CN110766213A - 汽车乘员碰撞损伤预测方法及计算机设备 - Google Patents
汽车乘员碰撞损伤预测方法及计算机设备 Download PDFInfo
- Publication number
- CN110766213A CN110766213A CN201910978462.3A CN201910978462A CN110766213A CN 110766213 A CN110766213 A CN 110766213A CN 201910978462 A CN201910978462 A CN 201910978462A CN 110766213 A CN110766213 A CN 110766213A
- Authority
- CN
- China
- Prior art keywords
- model
- damage
- mass
- collision
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000006378 damage Effects 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012795 verification Methods 0.000 claims abstract description 26
- 208000027418 Wounds and injury Diseases 0.000 claims description 24
- 208000014674 injury Diseases 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 238000004088 simulation Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000004888 barrier function Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 238000006467 substitution reaction Methods 0.000 claims description 7
- 230000000739 chaotic effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000009863 impact test Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013058 risk prediction model Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005474 detonation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000002082 fibula Anatomy 0.000 description 1
- 239000006261 foam material Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 208000037974 severe injury Diseases 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 210000001694 thigh bone Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种汽车乘员碰撞损伤预测方法及计算机设备。上述汽车乘员碰撞损伤预测方法,包括生成验证数据库,所述验证数据库包括车辆碰撞曲线库和乘员损伤数据库。建立质量弹簧模型,利用所述验证数据库,对所述质量弹簧模型进行参数标定。利用所述质量弹簧模型重建多种碰撞工况下的事故,以获取损伤预测结果。本申请通过多层次多角度建模,建立了快速且客观的损伤预测模型。由于所述质量弹簧模型简单且低耗,利用所述质量弹簧模型重建不同碰撞工况下的事故,实现了快速可靠的损伤预测。
Description
技术领域
本申请涉及人体损伤评估领域,特别是涉及一种汽车乘员碰撞损伤预测方法及计算机设备。
背景技术
近年道路交通事故中乘员损伤预测研究多基于现实世界事故数据库进行回归拟合。以部分汽车上使用的事故紧急自动呼救系统为例(advanced automatic collisionnotification,AACN),这套系统的核心技术问题就是损伤预测算法的开发,当下大多数的算法是基于事故统计,不同国家根据自己国家交通部门的数据库,将损伤与事故参数进行回归拟合。基于事故数据的分析通常满足客观性。AACN系统安装在车辆上,能够实时调取车况信息,如安全带佩戴情况,车速,车内乘员数量等。在事故发生后,根据实时车况信息,以及事故信息,如安全气囊起爆情况,调用AACN算法,对事故中乘员受到伤害的严重性给予评估,将评估结果以及事故位置信息发给紧急救助系统,以帮助合理的分配救助资源。
由于现实世界事故数据库固有的复杂性和不确定性,一些研究则开始基于具有生物仿真度的数值模型,建立了复杂碰撞工况下的数据库。这是一种将物理世界与虚拟世界相结合且同时进行的研究方法。学者们通过建立多刚体模型,分析结果,分别得到了乘员身高,胖瘦,乘坐姿态,碰撞加载曲线,碰撞方向等因素对损伤结果的影响情况,并且损伤的分析可以具体到特定的身体部位,如头,胸,腹等。但是此方法存在一定弊端,仿真模型的复杂程度越高,其计算成本越高,所需计算时间越长。如果实现在短时间内给出损伤风险预测,则对计算机器的要求会很高。
