基于动态体压分布的汽车座椅振动舒适度预测.pdf 9页

'中国科技论文在线http://www.paper.edu.cn基于动态体压分布的汽车座椅振动舒适度预测11,21,211**盛洁，贺岩松，张志飞，黄深荣，吕伟东5（1.重庆大学汽车工程学院，重庆400030；2.重庆大学，机械传动国家重点实验室，重庆400030）摘要：本文基于垂直振动体压分布台架实验所得动态体压分布指标，使用支持向量机回归方法对座椅振动舒适度做出准确预测。通过振动体压分布实验，获得能够体现座椅吸振性能的6个动态体压分布指标：坐垫和靠背的平均压强变化率、最大压强变化率、接触面积变化率10等。通过人椅系统传递特性实验及振动体压分布实验，获得座椅振动舒适度：加权加速度均方根值。预测结果表明，基于动态体压分布能够准确预测座椅的振动舒适度，而且使用支持向量机回归方法的预测效果优于人工神经网络。关键词：汽车座椅；振动舒适度；动态体压分布；支持向量机回归中图分类号：U463.8315PredictionofVehicleSeatDynamicComfortBasedonPressureDistribution11,21,211ShengJie,HeYansong,ZhangZhifei,HuangShenrong,LvWeidong(1.CollegeofAutomotiveEngineering,ChongqingUniversity,Chongqing400030;2.StateKeyLaboratoryofMechanicalTransmission,ChongqingUniversity,Chongqing400030)20Abstract:Inthispaper,basedonthedynamicbodypressuredistributionindexobtainedbytheverticalvibrationbodypressuredistributionbenchtest,thesupportvectormachineregressionmethodisusedtopredictthecomfortoftheseatvibrationaccurately.Throughthevibrationbodypressuredistributionexperiment,sixdynamicpressuredistributionindexeswhichcanreflectthevibrationabsorptionperformanceoftheseatareobtained:theaveragepressurechangerate,themaximumpressurechange25rateandthecontactareachangerateofthecushionandthebackrest.Throughthehumanbodychairtransmissioncharacteristicexperimentandthevibrationbodypressuredistributionexperiment,obtaintheseatvibrationcomfort:theweightedaccelerationrootmeansquarevalue.Theresultsofthesupportvectormachineregressionmethodshowthatthedynamiccomfortoftheseatcanbeaccuratelypredictedbasedonthedynamicpressuredistribution,andthepredictionmethodusingthesupportvectormachine30regressionmethodissuperiortotheartificialneuralnetwork.Keywords:vehicleseat;dynamiccomfort;dynamicpressuredistribution;supportvectorregression0引言随着人们对车辆座椅舒适性要求的提高，座椅生产厂家在改进座椅设计方法的同时，一直致力于寻找更有效的方法评价座椅舒适性。最直接的舒适性评价方式是凭借主观评价来获35取座椅舒适度等级，然后以之为依据，修改设计方案，然而这种方式效率极低，准确率不高，因此亟须客观有效的评价方法。有研究表明，座椅体压分布客观参数与座椅不舒适性之间存作者简介：盛洁（1991），女，硕士，主要研究方向：人椅系统舒适性研究通信联系人：贺岩松（1968），男，职称：博导，主要研究方向：车辆振动与噪声控制、车辆舒适性主/客观评价等.E-mail:hys68@cqu.edu.cn-1- 中国科技论文在线http://www.paper.edu.cn[1]在一定的关系，相比较于驾驶姿势、肌电信号、心脑电图之类的物理量，体压分布与舒适[2-5]度等级之间的相关性更为显著。