng)元，任意神經(jīng)元為j，輸出層為P，任意輸出為p.輸入層與隱含層任意節(jié)點之間的權(quán)值記為wmi，隱含層與輸出層的權(quán)值為wjp，輸入樣本集為Z=［Z1，Z2，…，ZN］，任意樣本為zk，期望輸出為dk，實際輸出為Hk，n為迭代次數(shù)，則隱含層第j個神經(jīng)元的輸出為

輸出層第p個神經(jīng)元輸出，即網(wǎng)絡(luò)的輸出為

輸出層所有神經(jīng)元的誤差能量總和為

式中，dkp為輸出層第p個神經(jīng)元的期望輸出.

BP神經(jīng)網(wǎng)絡(luò)采用梯度下降學(xué)習(xí)規(guī)則，權(quán)值修正公式為

式中，η為學(xué)習(xí)效率.

2.2 遺傳神經(jīng)網(wǎng)絡(luò)算法

由于訓(xùn)練樣本的有限性以及網(wǎng)絡(luò)的不穩(wěn)定性，BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中可能會陷入局部極小點，而不能得到一個全局的最優(yōu)解.遺傳算法能夠在復(fù)雜空間進(jìn)行全局優(yōu)化搜索，并且有較強(qiáng)的魯棒性.因此，將其應(yīng)用于神經(jīng)網(wǎng)絡(luò)權(quán)值的訓(xùn)練學(xué)習(xí)可以得到較好的結(jié)果.

利用遺傳算法對網(wǎng)絡(luò)權(quán)值進(jìn)行優(yōu)化，在網(wǎng)絡(luò)訓(xùn)練前期對神經(jīng)網(wǎng)絡(luò)權(quán)值和偏差進(jìn)行實數(shù)編碼，將獲得的最優(yōu)解進(jìn)行解碼作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的初始值，神經(jīng)網(wǎng)絡(luò)利用自身優(yōu)勢進(jìn)行局部范圍內(nèi)的最優(yōu)解搜索.以下為遺傳神經(jīng)網(wǎng)絡(luò)的運算過程:

(1)對權(quán)值和偏差進(jìn)行實數(shù)編碼，并初始化種群P(0)以及設(shè)定相應(yīng)的遺傳算子數(shù)值;

(2)對新一代個體P(t)進(jìn)行解碼獲得網(wǎng)絡(luò)的權(quán)值與偏差，通過適應(yīng)度函數(shù)f(i)對個體進(jìn)行保留，適應(yīng)度函數(shù)采用網(wǎng)絡(luò)實際輸出與期望輸出之間誤差的平方E(i)的倒數(shù):

(3)以一定的概率對保留的個體進(jìn)行選擇、交叉、變異等遺傳計算，得到新的個體P(t+1);

(4)重復(fù)步驟(2)和(3)，直至達(dá)到結(jié)束條件;

(5)將獲得的最優(yōu)網(wǎng)絡(luò)參數(shù)進(jìn)行解碼，并作為神經(jīng)網(wǎng)絡(luò)的初始值進(jìn)一步優(yōu)化;

(6)達(dá)到神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo)，停止訓(xùn)練.

2.3 安全氣囊智能控制算法設(shè)計與訓(xùn)練

在算法訓(xùn)練中需要相應(yīng)車型匹配的最佳點火時刻參數(shù)，根據(jù)127 mm-30 ms準(zhǔn)則［14-16］，采用建立的整車有限元模型仿真10、20、30、40、50、60km/h 6個速度段12組，每組獲取10條樣本，共120個樣本曲線，部分加速度曲線如圖4所示.

將不同速度下的加速度曲線施加到多剛體分析模型中，分別得到乘員在正確佩戴安全帶與未佩戴安全帶情況下乘員的頭部運動曲線.根據(jù)127 mm-30ms準(zhǔn)則從圖5和圖6中可以得出不同的碰撞速度下部分碰撞的最佳點火時刻，見表1.

