一种用于预测行人保护头型试验结果HIC分布范围的方法与流程

本申请应用于车辆行人保护头型试验，更具体涉及发动机罩。

背景技术：

1、在车辆驾驶安全方面，行人保护头部性能是c-ncap及中保研安全指数c-iasi重要评价项之一，在行人保护试验测试中具有试验区域大、得分比重高、得分难度大的特点。

2、当前行人保护头部得分评价方式采用的是汽车制造商提供得分预测图谱，检测机构从中随机抽取少部分点进行试验，用试验结果得分除以预测得分计算出得分系数，从而计算整个头部得分。得分系数是有一定波动区间要求的，汽车制造商提供的头部预测得分将直接影响得分系数的大小，因此，需要汽车制造商尽可能准确地预测头部碰撞伤害指标(hic头部碰撞伤害指标的简称，下同)的大小，以免造成得分系数不准确造成头部得分损失。

3、汽车制造商主要通过两种方式提供预测得分，分别是cae仿真分析和试验，多数情况下采用大量cae分析点和少量试验点相结合的方式。试验结果的可靠性优于cae仿真，但对所有点(一百八十个左右)进行试验，不仅试验周期长，而且消耗大量样件，即使完全依靠试验，试验也有不可避免的误差，同样会对头型hic的预测造成影响。若同一个试验点进行多次试验，固然可以评估该点hic的分布区间，但巨大的工作量和成本几乎是不现实的。

4、另一个预测头型hic分布的方法是研究hic的影响因素，如可变形空间、发动机罩板材料、厚度、造型等，建立这些影响因素与hic的关系，从而计算出hic的分布，但该方法需要提前采集上述的影响因素数据，并且需要积累大量的数据，若前期没有识别到某些重要的影响因素，则需要重新采集和积累数据，严重影响预测的进度和成功率。

5、为了避免因预测不准造成的得分损失，减小对项目目标达成的影响，部分汽车制造商不得不以最差的结果作为预测结果，这是缺乏头型试验hic分布预测方法的一种表现。

技术实现思路

0、
技术实现要素：

1、针对以上存在的技术难题，本申请提供一种用于预测行人保护头型试验结果hic分布带宽的方法，提高预测速度和精度。

2、本申请通过以下技术方案实现本申请的目的：

3、本申请提供一种用于预测行人保护头型试验结果hic分布范围的方法，所述方法包括如下步骤。

4、s1.特征数据提取及构建数据库

5、从行人保护头型试验数据中，提取特征数据和对应的试验结果hic，形成数据集。本申请中，所述特征数据是加速度和侵入位移曲线中的加速度峰值及其对应的位移、位移最大值及对应的加速度峰值。hic是头型伤害指标的简称，是头型加速度曲线经过标准公式计算所得的结果，用于评价碰撞伤害程度，hic越大，碰撞伤害越大。

6、具体地，本申请所述的行人保护头型试验是指按照国内的c-ncap或中保研安全指数c-iasi，或国外的gtr 9、ece r127、e-ncap行人保护评价规程，等使用相同头型、发射速度、冲击角度等进行的同一类试验。

7、本申请中，是选取数量占比最大的儿童头型试验数据进行研究。

8、由于在诸多数据信息中，加速度和侵入位移曲线存在明显的特征，因此本申请选择加速度和侵入位移曲线进行研究，其区分特征为加速度峰值及对应的位移、位移最大值及对应的加速度峰值，将这些数据作为特征数据进行提取。具体提取的操作方式可以采用python等工具，从行人保护头型试验数据中将上述的特征数据和对应的试验结果hic批量提取出来，形成数据集。

9、s2.构建机器学习模型

10、本步骤是对所述数据集采用多层感知机建模，训练模型至模型预测精度达到设定要求。

11、具体地，本申请所述的建模是指对上述数据集进行清洗检查后，采用多层感知机建模。建模时，将行人保护试验数据集分成两部分，大部分用于模型训练，小部分用于模型的验证。

12、本申请中，模型预测精度是指模型输出的验证集的预测hic与验证集hic的比值，若满足95％精度，则认为模型有效，可进行下一步，否则重新回到前面的步骤。

13、s3.预测头型hic

14、将新试验数据处理后得到特征数据，输入所述模型，得到模型预测hic.

