ROM降階模型助力汽車(chē)約束系統(tǒng)魯棒性分析

背景簡(jiǎn)介

汽車(chē)約束系統(tǒng)相關(guān)零部件設(shè)計(jì)過(guò)程中，大多根據(jù)法規(guī)中高速碰撞工況下的整車(chē)加速度波形，開(kāi)展約束系統(tǒng)分析，采用優(yōu)化方法對(duì)約束系統(tǒng)零部件參數(shù)和ACU點(diǎn)火時(shí)刻等進(jìn)行標(biāo)定，確保假人傷害滿(mǎn)足法規(guī)要求，假人得分滿(mǎn)足車(chē)輛星級(jí)開(kāi)發(fā)策略要求。車(chē)輛真實(shí)的交通事故中，受限于制造工藝和實(shí)際碰撞波形，約束系統(tǒng)關(guān)鍵零部件設(shè)計(jì)的參數(shù)和點(diǎn)火指令存在一定的偏差，由此帶來(lái)乘員真實(shí)的傷害與預(yù)想的效果存在偏差。對(duì)車(chē)輛約束系統(tǒng)開(kāi)展魯棒性分析，可以評(píng)估約束系統(tǒng)設(shè)計(jì)參數(shù)波動(dòng)對(duì)假人傷害和得分的影響，為了減少魯棒性分析過(guò)程的軟硬件資源消耗，可采用近似模型技術(shù)和隨機(jī)采樣相結(jié)合的方法完成約束系統(tǒng)魯棒性的快速評(píng)估。

傳統(tǒng)的近似模型多為標(biāo)量預(yù)測(cè)算法，主要包括回歸和插值兩個(gè)大類(lèi)，其中，回歸類(lèi)典型算法包括響應(yīng)面和支持向量機(jī)，回歸類(lèi)算法函數(shù)在樣本點(diǎn)處的預(yù)測(cè)精度較低，但具有降噪等功能，適用于噪聲因素較高的自然采樣數(shù)據(jù)；插值類(lèi)典型算法有Kriging和徑向基方法，插值類(lèi)近似模型可以精確預(yù)測(cè)樣本點(diǎn)及其附近的響應(yīng)，但對(duì)噪聲的過(guò)濾能力較差，適用于低噪聲的數(shù)據(jù)類(lèi)型，如CAE分析相關(guān)的相對(duì)穩(wěn)定的數(shù)據(jù)類(lèi)型。然而，約束系統(tǒng)假人傷害響應(yīng)通?；诩偃藴y(cè)量單元CAE分析曲線(xiàn)的數(shù)學(xué)變換獲取，具有高度非線(xiàn)性，回歸類(lèi)和插值類(lèi)標(biāo)量法預(yù)測(cè)算法在遠(yuǎn)離樣本區(qū)域的預(yù)測(cè)精度較差?；赗OM降階原理的機(jī)器學(xué)習(xí)算法，采用本征值正交分解原理，可以實(shí)現(xiàn)時(shí)域頻域曲線(xiàn)的降維，具備曲線(xiàn)和場(chǎng)的預(yù)測(cè)功能，尤其是在曲線(xiàn)預(yù)測(cè)中，相對(duì)于傳統(tǒng)的標(biāo)量預(yù)測(cè)算法有更高的預(yù)測(cè)精度，本文闡述如何使用機(jī)器學(xué)習(xí)ROM預(yù)測(cè)算法開(kāi)展約束系統(tǒng)魯棒性分析工作。

ODYSSEE軟件是一款基于機(jī)器學(xué)習(xí)算法的參數(shù)化設(shè)計(jì)和決策的軟件包，具備數(shù)據(jù)處理、預(yù)測(cè)、信號(hào)處理、圖像處理與識(shí)別、優(yōu)化和魯棒性分析等功能。ODYSSEE軟件分為CAE和A EYE兩個(gè)模塊，其中，CAE模塊主要應(yīng)用于產(chǎn)品CAE性能開(kāi)發(fā)環(huán)節(jié)的性能預(yù)測(cè)和參數(shù)優(yōu)化，能實(shí)現(xiàn)對(duì)碰撞和NVH領(lǐng)域中時(shí)域和頻域曲線(xiàn)和動(dòng)畫(huà)文件預(yù)測(cè)；A EYE模塊則可以根據(jù)實(shí)際應(yīng)用場(chǎng)景，進(jìn)行具有預(yù)測(cè)功能的app工具封裝，提升使用便利性，且支持幾何，文本、圖像和曲線(xiàn)等非標(biāo)量數(shù)據(jù)的處理能力。軟件的核心預(yù)測(cè)算法為ROM(Reduced Order Model)機(jī)器學(xué)習(xí)降維預(yù)測(cè)方法，尤其適用碰撞和NVH頻響等工程問(wèn)題的高精度機(jī)器學(xué)習(xí)預(yù)測(cè)模型構(gòu)建。