圖4 不同碰撞速度下的車身加速度Fig.4 Vehicle acceleration at different impact speeds

圖5 佩戴安全帶時不同碰撞速度下假人頭部位移Fig 5 Head displacement of dummy with belt at diffe-rent impact speeds

圖6 未佩戴安全帶時不同碰撞速度下假人頭部位移Fig.6 Head displacement of dummy without belt at different impact speeds

表1 不同碰撞速度下的起爆狀態(tài)與起爆時刻Table 1 State and time of fire at different impact speeds

將已建立的遺傳神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于安全氣囊智能控制算法中.首先選取汽車車身加速度作為遺傳神經(jīng)網(wǎng)絡(luò)算法的輸入，汽車碰撞強(qiáng)度以及乘員頭部位移作為遺傳神經(jīng)網(wǎng)絡(luò)算法的輸出，文中建立的模型共有12組樣本，分別為是否系安全帶兩種狀態(tài)及10、20、30、40、50、60 km/h六個速度段12組共120個樣本進(jìn)行訓(xùn)練，樣本的部分車身加速度曲線如圖4所示.

考慮到現(xiàn)有處理器的負(fù)載能力，確定網(wǎng)絡(luò)結(jié)構(gòu)為2層輸入層BP神經(jīng)網(wǎng)絡(luò)，傳遞函數(shù)采用logsig函數(shù)，輸出函數(shù)采用線性輸出，學(xué)習(xí)算法采用Trainlm算法.從表1中可以看出，安全氣囊一般起爆時刻為碰撞后20～30 ms，所以選取汽車碰撞曲線前20ms的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，電腦控制單元(ECU)采集加速度的頻率為1kHz，即神經(jīng)網(wǎng)絡(luò)的輸入數(shù)目M為20.因神經(jīng)網(wǎng)絡(luò)算法計算量較大，故將汽車碰撞強(qiáng)度預(yù)測與汽車乘員頭部位移預(yù)測進(jìn)行分別建模.在車輛正常運行時，安全氣囊控制器實時對碰撞強(qiáng)度進(jìn)行預(yù)測，當(dāng)檢測到碰撞強(qiáng)度達(dá)到預(yù)定的閾值時，程序會立刻進(jìn)入乘員頭部位移預(yù)測模式，根據(jù)預(yù)測的安全氣囊最佳點火時刻進(jìn)行起爆.以下對汽車碰撞強(qiáng)度預(yù)測模型與汽車乘員頭部位移預(yù)測模型進(jìn)行分別闡述.

首先是汽車碰撞強(qiáng)度模型的建立，碰撞強(qiáng)度模型以汽車與剛性墻的等效碰撞速度作為輸出［16］，即輸出的神經(jīng)元數(shù)目P=1，則隱層神經(jīng)元數(shù)目J為

式中，a為［1，10］之間的常數(shù).以不同碰撞速度下的仿真加速度曲線以及相對應(yīng)的速度作為訓(xùn)練樣本，利用遺傳算法對神經(jīng)網(wǎng)絡(luò)的權(quán)值參數(shù)和偏差參數(shù)進(jìn)行優(yōu)化，將各個參數(shù)進(jìn)行實數(shù)編碼并在遺傳算法中產(chǎn)生一個初始化種群，經(jīng)過遺傳算法優(yōu)化搜索而獲得一組較優(yōu)的網(wǎng)絡(luò)參數(shù)編碼.利用相應(yīng)的解碼原則將該組最優(yōu)解帶入到網(wǎng)絡(luò)結(jié)構(gòu)中進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，從而獲得一組最優(yōu)的網(wǎng)絡(luò)參數(shù).通過對不同數(shù)目的隱層神經(jīng)元進(jìn)行計算，當(dāng)取隱層神經(jīng)元的數(shù)目為8時，模型對碰撞強(qiáng)度預(yù)測最準(zhǔn)確，即神經(jīng)網(wǎng)絡(luò)的權(quán)值與偏差參數(shù)共有20×8+8×1+8+1=177個參數(shù).

