乘用車振動舒適性評價及預測

王生昌, 胡慧敏,劉 丹, 蔡鳳田, 楊澤中

(1.長安大學 汽車學院,陜西 西安 710064;2.運輸車輛運行安全技術交通行業(yè)重點實驗室,北京 100088)

0 引言

在汽車產業(yè)迅速發(fā)展的今天，為了有更好的駕駛及乘坐體驗，消費者對汽車振動舒適性的要求日益提高。具有良好振動舒適性的車輛可以減少駕駛員和乘員的疲勞，保障行車安全，延長使用壽命，提高汽車生產廠商的競爭力，因此對汽車的振動舒適性進行有效的預測及評價非常必要。目前用于汽車性能評價的方法有：依賴于道路試驗和評價人員的主觀評價、對有關數(shù)據(jù)進行測試分析的客觀評價及通過仿真軟件對性能指標進行仿真研究的計算機仿真[1]。主觀評價可以準確地反映車內人員的直觀感受，但評價結果受評車師個體差異的影響較大，不確定性強?？陀^評價與計算機仿真以測量參數(shù)作為評價依據(jù)，可以獲得評價人員不易察覺到的信息，但無法表達行車過程中“人”的相關感覺。故擬建立評價預測模型，用客觀試驗數(shù)據(jù)預測主觀評價得分，結合主、客觀評價來進行振動舒適性評價，使評價結果更可靠。

Ash[2]采用神經(jīng)網(wǎng)絡模型研究主客觀評價之間的關系，并討論了如何運用評價結果來進行車輛設計改進。Valasek等[3]選取多輛乘用車進行主、客觀評價的相關試驗，進而研究了汽車振動舒適性主客觀評價的相關性。Maeda[4]對ISO 2631-1標準的局限性進行研究，并給出了如何在振動環(huán)境下結合乘車人的振感體驗進行主觀試驗。Pennati等[5]選取不同的受試人員進行加速度測量試驗，建立了能擬合車輛座椅傳遞到人體的加速度模型，并構建了機械模型用于車輛舒適性評估。杜子學[6]提出了綜合速度、路面狀況等因素于一體的汽車綜合振動舒適度指標對汽車平順性進行分析與評價。唐榮江[7]利用神經(jīng)網(wǎng)絡建立了汽車振動舒適性客觀測量參數(shù)與主觀評價之間的關系，并建立了振動舒適性評價系統(tǒng)。龍江[8]通過體壓試驗對座椅舒適性進行主觀評價并進行體壓分布測試，利用改進后的BP神經(jīng)網(wǎng)絡建立了舒適性預測模型，模型預測結果較好。

本研究分別運用支持向量機和BP神經(jīng)網(wǎng)絡，基于試驗數(shù)據(jù)建立舒適性預測模型。首先利用灰色關聯(lián)度分析對影響乘用車振動舒適性的因素進行預處理，找到影響主觀得分的主要因素，再分別利用支持向量機和BP神經(jīng)網(wǎng)絡建立舒適性得分預測模型，比較兩模型的預測精度，找到更適用于舒適性預測的模型。

1 評價體系

1.1 主觀評價體系

為對試驗車振動舒適性進行全面評價，選取上下起伏、側傾晃動等10個具有代表性的評價指標作為主觀評價指標，依據(jù)各指標評價內容來對試驗車進行打分和評價[9-10]，見表1。

表1 主觀評價指標

主觀評價打分采取滿分10分制，打分間隔為0.25分，提高了評價精確度[11]。試驗車舒適性越好，得分越高，評分人員為專業(yè)評車師。

1.2 客觀測量指標

2 試驗及試驗結果

2.1 試驗準備

選取配置不同的7輛乘用車(記為P1，P2，P3，P4，P5，P6，P7)，記錄車輛的基本參數(shù)并進行主觀評價和客觀評價試驗，測取客觀評價參數(shù)，對車輛進行主觀打分。

2.1.1 試驗人員

由1名經(jīng)驗豐富的評車師和5名隨車人員組成試驗團隊進行乘用車振動舒適性主、客觀評價試驗。評車師安全地駕駛試驗車以不同的試驗車速行駛來完成主、客觀評價試驗，根據(jù)主觀評分依據(jù)對試驗車進行打分。隨車人員主要負責試驗儀器拆、裝和記錄試驗數(shù)據(jù)等工作。

2.1.2 試驗儀器

乘用車振動舒適性客觀評價試驗過程中采用的試驗儀器包括2個脈沖試驗用凸塊、1個DEWETRON數(shù)據(jù)采集儀和美國PCB公司的3個壓電式加速度傳感器。表2為三軸向加速度傳感器的主要技術參數(shù)。

表2 加速度傳感器技術參數(shù)