ROM方法曲線(xiàn)預(yù)測(cè)基本原理與傅里葉級(jí)數(shù)類(lèi)似，如圖2所示，分為以下三個(gè)步驟

1 分解

以POD為例，通過(guò)對(duì)曲線(xiàn)族進(jìn)行本征值正交分解，獲取組成曲線(xiàn)特征

2 降階

保留核心特征，去除對(duì)曲線(xiàn)精度影響較小的特征。

3 重組

插值算法獲取各特征系數(shù)，對(duì)新設(shè)計(jì)變量進(jìn)行曲線(xiàn)重構(gòu)。

應(yīng)用案例

步驟1.案例準(zhǔn)備

約束系統(tǒng)案例來(lái)源于某乘用車(chē)駕駛員側(cè)約束系統(tǒng)模型，模型基于Ls-dyna軟件搭建，含車(chē)身、轉(zhuǎn)向、儀表板、踏板、座椅、假人、氣囊、安全帶等總成，共計(jì)網(wǎng)格數(shù)量63w。按照C-NCAP管理規(guī)則（2021版）中正面100%重疊剛性壁障碰撞工況的物理試驗(yàn)車(chē)體加速度波形，對(duì)模型進(jìn)行加載，用以評(píng)估假人傷害，指導(dǎo)約束系統(tǒng)零部件關(guān)鍵參數(shù)優(yōu)化與標(biāo)定。本案例中選取模型中的氣囊泄氣孔面積A，安全帶預(yù)緊時(shí)刻TTF-1和氣囊點(diǎn)爆時(shí)刻TTF-2作為設(shè)計(jì)變量。

步驟2.試驗(yàn)設(shè)計(jì)-DOE

使用ODYSSEE CAE軟件DOE制作工具，選取Optimal Latin hypercube方法在設(shè)計(jì)空間內(nèi)生成25個(gè)樣本點(diǎn)，使用ODYSSEE CAE軟件的Paser工具對(duì)CAE求解文件進(jìn)行批量前處理和計(jì)算提交。

據(jù)C-NCAP管理規(guī)則（2021版）中正面100%重疊剛性壁障碰撞試驗(yàn)中駕駛員側(cè)假人傷害評(píng)價(jià)項(xiàng)要求，對(duì)計(jì)算結(jié)果進(jìn)行批量后處理，獲取假人頭/頸/胸/大腿/小腿的各性能指標(biāo)曲線(xiàn)數(shù)據(jù)庫(kù)。

步驟3.機(jī)器學(xué)習(xí)模型搭建與精度訓(xùn)練

使用ODYSSEECAE工具的Lunar模塊，根據(jù)生成的DOE樣本X和響應(yīng)曲線(xiàn)庫(kù)Y，構(gòu)建設(shè)計(jì)變量與各響應(yīng)的機(jī)器學(xué)習(xí)模型，并使用Lunar界面下的userscript功能，用交叉驗(yàn)證法訓(xùn)練算法對(duì)各響應(yīng)機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練和選型，得到各響應(yīng)對(duì)應(yīng)的高精度機(jī)器學(xué)習(xí)模型算法和參數(shù)。

訓(xùn)練結(jié)果顯示，本算例的18個(gè)響應(yīng)，ODYSSEE軟件中的ROM-POD算法精度優(yōu)于Direct和Cluster算法，且POD_KRG模型在所有算法中精度最高。18個(gè)響應(yīng)的R2值除頸部剪切力Fx曲線(xiàn)外其余均大于97%，機(jī)器學(xué)習(xí)預(yù)測(cè)模型具有較高的可信度，可作為假人傷害魯棒性分析的數(shù)學(xué)代理模型。

步驟4.蒙特卡洛隨機(jī)采樣

蒙特卡洛模擬技術(shù)常被用于評(píng)估樣本的概率特性。假定3個(gè)設(shè)計(jì)變量滿(mǎn)足均值為設(shè)計(jì)值σ為設(shè)計(jì)值3.3%的正態(tài)分布（10%區(qū)間按照3σ假設(shè)），根據(jù)蒙特卡洛采樣原理，采集1000個(gè)樣本。在ODYSSEE Lunar軟件界面下，將蒙特卡洛采樣數(shù)據(jù)作為待預(yù)測(cè)樣本進(jìn)行導(dǎo)入，用訓(xùn)練后的機(jī)器學(xué)習(xí)模型進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)的曲線(xiàn)結(jié)果存儲(chǔ)為csv格式的數(shù)據(jù)庫(kù)。

步驟5.魯棒性評(píng)估

基于C-NCAP管理規(guī)則（2021版）中正面100%重疊剛性壁障碰撞試驗(yàn)中駕駛員側(cè)假人得分計(jì)算方法，對(duì)假人各部位得分進(jìn)行計(jì)算。原始設(shè)計(jì)方案中，假人頭部和大腿得分為滿(mǎn)分，頸部得分為0分，胸部和小腿均有一定程度的失分；蒙特卡洛樣本中，假人頭部和大腿性能指標(biāo)遠(yuǎn)低于罰分限值，均為滿(mǎn)分，可靠性較好，頸部有部分點(diǎn)有得分，得分率整體較低；胸部和小腿得分呈現(xiàn)正態(tài)分布類(lèi)型。假人總得分滿(mǎn)足均值為10.575方差為0.007的正態(tài)分布類(lèi)型，性能設(shè)計(jì)人員可基于該分析結(jié)果進(jìn)一步改進(jìn)約束系統(tǒng)參數(shù)。

結(jié)論

本篇為大家介紹了基于ROM降階模型的乘員約束系統(tǒng)假人得分魯棒性分析流程，對(duì)于汽車(chē)約束系統(tǒng)分析而言，POD_KRG降階機(jī)器學(xué)習(xí)預(yù)測(cè)模型，可以在有限的樣本點(diǎn)數(shù)量基礎(chǔ)上，完成高精度假人傷害性能預(yù)測(cè)數(shù)學(xué)代理模型的構(gòu)建，并通過(guò)與蒙特卡洛模擬方法相結(jié)合開(kāi)展假人得分魯棒性評(píng)估，為性能開(kāi)發(fā)人員提供新的解決思路。