汽車乘員頭部位移預(yù)測模型依然采用碰撞曲線前20ms的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，乘員頭部前60ms的位移數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸出，乘員頭部位移采樣頻率為500 Hz，即網(wǎng)絡(luò)的輸出個數(shù)為30個.根據(jù)式(8)確定隱含層的數(shù)目，利用同樣的原理對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，當(dāng)取隱層神經(jīng)元的數(shù)目為10時，模型對乘員頭部運動預(yù)測最為接近，神經(jīng)網(wǎng)絡(luò)的權(quán)值與偏差參數(shù)共有20×10+10×30+10+30= 540個參數(shù).

根據(jù)建立的神經(jīng)網(wǎng)絡(luò)模型，對48 km/h系安全帶的情形進(jìn)行預(yù)測，預(yù)測的乘員頭部位移如圖7所示，預(yù)測模型曲線(ANN)與多剛體仿真模型曲線(MB)的誤差曲線即為圖7中的Tolerance曲線，最大值小于10 mm，預(yù)測模型與多剛體仿真模型具有較好的一致性，可用于下一步的研究.

圖7 預(yù)測模型曲線Fig.7 Predication of model curves

3 試驗驗證

為驗證新開發(fā)的安全氣囊控制器在真實碰撞條件下的可靠性，考慮到實車碰撞試驗成本較高且未進(jìn)入實車匹配階段，可通過相應(yīng)的吸能筒組合方式的臺車碰撞試驗?zāi)M實車的碰撞曲線［17］，對控制器進(jìn)行了20、30和50km/h的臺車試驗驗證.

通過仿真得到吸能筒的組合方式，考慮到安裝的方便性，且整個臺車可視為剛體，在臺車試驗中傳感器的安裝位置對采集的信號影響不大，因此將控制器安裝在臺車中央.臺車重1035kg.圖8所示為30km/h的臺車碰撞試驗假人狀態(tài)和氣囊起爆狀態(tài).

試驗得到的安全氣囊控制器的輸出電壓如圖9所示.根據(jù)127 mm-30 ms準(zhǔn)則，通過試驗拍攝的高速攝像數(shù)據(jù)分析可知，30 km/h時安全氣囊的最佳起爆時刻為24ms;從數(shù)據(jù)采集儀采集的控制器輸出電壓信息(如圖9所示)可知安全氣囊的起爆時刻為臺車碰撞發(fā)生后26ms.最佳點火時刻與實際點火時刻相差2ms，該誤差在實際允許的誤差范圍10%以內(nèi)，對其他兩次臺車試驗的結(jié)果進(jìn)行分析，誤差均保持在10%以內(nèi).通過臺車試驗驗證了新開發(fā)的智能安全氣囊控制器的有效性.

圖8 30km/h碰撞后假人狀態(tài)圖Fig.8 Dummy state after impaction at the speed of 30km/h

圖9 智能安全氣囊控制器起爆時刻Fig.9 Fire time of intelligent airbag controller

4 結(jié)語

在已開發(fā)的安全氣囊控制器硬件系統(tǒng)的基礎(chǔ)上，建立了目標(biāo)車型的整車有限元分析模型和完整的車輛-乘員-約束系統(tǒng)多剛體分析模型，為安全氣囊初期開發(fā)及算法研究提供了一個有效的開發(fā)平臺.建立了基于預(yù)測模式的安全氣囊點火優(yōu)化算法模型.臺車試驗表明所開發(fā)的氣囊控制器能夠準(zhǔn)確地判斷碰撞狀態(tài)并進(jìn)行起爆控制.

文中對算法訓(xùn)練采用的樣本主要來自仿真結(jié)果，與實際碰撞狀況有一定的差異，在以后的研究中需要進(jìn)行更嚴(yán)格的驗證.另外，目前主要針對正面單工況進(jìn)行訓(xùn)練，在以后的研究中需要將柱碰撞、斜碰撞等工況擴(kuò)充到該系統(tǒng)，使該系統(tǒng)具有更好的適應(yīng)性.

［1］ United States General Accounting Office.Vehicle safety technologies，challenges，and research and development expenditures for advanced air bags，GAO-01-596［R］. Washington D C:GAO，2001.