国内外基于体压分布对静态舒适度的研究较多，2004年，[6,7]M.Kolich使用神经网络方法对车辆座椅的舒适度进行了预测。2008年，孙守迁建立了支[8,9]40持向量回归预测模型，并且验证了该方法优于相应的人工神经网络预测模型。以上研究都是基于座椅静态舒适度展开，而在动态工况下，2000年，Ebe和Griffin根[6]据Steven幂定律提出了动态舒适度的预测模型。2001年，Varghese和Mabbott先后分别发现，振动是经过座椅与臀部、背部的接触部位传递到人体，这种情况下，不恰当的姿势会[10,11]导致腰部疲劳。但这些动态舒适度的研究，仍沿用主观打分方法来说明舒适度，在样本45有限的情况下存在较大的不准确性。动态客观评价主要是根据ISO2631-1997推荐的加权加速度均方根值来判定座椅振动舒适度，该方法最为直接和常用，但是没法对座椅设计和改善舒适度提供指导。动态体压分布则可以弥补这一不足，而且，有研究表明在实际行驶中，体[12]压分布会随行驶时间产生较大变化，带来不同的舒适度感受。因此，动态体压分布指标有可能成为用于指导座椅设计的动态舒适度客观评价指标。50针对以往动态舒适度研究的不足和本文的假设，以垂直振动体压分布台架实验为基础，以加权加速度均方根值替代主观舒适度评价，基于能够体现座椅动态特性的体压分布参数变化率，使用支持向量机回归方法建立加权加速度均方根值和座椅界面压力测量值之间的量化模型，以实现对座椅动态舒适度的预测。1垂直振动体压分布台架实验55实验在台架上进行，分为人椅系统传递特性实验和振动体压分布实验两部分，这是因为同时测量加速度和体压分布信号时，坐垫和靠背加速度传感器的外型（见图1）会对体压分布结果产生干扰，因此，借助人椅系统传递特性实验获得的传递函数，以及振动体压分布实验中底板处的垂向加速度信号，通过计算的方式最终得到振动体压分布实验中的座椅加权加速度均方根值，从而获得动态体压分布对应的座椅振动舒适度。60图1B&K4322传感器实物图Fig.1B&K4322sensordiagram实验采用重庆车辆检测研究院的MTS液压激振实验台，德国IMC公司生产的两台8通道数据采集器及丹麦B&K公司生产的加速度传感器，加拿大Xsensor公司生产的压力分布65采集及分析系统等设备。在振动台上分别安装舒适度等级不同的两种座椅：悬架座椅、汽车座椅，其中悬架座椅指应用于工程机械车辆的座椅，汽车座椅指应用于普通轿车的座椅。选择5名被试者，给予三种不同的白噪声激励信号进行测试。实验5名被试者中，男性4人，女性1人。实验对象的平均年龄是26.8岁，平均身高为170.4cm，平均体重为63.4Kg。实验中，激励信号为垂直方向位移激励，位移幅值分别是-2- 中国科技论文在线http://www.paper.edu.cn2227015mm、20mm、25mm，对应的台架输入加速度均方根值分别是2.7m/s、3.7m/s、4.6m/s。1.1人椅系统传递特性实验在台架上加载实验座椅，固定座椅靠背角度。按照图2所示布置加速度传感器，采集座椅底板、坐垫和靠背处的垂向加速度信号，被试者以自然姿势坐在座椅上，并且在测试过程中始终保持原姿势不变，待被试者佩戴好安全防护装备后，施加预设激励，以200Hz的频75率采样1min，对每种激励重复采样2次。图2座椅振动特性测试图（B&K2647为电荷电压转换器）Fig.2Seatvibrationcharacteristicstestchart（B&K2647：chargetovoltageconverter）1.2振动体压分布实验80振动体压分布实验中，同时布置压力垫传感器和加速度传感器，具体布置方式如图3所示，使用Xsensor压力分布测试及分析系统来获取垂直振动的压力数据，该坐垫和靠背传22感器为电容式传感器，有效测量面积分别为50.8*50.8cm、50.8*81.2cm；使用B&K4524B三向加速度传感器及IMC数据采集分析系统获得座椅底板垂向加速度信号。在布置连接传感器之后，设置体压测试分析系统采样频率为39Hz，其余实验步骤同人椅系统传递特性实85验，施加激励后，同时采集三种垂直激励下的体压分布信息和底板加速度信号，采样时间1min。图3座椅体压分布测试图Fig.3Seatbodypressuredistributiontestchart902实验结果与分析2.1人椅系统传递函数处理人椅系统传递实验中得到的加速度信号，得到底板输入信号的功率谱如图4（a）所示，输入信号为近似白噪声信号，满足实验要求。本文采用平均法求人椅系统的传递函数，计算公式如下：-3- 中国科技论文在线http://www.paper.edu.cn1GfGfxy()yy()95Hf()=×+（1）2GfGfxx()yx()式中：Gf()为输入加速度自功率谱；Gf()为输出加速度自功率谱；Gf()为xxyyxy输入加速度与输出加速度的互功率谱。