ROM降階模型助力汽車約束系統(tǒng)魯棒性分析

背景簡介

汽車約束系統(tǒng)相關(guān)零部件設(shè)計過程中，大多根據(jù)法規(guī)中高速碰撞工況下的整車加速度波形，開展約束系統(tǒng)分析，采用優(yōu)化方法對約束系統(tǒng)零部件參數(shù)和ACU點火時刻等進行標(biāo)定，確保假人傷害滿足法規(guī)要求，假人得分滿足車輛星級開發(fā)策略要求。車輛真實的交通事故中，受限于制造工藝和實際碰撞波形，約束系統(tǒng)關(guān)鍵零部件設(shè)計的參數(shù)和點火指令存在一定的偏差，由此帶來乘員真實的傷害與預(yù)想的效果存在偏差。對車輛約束系統(tǒng)開展魯棒性分析，可以評估約束系統(tǒng)設(shè)計參數(shù)波動對假人傷害和得分的影響，為了減少魯棒性分析過程的軟硬件資源消耗，可采用近似模型技術(shù)和隨機采樣相結(jié)合的方法完成約束系統(tǒng)魯棒性的快速評估。

傳統(tǒng)的近似模型多為標(biāo)量預(yù)測算法，主要包括回歸和插值兩個大類，其中，回歸類典型算法包括響應(yīng)面和支持向量機，回歸類算法函數(shù)在樣本點處的預(yù)測精度較低，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)；插值類典型算法有Kriging和徑向基方法，插值類近似模型可以精確預(yù)測樣本點及其附近的響應(yīng)，但對噪聲的過濾能力較差，適用于低噪聲的數(shù)據(jù)類型，如CAE分析相關(guān)的相對穩(wěn)定的數(shù)據(jù)類型。然而，約束系統(tǒng)假人傷害響應(yīng)通?；诩偃藴y量單元CAE分析曲線的數(shù)學(xué)變換獲取，具有高度非線性，回歸類和插值類標(biāo)量法預(yù)測算法在遠離樣本區(qū)域的預(yù)測精度較差?；赗OM降階原理的機器學(xué)習(xí)算法，采用本征值正交分解原理，可以實現(xiàn)時域頻域曲線的降維，具備曲線和場的預(yù)測功能，尤其是在曲線預(yù)測中，相對于傳統(tǒng)的標(biāo)量預(yù)測算法有更高的預(yù)測精度，本文闡述如何使用機器學(xué)習(xí)ROM預(yù)測算法開展約束系統(tǒng)魯棒性分析工作。

ODYSSEE軟件是一款基于機器學(xué)習(xí)算法的參數(shù)化設(shè)計和決策的軟件包，具備數(shù)據(jù)處理、預(yù)測、信號處理、圖像處理與識別、優(yōu)化和魯棒性分析等功能。ODYSSEE軟件分為CAE和A EYE兩個模塊，其中，CAE模塊主要應(yīng)用于產(chǎn)品CAE性能開發(fā)環(huán)節(jié)的性能預(yù)測和參數(shù)優(yōu)化，能實現(xiàn)對碰撞和NVH領(lǐng)域中時域和頻域曲線和動畫文件預(yù)測；A EYE模塊則可以根據(jù)實際應(yīng)用場景，進行具有預(yù)測功能的app工具封裝，提升使用便利性，且支持幾何，文本、圖像和曲線等非標(biāo)量數(shù)據(jù)的處理能力。軟件的核心預(yù)測算法為ROM(Reduced Order Model)機器學(xué)習(xí)降維預(yù)測方法，尤其適用碰撞和NVH頻響等工程問題的高精度機器學(xué)習(xí)預(yù)測模型構(gòu)建。

ROM方法曲線預(yù)測基本原理與傅里葉級數(shù)類似，如圖2所示，分為以下三個步驟

1 分解

以POD為例，通過對曲線族進行本征值正交分解，獲取組成曲線特征

2 降階

保留核心特征，去除對曲線精度影響較小的特征。

3 重組

插值算法獲取各特征系數(shù)，對新設(shè)計變量進行曲線重構(gòu)。

應(yīng)用案例

步驟1.案例準(zhǔn)備

約束系統(tǒng)案例來源于某乘用車駕駛員側(cè)約束系統(tǒng)模型，模型基于Ls-dyna軟件搭建，含車身、轉(zhuǎn)向、儀表板、踏板、座椅、假人、氣囊、安全帶等總成，共計網(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車體加速度波形，對模型進行加載，用以評估假人傷害，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)緊時刻TTF-1和氣囊點爆時刻TTF-2作為設(shè)計變量。

步驟2.試驗設(shè)計-DOE

使用ODYSSEE CAE軟件DOE制作工具，選取Optimal Latin hypercube方法在設(shè)計空間內(nèi)生成25個樣本點，使用ODYSSEE CAE軟件的Paser工具對CAE求解文件進行批量前處理和計算提交。

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中駕駛員側(cè)假人傷害評價項要求，對計算結(jié)果進行批量后處理，獲取假人頭/頸/胸/大腿/小腿的各性能指標(biāo)曲線數(shù)據(jù)庫。

步驟3.機器學(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)曲線庫Y，構(gòu)建設(shè)計變量與各響應(yīng)的機器學(xué)習(xí)模型，并使用Lunar界面下的userscript功能，用交叉驗證法訓(xùn)練算法對各響應(yīng)機器學(xué)習(xí)模型進行訓(xùn)練和選型，得到各響應(yīng)對應(yīng)的高精度機器學(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個響應(yīng)的R2值除頸部剪切力Fx曲線外其余均大于97%，機器學(xué)習(xí)預(yù)測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.蒙特卡洛隨機采樣

蒙特卡洛模擬技術(shù)常被用于評估樣本的概率特性。假定3個設(shè)計變量滿足均值為設(shè)計值σ為設(shè)計值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)測樣本進行導(dǎo)入，用訓(xùn)練后的機器學(xué)習(xí)模型進行預(yù)測，并將預(yù)測的曲線結(jié)果存儲為csv格式的數(shù)據(jù)庫。

步驟5.魯棒性評估

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中駕駛員側(cè)假人得分計算方法，對假人各部位得分進行計算。原始設(shè)計方案中，假人頭部和大腿得分為滿分，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)遠低于罰分限值，均為滿分，可靠性較好，頸部有部分點有得分，得分率整體較低；胸部和小腿得分呈現(xiàn)正態(tài)分布類型。假人總得分滿足均值為10.575方差為0.007的正態(tài)分布類型，性能設(shè)計人員可基于該分析結(jié)果進一步改進約束系統(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，對于汽車約束系統(tǒng)分析而言，POD_KRG降階機器學(xué)習(xí)預(yù)測模型，可以在有限的樣本點數(shù)量基礎(chǔ)上，完成高精度假人傷害性能預(yù)測數(shù)學(xué)代理模型的構(gòu)建，并通過與蒙特卡洛模擬方法相結(jié)合開展假人得分魯棒性評估，為性能開發(fā)人員提供新的解決思路。