发明内容
基于此,有必要针对传统的损伤预测方法计算成本高,所需计算时间长的问题,提供一种汽车乘员碰撞损伤预测方法及计算机设备。
一种汽车乘员碰撞损伤预测方法,包括:
S10,生成验证数据库,所述验证数据库包括车辆碰撞曲线库和乘员损伤数据库;
S20,建立质量弹簧模型,利用所述验证数据库,对所述质量弹簧模型进行参数标定;
S30,利用所述质量弹簧模型重建多种碰撞工况下的事故,以获取损伤预测结果。
在其中一个实施例中,所述车辆碰撞曲线库的生成步骤包括:
提供乘用车有限元模型和移动变形壁障有限元模型;
在仿真环境下,利用所述移动变形壁障有限元模型以预设初速度和预设碰撞角度撞击所述乘用车有限元模型,以获得车辆碰撞曲线,进而生成所述车辆碰撞曲线库。
在其中一个实施例中,所述乘员损伤数据库的生成步骤包括:
提供乘员模型和车内结构模型,所述车内结构模型是基于有限元尺寸建立的多刚体模型;
对所述乘员模型和所述车内结构模型施加约束条件;
提取所述车辆碰撞曲线库的车辆碰撞曲线信息,并将所述车辆碰撞曲线信息施加于所述车内结构模型的质心处,以获得乘员损伤数据,进而生成所述乘员损伤数据库。
在其中一个实施例中,建立质量弹簧模型的步骤包括:
在仿真环境下,利用多个质量块表征乘员,多个质量块之间通过铰链连接,以表征乘员姿态参数;
利用弹簧或黏糊中的一种或多种表征所述乘员与车内结构的接触,以表征车内配置约束参数;
通过所述乘员姿态参数、所述车内配置约束参数和多种碰撞工况参数建立所述质量弹簧模型。
在其中一个实施例中,利用所述验证数据库,对所述质量弹簧模型进行参数标定的步骤包括:
利用所述乘员损伤数据库中的部分算例,初步确定所述质量弹簧模型的参数;
利用遗传算法,对比所述质量弹簧模型的损伤输出和所述乘员损伤数据库中的损伤输出的差异,以获得最小的差异值为优化目标,进而以所述优化目标的参数值对所述初步确定的质量弹簧模型的参数进行优化。
在其中一个实施例中,所述S20,建立质量弹簧模型,利用所述验证数据库,对所述质量弹簧模型进行参数标定的步骤之后还包括:
利用概率密度函数定义所述质量弹簧模型的不确定性输入参数;
基于拉丁超立方抽样生成多个输入工况,利用所述质量弹簧模型对每一个所述输入工况进行仿真,以得到对应的输出参数;
利用每一个所述输入工况和与其对应的输出参数,生成基于混沌多项式展开的替代模型;
根据现有实验数据和工程经验,统计分析获得所述替代模型的统计矩信息,进而利用所述统计矩信息评估所述质量弹簧模型的不确定性。
在其中一个实施例中,所述利用每一个所述输入工况和与其对应的输出参数,生成基于混沌多项式展开的替代模型的步骤包括:
对每一个所述输入工况和与其对应的所述输出参数,按照任意选取的方法建立基准多项式;
利用最小二乘法,降低所述质量弹簧模型和所述基准多项式的误差,进而确定所述基准多项式的系数,以生成所述替代模型。
在其中一个实施例中,所述替代模型为:
M(X)≈MPC(X)=∑yαψα(X)
其中,X为任意向量,yα为多元多项式的系数,ψα为多元多项式,且同X的联合概率密度函数正交。
在其中一个实施例中,所述S30,利用所述质量弹簧模型重建多种碰撞工况下的事故,以获取损伤预测结果的步骤之后还包括:
对所述损伤预测结果进行归一化处理,获得损伤预测函数,根据所述损伤预测函数的置信度评价所述质量弹簧模型的精度。
在其中一个实施例中,所述质量弹簧模型的精度评价指标包括所述损伤预测函数的相对误差、所述损伤预测函数的均方误差、所述损伤预测函数的均方误差方根。
一种计算机设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中任一项所述的汽车乘员碰撞损伤预测方法的步骤。
上述汽车乘员碰撞损伤预测方法,包括生成验证数据库,所述验证数据库包括车辆碰撞曲线库和乘员损伤数据库。建立质量弹簧模型,利用所述验证数据库,对所述质量弹簧模型进行参数标定。利用所述质量弹簧模型重建多种碰撞工况下的事故,以获取损伤预测结果。本申请通过多层次多角度建模,建立了快速且客观的损伤预测模型。由于所述质量弹簧模型简单且低耗,利用所述质量弹簧模型重建不同碰撞工况下的事故,实现了快速可靠的损伤预测。
附图说明
图1为本申请一个实施例提供的汽车乘员碰撞损伤预测方法流程图;
图2为本申请一个实施例提供的乘员碰撞损伤预测及其不确定性量化的技术框架图;
图3为本申请一个实施例提供的生成验证数据库的有限元-多刚体模型图;
图4为本申请一个实施例提供的质量弹簧模型图;
图5为本申请一个实施例提供的本申请提供预测模型与现有的预测模型的预测准确率对比图;
图6为本申请一个实施例提供的本申请提供预测模型与现有的预测模型的预测准确率对比图;
图7为本申请一个实施例提供的本申请提供预测模型与现有的预测模型的预测准确率对比图;
图8为本申请一个实施例提供的本申请提供预测模型与现有的预测模型的预测准确率对比图;
图9为本申请一个实施例提供的本申请提供预测模型与现有的预测模型的预测准确率对比图;
图10为本申请一个实施例提供的本申请提供预测模型与现有的预测模型的预测准确率对比图;
图11为本申请一个实施例提供的本申请提供预测模型与现有的预测模型的预测准确率对比图;
图12为本申请一个实施例提供的本申请提供预测模型与现有的预测模型的预测准确率对比图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施的限制。
需要说明的是,当元件被称为“设置于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
