汽车碰撞安全工程-碰撞波形质量评价

综上所述，在概念设计阶段，加速度峰值、等效方波高度、可压缩空间、压溃量、波形效率、二阶波形高度比、加速度波长、残余变形量等参数都对碰撞试验结果有显著影响，但是，波长与残余变形量是结构总布置参数不可控的变量，因此适合于确定完结构参数以后，在简易数字化模型上用于概念再确认。总体设计原则是，首先设计前端，尽可能提高吸能效率，限制车室内侵量，将能量尽可能少地传给乘员。然后，乘员约束系统用最佳方式来承接这部分从车体传过来的能量。这些参数可以用来在概念阶段设定碰撞特征目标，也可以在一轮结构耐撞CAE完成以后对车体响应进行评价。如果车型开发是在某个已有的平台基础上进行升级，还可以用这几个指标对上一代平台的波形质量进行工作基础质量评估。综合总结各个星级之间的车体碰撞特征参数见表3.3，图示化评价见图3.56。

表3.3　各车体碰撞响应特征值对不同星级的分布

图3.56　56km/h FRB试验波形评判准则

可以认为，进入三星区的车体响应是很难获得美国NCAP五星的，但同时必须指出，即使进入五星区也不能保证最终正面防护结果获得五星成绩，因为乘员伤害结果还与约束系统和车体的耦合效果相关。只能说，绿区车体结构给后续的约束系统匹配提供了一个稳定的平台保障，并打下了良好的基础。车体进入某个星级是有一个明确的车体响应界限的，这一点是可以肯定的。

另外，为了观察各个参数对综合安全表现的影响度，我们利用支持向量机（简称SVM）在结构参数输入和综合乘员伤害输出之间作线性回归拟合分析。在附录Ⅰ的统计信息中，加速度峰值、等效方波高度、可压缩空间、压溃量、波形效率、二阶高度比被当作输入量，以乘员综合伤害指标Pjoint作为输出结果，1～90行数据被用作训练数据，91～120行数据作为模型测试数据。

支持向量机是一种基于统计学理论的新型监督式学习机，广泛应用于统计分类以及回归分析。给一组训练数据标明类别，SVM训练算法就会建立起一个可以将新数据自动归类的模型，属于一般化线性分类器，其特点是能够同时最小化经验误差与最大化几何边缘区。LIBSVM^[1]是一个集成软件^[24]，可同时用于支持向量分类（C-SVC，nu-SVC）、回归（epsilon-SVR，nu-SVR）和分布预估（one-class SVM）。现用LIBSVM对训练数据组进行ε-支持向量机回归，并对乘员综合伤害指标Pjoint进行预测。

使用5循环交叉验证方法，在0～5内寻找ε系数的最佳值。输出量的描述方程为：

其中，K是核函数，xi从i=1到i=l是训练样本的输入向量，l是训练数据的个数。和b为求得输入的线性函数。我们使用的线性核函数如下：

K（X，Y）=XYY（3.46）

因此，式（3.45）可以为输入向量x元素的线性组合，其系数由和xi来确定：(www.xing528.com)

在LIBSVM中，是模量参数形式的输出，因此可以据此在描述方程中确定出每一个x元素的系数。

回归拟合方程如下：

f=Σaixi（3.48）

其变量说明见表3.4。

表3.4　回归方程变量说明

两组拟合训练的效果检验见图3.57。曲线A为实际测试曲线，曲线B为利用拟合方程（3.48）根据实测输入参数预测的综合伤害输出指标。

需要指出的是，根据本研究的训练范围，不能由公式（3.48）依靠车体响应参数直接得出一个明确的乘员伤害预期值。本方法的意义在于，验证各种车体参数对乘员伤害的影响趋势，分析各个车体响应对乘员伤害水平的影响程度。从图3.57的结果上来看，公式（3.48）所示的回归结果与实测结果虽然在绝对幅值上有差异，但是在影响趋势上是很一致的。从参数的幅值可以看出，加速度峰值、车体压溃结束时间、波形效率对胸部伤害值的上升具有非常重要的影响。这与前面所述的单向指标影响分析的趋势也是相吻合的。

图3.57　驾驶员胸部伤害值实测参数与模型预测参数趋势的对比