2.1.3 客觀評價試驗

隨機輸入試驗車速為40, 50,…,90 km/h，試驗路段選取試驗場內平坦的干燥瀝青路。進行該試驗時，駕駛員駕駛試驗車分別以試驗車速勻速駛過試驗路段。

脈沖輸入試驗車速為10, 20,…,60 km/h。進行該試驗時，駕駛員駕駛試驗車分別以試驗車速勻速前進，使得同一車軸兩側的車輪同時接觸垂直放置在車輛前方的凸塊，勻速駛過凸塊。

2.1.4 主觀評價試驗

在客觀評價試驗的基礎上進行車輛全油門加速試驗作為主觀評價試驗。全油門加速行駛時，試驗車以正常行駛狀態(tài)加速到60 km/h并保持5 s之后，駕駛員急踩油門踏板，全油門加速至120 km/h后松開加速踏板。試驗時，將車速偏差控制在±4%以內。

為保證數(shù)據(jù)的可靠性，客觀評價試驗和主觀評價試驗中每個車速的試驗進行5次，取5次測量數(shù)據(jù)的均值作為最終數(shù)據(jù)。

2.1.5 試驗注意事項

為保證試驗安全和試驗結果的準確性，試驗前調整試驗車輪胎氣壓至標準狀態(tài)，試驗時車輛滿載，并且要將載物固定避免其在車內晃動。乘員以日常乘車姿勢倚靠在座椅上，雙手放置在大腿上方。駕駛員根據(jù)自己的駕駛方式駕駛車輛，避免坐姿變化。

2.2 試驗結果

2.2.1 主觀試驗結果

主觀評價試驗之后，評車師根據(jù)行車過程中駕駛及乘坐感受對車輛的各指標進行打分，給出每輛車的總得分和評語，車輛主觀評價得分見表3。

表3 各指標主觀得分

試驗過程中，試驗車P1的前后車輪駛過凸塊時，振感基本一致，比較平穩(wěn);車輛振動迅速衰減，乘員基本沒有出現(xiàn)不適感，振動舒適性好。試驗車P2和P3乘坐體驗相似，車輛駛過凸塊時無強烈振動，較為平穩(wěn)，振動舒適性較好。試驗車P4年代稍長，存在懸架等部件老化的情況，故行駛過程中減振效果差，車輛駛過凸塊時出現(xiàn)了懸架打頂和打底現(xiàn)象，沖擊加強，振動明顯增大，乘車體驗整體較差。試驗車P5懸架偏硬，路感較強，車身易出現(xiàn)共振現(xiàn)象，駛過凸塊時振感明顯，影響乘坐舒適性。試驗車P6振動衰減比其他車輛較為緩慢，駛過凸塊時沖擊力較大，乘坐體驗一般。試驗車P7是SUV車型，懸架側重于舒適性，沖擊強度適中，車身較平穩(wěn)，乘坐體驗一般偏好。

熵值法[15]可以判斷某個指標的離散性，根據(jù)各個指標提供信息量所占的比例來確定其權重，能夠排除主觀因素對權重指標確定的影響。本研究利用熵值法計算乘用車振動舒適性主觀評價各指標的權重，并結合各指標主觀得分計算出試驗車輛主觀評價總得分，分別見表4、表5。

表4 各指標權重

表5 試驗車主觀評價總得分

2.2.2 客觀測量數(shù)據(jù)

圖1 最大加速度響應與試驗車速的關系Fig.1 Relationship between maximum acceleration response and test speed

圖2 綜合總加權加速度均方根值與試驗車速的關系Fig.2 Relationship between rms of integrated total weighted acceleration and test speed

3 振動舒適性主、客觀評價模型

若全面考慮脈沖試驗和隨機試驗各車速下的客觀測量數(shù)據(jù)，則數(shù)據(jù)集過于龐大，且每個車速對主觀評價的影響因子大小不能確定，不利于評價模型的建立。故本次研究中，基于駕駛人的實際道路駕駛經(jīng)驗，選擇脈沖輸入試驗車速20 km/h和隨機輸入試驗車速60 km/h作為評價車速，測量數(shù)據(jù)見表6。

表6 各試驗車測點及測量數(shù)據(jù)

3.1 客觀數(shù)據(jù)關聯(lián)度分析

灰色關聯(lián)度分析(grey relation analysis, GRA)是一種定量描述變量之間關聯(lián)程度的分析方法，且適用于小樣本、無規(guī)律性數(shù)據(jù)[16]。本研究選用GRA定量分析12個客觀指標對舒適性主觀評價結果的影響程度，找到影響舒適性得分的主要因素，用于主、客觀評價模型的建立。其中，主觀評價得分x0(k)(k=1, 2,…,m)為參考數(shù)列，客觀測量數(shù)據(jù)xi(k)(i=1,2,…,n)為比較數(shù)列。