现有研究中,关于碰撞后乘员伤害风险评估通常依赖于现实世界事故数据库,进行多变量逻辑回归。这种特定的机器学习方法可以预测所受伤害在一定程度以上的概率。研究中最常见的影响因素包括安全带的佩戴情况,碰撞过程中车速变化情况,是否为多车事故,和主要的碰撞方向,如正撞,尾撞,侧撞。涉及到的其他影响因素包括安全气囊的起爆状态,故事车辆车型,乘员的性别与年龄。研究中最常用的两种损伤评价指标分别为MAIS(MaximumAbbreviated Injury Score)和ISS(Injury Severity Score),其中MAIS3+和ISS15+则对应事故人员受伤程度较高,需要送往高级别的创伤中心进行救治。多数损伤预测算法的开发是基于国家级别公开的交通事故数据库,包括美国的NASS CDS(NationalAutomotive Sampling System Crashworthiness Data System),德国的GIDAS(GermanIn-DepthAccident Study),日本的ITARDA(Institute forTraffic Accident Researchand DataAnalysis)等。通过逻辑回归所得到的损伤预测模型没有明显的差别。通过NASSCDS和ITARDA开发的两种损伤预测算法,其损伤预测值高于实际损伤情况的比例分别为50%和31%,而预测值低于实际损伤的比例分别为7%和6%。
由于现实世界事故数据库固有的复杂性和不确定性,一些研究则开始基于具有生物仿真度的数值模型,建立了复杂碰撞工况下的数据库。这是一种将物理世界与虚拟世界相结合且同时进行的研究方法。学者们通过建立多刚体模型,分析结果,分别得到了乘员身高,胖瘦,乘坐姿态,碰撞加载曲线,碰撞方向等因素对损伤结果的影响情况,并且损伤的分析可以具体到特定的身体部位,如头,胸,腹等。但是此方法存在一定弊端,仿真模型的复杂程度越高,其计算成本越高,所需计算时间越长。如果实现在短时间内给出损伤风险预测,则对计算机器的要求会很高。
请参见图1,基于上述问题,本申请提供一种汽车乘员碰撞损伤预测方法。
所述方法包括:
S10,生成验证数据库,所述验证数据库包括车辆碰撞曲线库和乘员损伤数据库。步骤S10中,可以通过有限元仿真和多刚体模型仿真的方式获得所述验证数据库。
S20,建立质量弹簧模型,利用所述验证数据库,对所述质量弹簧模型进行参数标定。步骤S20中,所述质量弹簧模型可以在MATLAB Simulink的Simscape环境下搭建。所述质量弹簧模型可以包括正面碰撞模型、尾部碰撞模型、近端模型和远端侧面碰撞模型。所述乘员损伤数据库的一部分数据用于所述质量弹簧模型中参数确定,即可以通过遗传算法进行调参。所述乘员损伤数据库的另一部分数据则用于所述质量弹簧模型预测准确度的验证和评估。
S30,利用所述质量弹簧模型重建多种碰撞工况下的事故,以获取损伤预测结果。步骤S30中,损伤生物力学研究的人体伤害准则是汽车安全研究的重要理论基础之一。它主要研究在碰撞事故中,人体在惯性力和接触力的作用下各部分组织产生的生物力学响应。生物力学的响应使人体组织超过了可以恢复的限度或导致解剖学组织的破坏,或导致了正常生理功能的变化或丧失,即发生了人体损伤。损伤生物力学的研究内容包括生物力学响应,损伤机理及损伤评价标准。损伤风险评估即模拟人体在碰撞过程中的整体动力学响应,并用人体各部位的伤害准则对计算所得的各部分物理损伤参数进行评价。
本实施例中,上述汽车乘员碰撞损伤预测方法,包括生成验证数据库,所述验证数据库包括车辆碰撞曲线库和乘员损伤数据库。建立质量弹簧模型,利用所述验证数据库,对所述质量弹簧模型进行参数标定。利用所述质量弹簧模型重建多种碰撞工况下的事故,以获取损伤预测结果。本申请通过多层次多角度建模,建立了快速且客观的损伤预测模型。由于所述质量弹簧模型简单且低耗,利用所述质量弹簧模型重建不同碰撞工况下的事故,实现了快速可靠的损伤预测。
请参见图2,在其中一个实施例中,所述车辆碰撞曲线库的生成步骤包括:
提供乘用车有限元模型和移动变形壁障有限元模型。在仿真环境下,利用所述移动变形壁障有限元模型以预设初速度和预设碰撞角度撞击所述乘用车有限元模型,以获得车辆碰撞曲线,进而生成所述车辆碰撞曲线库。
在一个可选的实施例中,所述车辆碰撞曲线库的建立可以基于2010年丰田雅力士(Yaris)乘用车有限元模型和的FMVSS214移动变形壁障(mobile deformable barrier,简称MDB)有限元模型。在LSDYNA软件仿真环境下,所述移动变形壁障以一定的初速度去撞击所述雅力士乘用车模型,速度方向为两模型质心的连线,目的是为了减少其他方向的运动和车辆的转动。仿真包含不同碰撞角度下(0°至180°每间隔10°计算一次)、初速度分别为40km/h,50km/h和60km/h的碰撞工况,共57种工况,如图3左侧图所示。
为了减少不同方向运动的耦合以及转动,简化模型分析,在碰撞中设定碰撞方向为壁障与车辆质心的连线。此仿真通过NHTSA 2006年27°侧撞试验对标验证,试验为2007年丰田雅力士车同FMVSS214壁障相撞。为了更好地理解所述车辆碰撞曲线数据库,车辆的加速度时间历程曲线依照峰值加速度与持续时长进行参数简化,如公式(1),以此来比较试验曲线与仿真曲线的吻合程度。
其中,aveh为车辆质心加速度,A为峰值加速度而θ为持续时长。
在其中一个实施例中,所述乘员损伤数据库的生成步骤包括:
提供乘员模型和车内结构模型,所述车内结构模型是基于有限元尺寸建立的多刚体模型。对所述乘员模型和所述车内结构模型施加约束条件。提取所述车辆碰撞曲线库的车辆碰撞曲线信息,并将所述车辆碰撞曲线信息施加于所述车内结构模型的质心处,以获得乘员损伤数据,进而生成所述乘员损伤数据库。