15、本申请中，新试验数据处理后得到特征数据是将待预测的试验数据用s1的方法提取特征点，b'(bx-ax,by)、c'(cx-ax,cy)。

16、s4.制作头部得分图谱

17、本步骤是将试验结果hic与模型预测hic均值进行比较，根据比较结果，进行头部得分图谱的制作，若试验hic与预测hic均值差异小，制作得分图谱时选用试验hic，若试验hic与预测hic均值差异大，制作得分图谱时选用预测hic的均值。

18、本申请所述的预测hic与试验hic差异大小是指模型输出hic与试验hic之间进行比较，差异小是指预测的hic分布覆盖试验结果且试验hic处于其均值附近，差异大是指预测的hic分布没有很好地覆盖试验结果或均值与试验结果hic偏离较远。

19、由以上技术方案可见，本申请通过从行人保护头型试验数据中，提取特征数据和对应的试验结果hic，形成数据集；对数据集采用多层感知机建模，训练得到有效模型；然后进行头型hic预测，得到模型预测hic，最后根据试验结果hic与模型预测hic均值比较结果，进行头部得分图谱的制作。由此可以在不增加成本的前提下实现快速预测；同时，选取加速度和侵入位移曲线中的加速度峰值及其对应的位移、位移最大值及对应的加速度峰值作为特征数据，并进行提取形成数据集，随着数据集的增加，预测模型可不断学习、迭代，可以提升预测精度。

技术特征：

1.一种用于预测行人保护头型试验结果hic分布范围的方法，其特征在于，所述方法包括：

2.根据权利要求1所述的用于预测行人保护头型试验结果hic分布范围的方法，其特征在于，所述s1中，提取特征数据具体是：选择加速度和侵入位移的起点a、最高点b、最右侧点c，分别提取a、b、c的坐标，记作a(ax,ay)，b(bx,by) ，c(cx,cy)，将ax置零，bx和cx作响应调整，减去ax，调整后的新坐标为a'(0,ay)，b' (bx- ax,by) ，c' (cx-ax,cy)。

3.根据权利要求1所述的用于预测行人保护头型试验结果hic分布范围的方法，其特征在于，所述s2中，当模型的预测准确度达到95%以上时，认为模型有效，否则返回s1，优化特征点提取，然后重新建模。

4.根据权利要求1所述的用于预测行人保护头型试验结果hic分布范围的方法，其特征在于，所述s3中，新试验数据处理后得到特征数据是将待预测的试验数据用s1的方法提取特征点，b' (bx- ax,by) 、c' (cx-ax,cy)。

5.根据权利要求1所述的用于预测行人保护头型试验结果hic分布范围的方法，其特征在于，所述s3还要根据经验估计所述新试验数据的特征数据的特征点坐标可能存在的误差带，一并输入到s2中的有效模型，得到模型预测hic。

6.根据权利要求1所述的用于预测行人保护头型试验结果hic分布范围的方法，其特征在于，在s4中，所述试验hic与预测hic均值差异小是指预测的hic分布覆盖试验结果且试验hic处于其均值附近；所述试验hic与预测hic均值差异小是指预测的hic分布没有覆盖试验结果或均值与试验结果hic偏离较远。

7.根据权利要求1-6任一项所述的用于预测行人保护头型试验结果hic分布范围的方法，其特征在于，所述行人保护头型试验数据选取儿童头型试验数据。

8.根据权利要求1-6任一项所述的用于预测行人保护头型试验结果hic分布范围的方法，其特征在于，得到行人保护头型试验数据的行人保护头型试验是指按照c-ncap或中保研安全指数c-iasi或gtr 9、ece r127、e-ncap行人保护评价规程，使用相同头型、发射速度、冲击角度进行的同一类试验。

技术总结
本申请提供一种用于预测行人保护头型试验结果HIC分布范围的方法，通过从行人保护头型试验数据中，提取特征数据和对应的试验结果HIC，形成数据集；对数据集采用多层感知机建模，训练得到有效模型；然后进行头型HIC预测，得到模型预测HIC，最后根据试验结果HIC与模型预测HIC均值比较结果，进行头部得分图谱的制作。由此可以在不增加成本的前提下实现快速预测；同时，选取加速度和侵入位移曲线中的加速度峰值及其对应的位移、位移最大值及对应的加速度峰值作为特征数据，并进行提取形成数据集，随着数据集的增加，预测模型可不断学习、迭代，可以提升预测精度。

技术研发人员：刘文举,许艾,崔泰松
受保护的技术使用者：重庆长安汽车股份有限公司
技术研发日：
技术公布日：2024/1/12