［2］ Kwanghyun Cho，Seibum B Choi，Hyeongcheol Lee.Design of an airbag deployment algorithm based on precrash information［J］.IEEE Transactions on Vehicular Technology，2011，60(4):1438-1452.

［3］ Hannan M A，Hussain A，Samad S A.Sensing systems and algorithms for airbag deployment decision［J］.IEEE Sensors Journal，2011，11(4):888-890.

［4］ 趙丁選，崔功杰.基于改進(jìn)BP網(wǎng)絡(luò)的工程車輛自動換擋策略［J］.華南理工大學(xué)學(xué)報:自然科學(xué)版，2008，36 (10):67-70，75. Zhao Ding-xuan，Cui Gong-jie.Automatic shift strategy of construction vehicle based on improved BP algorithm［J］. Journal of South China University of Technology:Natural Science Edition，2008，36(10):67-70，75

［5］ San P P，Ling S H，Nguyen H T.Industrial application of evolvable block-based neural network to hypoglycemia monitoring system［J］.IEEE Transactions on Industrial Electronics，2013，60(12):5892-5901.

［6］ Zhou D W，Gao X，Liu G H，et al.Randomization in particle swarm optimization for global search ability［J］.Expert Systems With Applications，2011，38(12):15356-15364.

［7］ 劉杰，孫吉貴，李紅建，等.基于BP神經(jīng)網(wǎng)絡(luò)的氣囊點火算法模型［J］.吉林大學(xué)學(xué)報:工學(xué)版，2008，38 (2):414-418. Liu Jie，Sun Ji-gui，Li Hong-jian，et al.Setup of BP-ANN based crash sensing algorithm［J］.Journal of Jilin University:Engineering and Technology Edition，2008，38 (2):414-418.

［8］ Lee J，Kim T.A messy genetic algorithm and its application to an approximate optimization of an occupant safety system［J］.Proceedings of the Institution of Mechanical Engineers Part D:Journal of Automobile Engineering，2009，223(D6):757-768.

［9］ Seo Y，Chung S H，Yoh J J.Automotive airbag inflator analysis using the measured properties of modern propellants［J］.Fuel，2011，90(4):1395-1401.

［10］ Abdel-Nasser Y A.Frontal crash simulation of vehicles against lighting columns using FEM［J］.Alexandria Engineering Journal，2013，52(3):295-299.

［11］ Teng T，Chang F，Liu Y，et al.Analysis of dynamic response of vehicle occupant in frontal crash using multibody dynamics method［J］.Mathematical and Computer Modelling，2008，48(11):1724-1736.

［12］ 陳天志.基于整車安全性的縱梁S段結(jié)構(gòu)改進(jìn)研究［D］.長沙:湖南大學(xué)機(jī)械與運載工程學(xué)院，2007.

［13］ 王玉龍，白中浩，劉曜，等.基于乘員類型特征識別的智能安全氣囊控制系統(tǒng)［J］.汽車安全與節(jié)能學(xué)報，2012，3(3):225-231. Wang Yu-Long，Bai Zhong-hao，Liu Yao，et al.Airbag intelligent control system for different types of occupants based on characteristic identification［J］.Journal of Au-tomotive Safety and Energy，2012，3(3):225-231.

［14］ Bengt pipkorn.Crash sensing and algorithm development for frontal airbag systems using CAE methods and mechanical tests［C］∥ Proceedings of 2004 SAE World Congress.Detroit:SAE，2004:1633-1643.

［15］ Behera B K，Goyal Y.Artificial neural network system for the design of airbag fabrics［J］.Journal of Industrial Textiles，2009，39(1):45-55.

［16］ Faber P，F(xiàn)orstner W.A system architecture for an intelligent airbag deployment［C］∥Proceedings of the 2000 IEEE Intelligent Vehicles Symposium.Dearborn:IEEE，2000:70-75.

［17］ Beeman S M，Kemper A R，Madigan M L，et al.Kinetic and kinematic responses of post mortem Human surrogates and the hybrid III ATD in high-speed frontal sled tests［J］.Accident Analysis＆Prevention，2013，55:34-47.