在一个可选的实施例中,所述乘员损伤数据库是基于乘员模型和NCAC2013年雅力士车内结构模型的有限元-多刚体仿真生成的,如图3(右)。所述乘员模型和所述车内结构模型需要进行一些调整,来适应不同算例的工况,其中,所述车内结构模型的中控台、车窗、车门框是根据NCACs雅力士车的有限元模型尺寸建立的多刚体模型。加大脚下的空间,以免乘员的下肢离开车舱。车门是由泡沫材料,金属框架的多刚体椭球构成,材料属性由实验数据获得。
碰撞曲线信息是由所述车辆碰撞曲线数据库中获得的,施加在车模型的质心处。车门的侵入在侧碰中会明显影响乘员的损伤,所以,车门和座椅的运动也作为初始输入添加在模型中。乘员脚下空间的边界为刚体,不考虑由于事故产生的侵入,这是由于在雅力士车的事故中,脚下空间的侵入量通常非常小。仿真中的所述乘员模型是混3百分位女性和50百分位男性椭球模型。
考虑到不同的碰撞车速(40km/h,50km/h,60km/h),碰撞角度(遍历0°至360°,间隔为10°),约束系统配置(有无气囊,有无安全带),以及两种所述乘员模型,不同的初始姿态,一共建立了648个仿真算例。损伤输出则包括HIC,Nij,CTI,Ccomp,VCabdomen,Ffemur,和Ftibia,分别代表了头部加速度,颈部受力状态,胸部加速度与压缩量,腹部受压情况,以及大腿和小腿骨的截面力。
所述乘员模型和所述车内结构模型可以通过正撞,近端侧撞,尾撞三种碰撞方向的四次碰撞试验来验证的。正面碰撞试验为NHTSA数据库中丰田雅力士车型的56km/h碰撞试验。侧撞试验为IIHS数据库的50km/h的5百分位女性假人的碰撞试验,以及NHTSA数据库的丰田中等车型的侧撞试验作为补充。尾撞试验则选取了IIHS数据库中32km/h的碰撞试验。
请参见图4,在其中一个实施例中,建立质量弹簧模型的步骤包括:
在仿真环境下,利用多个质量块表征乘员,多个质量块之间通过铰链连接,以表征乘员姿态参数。利用弹簧或黏糊中的一种或多种表征所述乘员与车内结构的接触,以表征车内配置约束参数。通过所述乘员姿态参数、所述车内配置约束参数和多种碰撞工况参数建立所述质量弹簧模型。
在一个可选的实施例中,利用所述验证数据库,对所述质量弹簧模型进行参数标定的步骤包括:
利用所述乘员损伤数据库中的部分算例,初步确定所述质量弹簧模型的参数。利用遗传算法,对比所述质量弹簧模型的损伤输出和所述乘员损伤数据库中的损伤输出的差异,以获得最小的差异值为优化目标,进而以所述优化目标的参数值对所述初步确定的质量弹簧模型的参数进行优化。
所述质量弹簧模型中的乘员通过质量块进行表征。所述质量块之间通过铰链连接,所述乘员与所述车内结构的接触则通过弹簧或黏糊模型建立。这样得到的碰撞简化模型具备很高的计算效率。所述质量弹簧模型能够覆盖更多的工况,并可以考虑更多的事故参数。比如所述质量弹簧模型中包含表征乘员姿态的参数,还考虑了安全带的限力和预紧参数等,且在尾撞工况下考虑乘员下肢同座椅底部的接触。
所述质量弹簧模型中参数的确定与优化是通过遗传算法,优化的思路是对比所述质量弹簧模型和有限元多刚体模型损伤输出的差异,优化目标为使得式(2)值最小。
其中,为两模型在第i个身体部位损伤输出的差别,eISS为表征全身伤害指标的差别。依照经验,参数优化过程时间设置为10秒钟。参数的优化可分为四个主要步骤,首先由部分算例可以初步确定所有参数的值。然后对于特殊参数选取包含该参数的算例进行第二轮优化,比如安全带参数的优化与确定需要根据包含安全带的仿真算例。第三步主要针对所述乘员模型中铰接的参数进行优化。在最后一步中,用前三步中没有用到的算例对所有参数进行准确度评估与验证。
在其中一个实施例中,所述S20,建立质量弹簧模型,利用所述验证数据库,对所述质量弹簧模型进行参数标定的步骤之后还包括:
利用概率密度函数定义所述质量弹簧模型的不确定性输入参数。基于拉丁超立方抽样生成多个输入工况,利用所述质量弹簧模型对每一个所述输入工况进行仿真,以得到对应的输出参数。所述输出参数可以为低估预测率和高估预测率。利用每一个所述输入工况和与其对应的输出参数,生成基于混沌多项式展开的替代模型。根据现有实验数据和工程经验,统计分析获得所述替代模型的统计矩信息,进而利用所述统计矩信息评估所述质量弹簧模型的不确定性。所述统计矩信息包括输出参数的均值方差或平均值。利用所述均值方差或所述平均值可以评估所述质量弹簧模型的不确定性。
在一个可选的实施例中,所述利用每一个所述输入工况和与其对应的输出参数,生成基于混沌多项式展开的替代模型的步骤包括:
对每一个所述输入工况和与其对应的所述输出参数,按照任意选取的方法建立基准多项式。利用最小二乘法,降低所述质量弹簧模型和所述基准多项式的误差,进而确定所述基准多项式的系数,以生成所述替代模型。所述替代模型为:
M(X)≈MPC(X)=∑yαψα(X) 公式(3)
其中,X为任意向量,yα为多元多项式的系数,ψα为多元多项式,且同X的联合概率密度函数正交。
由于在推导所述多项式系数之前需要估计低阶统计矩,因此引入了一种新的不确定性源,不确定测量的输入(例如乘员姿势和就座位置)通过概率密度函数随机定义。这些函数可以通过传感器制造商提供的传感器精度信息来确定。在对于质量弹簧模型中基于拉丁超立方抽样得到的参数进行了评估后,可以利用最小角度回归(LAR)生成原模型的基准多项式的替代模型。随后通过在拉丁超立方体采样子集上生成多个辅助基准多项式,来评估基准多项式的模型选取的合理性。