3.1.1 數(shù)據(jù)預處理

進行關聯(lián)度計算之前，采用均值化對數(shù)據(jù)進行無量綱化預處理，避免數(shù)據(jù)的量綱和數(shù)值差異對分析結果帶來影響。

(i=0, 1,…,n，k=1, 2,…,m),

(1)

3.1.2 關聯(lián)系數(shù)計算

計算差序列|x0(k)-xi(k)|并找出最大值M和最小值m。計算k時刻比較數(shù)列和參考數(shù)列x0(k)的關聯(lián)系數(shù)ξ0i(k)：

ξ0i(k)=

(2)

式中ρ為分辨系數(shù)，ρ∈[0,1], 本研究取ρ=0.5。

3.1.3 關聯(lián)度計算、

計算兩個數(shù)列關聯(lián)系數(shù)的平均值，得到關聯(lián)度：

(3)

結果見表7。

表7 各因素的關聯(lián)度

3.2 支持向量機模型

支持向量機(support vector machine, SVM)適用于小樣本、非線性問題[17]，它首先對輸入向量做升維處理，再利用核函數(shù)將其映射到高維空間，在這個空間對數(shù)據(jù)進行擬合處理。試驗車樣本為小樣本，且待預測的主觀評價分值與客觀測量參數(shù)之間不呈線性相關，故建立支持向量機預測模型。

將GRA篩選后的客觀測量數(shù)據(jù)作為輸入變量，主觀得分作為輸出變量，建立基于實車試驗的乘用車振動舒適性主觀評價得分預測模型。

(1)將試驗數(shù)據(jù)歸一化處理。

(2)利用K-fold Cross Validation(K-CV)交叉驗證模型經(jīng)粗略選擇和精細選擇后，確定最優(yōu)懲罰參數(shù)c=4和核函數(shù)參數(shù)g=0.062 5，結果見圖3。

圖3 精細選擇圖Fig.3 Fine selection graph

(3)利用最優(yōu)參數(shù)對SVR模型進行訓練，并預測振動舒適性主觀評價得分，結果見圖4。

圖4 SVM模型預測結果Fig.4 Prediction result of SVM model

3.3 BP神經(jīng)網(wǎng)絡模型

BP網(wǎng)絡的特點是能夠將誤差反向傳播來調整神經(jīng)網(wǎng)絡，直至輸出期望值[18]。利用MATLAB建立包括輸入層、隱含層、輸出層的3層BP神經(jīng)網(wǎng)絡模型[19]并進行訓練，輸入?yún)?shù)為客觀影響因素，即(x2,x3,x4,x5,x6,x7,x8,x9,x10,x12)，輸出參數(shù)為主觀評分。參考經(jīng)驗公式并經(jīng)過多次試驗確定隱含層節(jié)點數(shù)為7，即構建的神經(jīng)網(wǎng)絡結構為10-8-1。設置正切S形tansig函數(shù)和purelin函數(shù)為隱含層和輸出層節(jié)點傳遞函數(shù)[20]。BP神經(jīng)網(wǎng)絡模型經(jīng)過訓練之后，對主觀評分進行預測，見圖5。

圖5 BP神經(jīng)網(wǎng)絡模型預測結果Fig.5 Prediction result of BP neural network model

3.4 預測結果及模型對比

引入相對誤差δ和均方根誤差(RMSE)來分析SVM模型和BP神經(jīng)網(wǎng)絡模型的預測結果，比較2個模型的預測精度，實際評分與預測結果見表8。

表8 實際評分與預測值對比

由比較結果可知，2種相關性模型對振動舒適性主觀評價得分的預測誤差均較小。SVM模型預測結果中，P3車輛預測相對誤差較大，為5.02%，其余6輛車的預測相對誤差都小于2.5%。BP神經(jīng)網(wǎng)絡模型由于訓練樣本數(shù)量少，預測誤差偏大，P6車輛預測相對誤差最大，為8.3%，其余6輛車預測相對誤差在2.5%～5.8%之間。SVM模型預測結果的均方根誤差也小于BP神經(jīng)網(wǎng)絡模型，因此SVM模型預測效果整體較好。

4 結論

為了實現(xiàn)乘用車振動舒適性主觀評價客觀化，選取7輛乘用車進行主、客觀評價試驗，獲得主觀評價指標得分和客觀測量參數(shù)，并采用回歸分析與BP神經(jīng)網(wǎng)絡建立了相關性模型。分析得到如下結論：

(1)脈沖輸入試驗中，當車速大于40 km/h時，最大加速度響應呈線性增長趨勢變緩，即當車速大于40 km/h時，脈沖輸入行駛中，車速變化對振動變化的影響減小。隨機輸入試驗中，綜合總加權加速度均方根值隨車速呈線性增長趨勢。

(3)經(jīng)對比分析，支持向量機模型預測精確度更高，穩(wěn)定性較好，更適合解決振動舒適性評價預測的小樣本問題。