损伤风险预测模型输出的不确定性量化是损伤预测算法在先进车辆安全系统里能否应用的关键。损伤风险预测模型的不确定性量化能够评估损伤风险预测的可靠性,并且降低在危及生命的碰撞情景中做出错误决策的可能性。由于经典不确定性量化方法(例如蒙特卡罗和拉丁超立方抽样技术)所需的模拟结果规模太大,到目前为止尚未充分解决损伤风险预测模型的不确定性评估问题。与基于抽样的方法相比,通过建立一个不确定性的替代模型,将所需的模型评估数量从106多个减少到102多个,同时它非常接近不确定性模型的实际统计矩。这种替代模型技术将汽车碰撞安全领域中大维度计算问题的不确定性评估成为可能。
在其中一个实施例中,所述S30,利用所述质量弹簧模型重建多种碰撞工况下的事故,以获取损伤预测结果的步骤之后还包括:
对所述损伤预测结果进行归一化处理,获得损伤预测函数,根据所述损伤预测函数的置信度评价所述质量弹簧模型的精度。在一个可选的实施例中,所述质量弹簧模型的精度评价指标包括所述损伤预测函数的相对误差、所述损伤预测函数的均方误差、所述损伤预测函数的均方误差方根。
将乘员ISS值高于15的事故定义为严重损伤事故。在本专利中,如果模型的将一次严重事故预测为非严重事故,则称该模型进行了一次低估预测(Under triage),相反,如果模型的将一次非严重事故预测为严重事故,则称该模型进行了一次高估预测(Overtriage)。如果在本发明中,通过比较模型的低估预测率和高估预测率,来评估模型的损伤预测能力。
如图5至图12,其中,图中的简称High RT代表高风险阈值;LR代表基于罗切斯特回归;NASS CDS代表美国国家车辆碰撞事故数据系统;ITARDA代表日本交通数据研究与数据分析研究院;OIDB代表乘员损伤数据库;Recommended RT代表与高风险阈值和低风险阈值并列,是一个建议的较中间的风险阈值;LPM simulation代表质量弹簧模型。
图5至图8依次为正撞,尾撞,近端侧撞和远端侧撞下,两种现有损伤预测方法和本申请提供的所述质量弹簧模型高估预测率的比较图。图9至图12依次为正撞,尾撞,近端侧撞和远端侧撞下,两种现有损伤预测方法和本申请提供的所述质量弹簧模型低估预测率的比较图。经对比可以发现本申请提供的所述质量弹簧模型的准确度明显高于所述现有损伤预测方法的准确度。
一种计算机设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中任一项所述的汽车乘员碰撞损伤预测方法的步骤。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种汽车乘员碰撞损伤预测方法,其特征在于,包括:
S10,生成验证数据库,所述验证数据库包括车辆碰撞曲线库和乘员损伤数据库;
S20,建立质量弹簧模型,利用所述验证数据库,对所述质量弹簧模型进行参数标定;
S30,利用所述质量弹簧模型重建多种碰撞工况下的事故,以获取损伤预测结果。
2.根据权利要求1所述的汽车乘员碰撞损伤预测方法,其特征在于,所述车辆碰撞曲线库的生成步骤包括:
提供乘用车有限元模型和移动变形壁障有限元模型;
在仿真环境下,利用所述移动变形壁障有限元模型以预设初速度和预设碰撞角度撞击所述乘用车有限元模型,以获得车辆碰撞曲线,进而生成所述车辆碰撞曲线库。
3.根据权利要求2所述的汽车乘员碰撞损伤预测方法,其特征在于,所述乘员损伤数据库的生成步骤包括:
提供乘员模型和车内结构模型,所述车内结构模型是基于有限元尺寸建立的多刚体模型;
对所述乘员模型和所述车内结构模型施加约束条件;
提取所述车辆碰撞曲线库的车辆碰撞曲线信息,并将所述车辆碰撞曲线信息施加于所述车内结构模型的质心处,以获得乘员损伤数据,进而生成所述乘员损伤数据库。
4.根据权利要求3所述的汽车乘员碰撞损伤预测方法,其特征在于,建立质量弹簧模型的步骤包括:
在仿真环境下,利用多个质量块表征乘员,多个质量块之间通过铰链连接,以表征乘员姿态参数;
利用弹簧或黏糊中的一种或多种表征所述乘员与车内结构的接触,以表征车内配置约束参数;
通过所述乘员姿态参数、所述车内配置约束参数和多种碰撞工况参数建立所述质量弹簧模型。
5.根据权利要求4所述的汽车乘员碰撞损伤预测方法,其特征在于,利用所述验证数据库,对所述质量弹簧模型进行参数标定的步骤包括:
利用所述乘员损伤数据库中的部分算例,初步确定所述质量弹簧模型的参数;
利用遗传算法,对比所述质量弹簧模型的损伤输出和所述乘员损伤数据库中的损伤输出的差异,以获得最小的差异值为优化目标,进而以所述优化目标的参数值对所述初步确定的质量弹簧模型的参数进行优化。
6.根据权利要求5所述的汽车乘员碰撞损伤预测方法,其特征在于,所述S20,建立质量弹簧模型,利用所述验证数据库,对所述质量弹簧模型进行参数标定的步骤之后还包括:
利用概率密度函数定义所述质量弹簧模型的不确定性输入参数;
基于拉丁超立方抽样生成多个输入工况,利用所述质量弹簧模型对每一个所述输入工况进行仿真,以得到对应的输出参数;
利用每一个所述输入工况和与其对应的输出参数,生成基于混沌多项式展开的替代模型;
根据现有实验数据和工程经验,统计分析获得所述替代模型的统计矩信息,进而利用所述统计矩信息评估所述质量弹簧模型的不确定性。
7.根据权利要求6所述的汽车乘员碰撞损伤预测方法,其特征在于,所述利用每一个所述输入工况和与其对应的输出参数,生成基于混沌多项式展开的替代模型的步骤包括:
对每一个所述输入工况和与其对应的所述输出参数,按照任意选取的方法建立基准多项式;
利用最小二乘法,降低所述质量弹簧模型和所述基准多项式的误差,进而确定所述基准多项式的系数,以生成所述替代模型。
9.根据权利要求1所述的汽车乘员碰撞损伤预测方法,其特征在于,所述S30,利用所述质量弹簧模型重建多种碰撞工况下的事故,以获取损伤预测结果的步骤之后还包括:
对所述损伤预测结果进行归一化处理,获得损伤预测函数,根据所述损伤预测函数的置信度评价所述质量弹簧模型的精度。
10.根据权利要求9所述的汽车乘员碰撞损伤预测方法,其特征在于,所述质量弹簧模型的精度评价指标包括所述损伤预测函数的相对误差、所述损伤预测函数的均方误差、所述损伤预测函数的均方误差方根。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的汽车乘员碰撞损伤预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910978462.3A CN110766213A (zh) | 2019-10-15 | 2019-10-15 | 汽车乘员碰撞损伤预测方法及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910978462.3A CN110766213A (zh) | 2019-10-15 | 2019-10-15 | 汽车乘员碰撞损伤预测方法及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766213A true CN110766213A (zh) | 2020-02-07 |
Family
ID=69331258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910978462.3A Pending CN110766213A (zh) | 2019-10-15 | 2019-10-15 | 汽车乘员碰撞损伤预测方法及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766213A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112208541A (zh) * | 2020-10-13 | 2021-01-12 | 清华大学 | 智慧乘员舱的参数化确定方法、装置和计算机设备 |
CN113487075A (zh) * | 2021-06-29 | 2021-10-08 | 东风汽车集团股份有限公司 | 一种车辆事故乘员伤害预测方法、系统及电子设备 |
CN114418200A (zh) * | 2021-12-31 | 2022-04-29 | 清华大学 | 车型特异性乘员损伤预测模型训练方法及装置 |
CN114495257A (zh) * | 2021-12-03 | 2022-05-13 | 清华大学 | 险态工况下融合行为机制的姿态预测方法和装置 |
CN114611395A (zh) * | 2022-03-14 | 2022-06-10 | 湖南大学 | 一种汽车碰撞事故中人体头部损伤状态多层级预测方法 |
CN117268798A (zh) * | 2023-11-23 | 2023-12-22 | 中国汽车技术研究中心有限公司 | 降低汽车碰撞假人头颈部损伤的驾驶姿态确定方法及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625285A (zh) * | 2009-08-14 | 2010-01-13 | 合肥寰景信息技术有限公司 | 一种虚拟汽车碰撞检测系统及其构建方法 |
CN102117360A (zh) * | 2010-12-31 | 2011-07-06 | 长城汽车股份有限公司 | 快速匹配车辆正碰有限元模型的方法 |
CN102201016A (zh) * | 2010-03-22 | 2011-09-28 | 上海通用汽车有限公司 | 基于汽车碰撞安全的门锁系统建模及仿真方法 |
CN103279795A (zh) * | 2013-06-13 | 2013-09-04 | 中南大学 | 一种乘员碰撞损伤的预测方法 |
CN103310119A (zh) * | 2013-07-05 | 2013-09-18 | 湖南大学 | 基于损伤评价的车辆碰撞乘员约束系统摩擦特性的反分析方法 |
CN103592133A (zh) * | 2012-08-17 | 2014-02-19 | 奥迪股份公司 | 用于自主行驶的交通设备和用于确定机动车损伤的方法 |
CN106599430A (zh) * | 2016-12-07 | 2017-04-26 | 江苏大学 | 基于能量分析的乘员约束系统优化方法 |
JP2018154231A (ja) * | 2017-03-17 | 2018-10-04 | トヨタ自動車株式会社 | 衝突緩和装置 |
CN109738205A (zh) * | 2019-01-09 | 2019-05-10 | 清华大学 | 集成车辆自动紧急制动与安全气囊系统的乘员防护方法 |
KR20190067311A (ko) * | 2017-12-07 | 2019-06-17 | 현대자동차주식회사 | 차량 및 그 제어방법 |
-
2019
- 2019-10-15 CN CN201910978462.3A patent/CN110766213A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625285A (zh) * | 2009-08-14 | 2010-01-13 | 合肥寰景信息技术有限公司 | 一种虚拟汽车碰撞检测系统及其构建方法 |
CN102201016A (zh) * | 2010-03-22 | 2011-09-28 | 上海通用汽车有限公司 | 基于汽车碰撞安全的门锁系统建模及仿真方法 |
CN102117360A (zh) * | 2010-12-31 | 2011-07-06 | 长城汽车股份有限公司 | 快速匹配车辆正碰有限元模型的方法 |
CN103592133A (zh) * | 2012-08-17 | 2014-02-19 | 奥迪股份公司 | 用于自主行驶的交通设备和用于确定机动车损伤的方法 |
CN103279795A (zh) * | 2013-06-13 | 2013-09-04 | 中南大学 | 一种乘员碰撞损伤的预测方法 |
CN103310119A (zh) * | 2013-07-05 | 2013-09-18 | 湖南大学 | 基于损伤评价的车辆碰撞乘员约束系统摩擦特性的反分析方法 |
CN106599430A (zh) * | 2016-12-07 | 2017-04-26 | 江苏大学 | 基于能量分析的乘员约束系统优化方法 |
JP2018154231A (ja) * | 2017-03-17 | 2018-10-04 | トヨタ自動車株式会社 | 衝突緩和装置 |
KR20190067311A (ko) * | 2017-12-07 | 2019-06-17 | 현대자동차주식회사 | 차량 및 그 제어방법 |
CN109738205A (zh) * | 2019-01-09 | 2019-05-10 | 清华大学 | 集成车辆自动紧急制动与安全气囊系统的乘员防护方法 |
Non-Patent Citations (7)
Title |
---|
BINGBING NIE 等: "A Response-surface-based Tool for Vehicle Front-end Design for Pedestrian Impact Protection using Human Body Model", 《INTERNATIONAL JOURNAL OF VEHICLE DESIGN》 * |
万华平 等: "多项式混沌展开和最大熵原理的结构动力特性不确定性量化", 《振动工程学报》 * |
伍广: "汽车侧面碰撞的质量-弹簧模型和有限元简化模型的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
周青 等: "未来交通事故场景中乘员智能保护的挑战与机遇", 《汽车安全与节能学报》 * |
赵凯绅 等: "集中质量-弹簧碰撞模型在汽车被动安全预研阶段的应用", 《计算机辅助工程》 * |
陈鼎: "汽车高速行驶时的乘员碰撞安全性预测与稳健性研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
黄靖: "汽车碰撞过程中加速度特征对乘员损伤的影响分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112208541A (zh) * | 2020-10-13 | 2021-01-12 | 清华大学 | 智慧乘员舱的参数化确定方法、装置和计算机设备 |
CN113487075A (zh) * | 2021-06-29 | 2021-10-08 | 东风汽车集团股份有限公司 | 一种车辆事故乘员伤害预测方法、系统及电子设备 |
CN114495257A (zh) * | 2021-12-03 | 2022-05-13 | 清华大学 | 险态工况下融合行为机制的姿态预测方法和装置 |
CN114418200A (zh) * | 2021-12-31 | 2022-04-29 | 清华大学 | 车型特异性乘员损伤预测模型训练方法及装置 |
CN114611395A (zh) * | 2022-03-14 | 2022-06-10 | 湖南大学 | 一种汽车碰撞事故中人体头部损伤状态多层级预测方法 |
CN114611395B (zh) * | 2022-03-14 | 2024-08-20 | 湖南大学 | 一种汽车碰撞事故中人体头部损伤状态多层级预测方法 |
CN117268798A (zh) * | 2023-11-23 | 2023-12-22 | 中国汽车技术研究中心有限公司 | 降低汽车碰撞假人头颈部损伤的驾驶姿态确定方法及介质 |
CN117268798B (zh) * | 2023-11-23 | 2024-04-09 | 中国汽车技术研究中心有限公司 | 降低汽车碰撞假人头颈部损伤的驾驶姿态确定方法及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766213A (zh) | 汽车乘员碰撞损伤预测方法及计算机设备 | |
Marjoux et al. | Head injury prediction capability of the HIC, HIP, SIMon and ULP criteria | |
Crandall et al. | Human surrogates for injury biomechanics research | |
US9539969B2 (en) | System and method for minimizing occupant injury during vehicle crash events | |
CN110377988B (zh) | 乘员道路交通事故损伤预测方法 | |
Yanaoka et al. | Investigation on an injury criterion related to traumatic brain injury primarily induced by head rotation | |
Guleyupoglu et al. | The effect of precrash velocity reduction on occupant response using a human body finite element model | |
Östh et al. | Numerical reproducibility of human body model crash simulations | |
Larsson et al. | Influences of human thorax variability on population rib fracture risk prediction using human body models | |
Forman et al. | A method for thoracic injury risk function development for human body models | |
CN114418200A (zh) | 车型特异性乘员损伤预测模型训练方法及装置 | |
Gong et al. | Computational simulation of the human head response to non-contact impact | |
Jones et al. | A semi-automated approach to real world motor vehicle crash reconstruction using a generic simplified vehicle buck model | |
Bance et al. | A framework for rapid on-board deterministic estimation of occupant injury risk in motor vehicle crashes with quantitative uncertainty evaluation | |
CN116484627A (zh) | 乘员损伤预测模型的生成方法、乘员损伤预测方法及装置 | |
Petitjean et al. | Thoracic injury criterion for frontal crash applicable to all restraint systems | |
US6301535B1 (en) | Optimization of a single-point frontal airbag fire threshold | |
Mendoza-Vázquez et al. | Evaluation of thoracic injury criteria for THUMS finite element human body model using real-world crash data | |
Ye et al. | Automated analysis of driver response in a finite element crash test reconstruction | |
Ott et al. | Assessment of the simulated injury monitor (SIMon) in analyzing head injuries in pedestrian crashes | |
Zhang et al. | Development of a biofidelic rollover dummy-part II: validation of the kinematic response of THOR multi-body and finite element models relative to response of the physical THOR dummy under laboratory rollover conditions | |
Ressi et al. | Protection challenges in seat positions with large rearward adjustment in frontal collisions: An approach using stochastic human body model simulations | |
Ressi et al. | Key injury regions for passenger car drivers in frontal crashes: A comparison of results from IGLAD and finite element simulations using a human body model | |
Gaewsky | Driver Injury Metric and Risk Variability as a Function of Occupant Position in Real World Motor Vehicle Crashes | |
Watson et al. | Study of vehicle dynamics and occupant response in side impact crash tests |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200207 |
|
RJ01 | Rejection of invention patent application after publication |