实验中共得到座椅传递函数60个，本文选取底板-坐垫传递函数中的部分做了对比说明。图4中（b）是人员A在15mm位移激励下两种座椅的底板-坐垫传递函数对比，图（c）和100图（d）依此类推。2.5悬架座椅汽车座椅21.5幅值10.502468101214161820频率(Hz)（a）座椅底板垂向加速度功率谱（b）传递函数-人员A、15mm激励2.52.515mm人员A20mm人员B2225mm1.51.5幅值幅值110.50.50246810121416182002468101214161820105频率(Hz)频率(Hz)（c）传递函数-悬架座椅、15mm激励（d）传递函数-悬架座椅、人员A图4加速度信号处理结果110Fig.4Accelerationsignalprocessingresults分析图4中(b)-(d)，可知人椅系统传递特性会受座椅、个体及激励大小等因素的影响，其中，座椅材料结构等方面的影响更为显著。因此，后续计算中使用座椅人员和激励分别对应的传递函数。2.2加权加速度均方根值115使用上述所得人椅系统传递函数，以及振动体压分布实验中所得底板加速度信号，计算坐垫和靠背处的加速度功率谱：GfGfHfyy()=×xx()()（2）式中：Gf()表示坐垫或靠背处的加速度功率谱；Gf()表示座椅底板处的加速度功yyxx率谱；Hf()表示底板到相应位置的传递函数。120然后根据ISO2631-1997推荐方法，使用功率谱计算加权加速度均方根值，最终不同座椅人椅系统在不同激励下的加权加速度均方根值结果如表1所示，其数值分布范围在21.25~3.00m/s，参照ISO2631-1997中加权加速度均方根值和人的主观感觉之间的关系，可知人的主观感觉为很不舒适和极不舒适，垂直振动较为剧烈。分析表1可知，悬架座椅的加-4- 中国科技论文在线http://www.paper.edu.cn权加速度均方根值均小于汽车座椅，这主要是因为悬架座椅拥有减震机构，舒适度更好；激125励越大，加权加速度均方根值越大，座椅越不舒适。表1加权加速度均方根值Tab.1Weightedaccelerationrmsvalue座椅悬架座椅人员ABCDE激励(mm)1520251520251520251520251520251.62.22.91.62.22.91.62.22.81.62.22.81.62.22.92av(m/s)973662838876670（续表）座椅汽车座椅人员ABCDE激励(mm)1520251520251520251520251520251.72.42.91.72.42.91.72.42.91.72.42.91.72.42.92av(m/s)7546394245445252.3动态体压分布指标130对于振动体压分布实验中得到的初始实验数据，剔除对称性极差和出现奇异值的数据时间点，得到新的样本数据。在静态体压分布分析中，通常使用最大压强、平均压强、接触面积作为分析指标，对于动态体压分布，可用最大压强变化率、平均压强变化率和接触面积变[13]化率作为分析指标，它们能够表现座椅的动态吸振性能，其计算公式如下:1221Tdpt()Pcrms=dt（3）Td0p135式中：T为总时间，pt()为动态体压分布指标（包括最大压力、平均压力、接触面积）。处理实验数据，计算得到各个工况下的平均压强、最大压强、接触面积的变化率，并利用统计学方法进行分析。图5为被试者坐在两种座椅上受到三种不同激励时，坐垫和背部体压分布指标的统计结果，其中被试者A、B、C、D、E的身体质量指数BMI依字母顺序递增。140（a）坐垫平均压强变化率（b）坐垫最大压强变化率（c）坐垫接触面积变化率（d）靠背平均压强变化率-5- 中国科技论文在线http://www.paper.edu.cn145（e）靠背最大压强变化率（f）靠背接触面积变化率图5动态体压分布指标Fig.5Dynamicvolumedistributionindex分析图5可知：（1）坐垫平均压强变化率会随激励的增大而增大，对个体差异敏感度150比较高；（2）坐垫最大压强变化率有可能随着激励的增大而减小，悬架座椅的最大压强变化率小，吸振能力好；（3）接触面积变化率随着激励的增大呈增长趋势，而且受座椅结构和个体差异影响明显；（4）靠背的平均压强和接触面积的变化率会随激励的增大而近似均匀增大，受个体及座椅结构的影响小；（5）靠背最大压强变化率对个体因素的影响敏感。总的来说，所选动态体压分布指标能够表征个体因素、座椅因素以及激励大小综合影响。155进一步分析坐垫和靠背各自体压分布指标的相关关系（见表2、3），可以发现坐垫靠背的三个指标都呈现正相关的特点，某一变化率增大时，另一变化率也很有可能增大；坐垫的平均压强变化率和接触面积变化率相关性显著，接触面积变化率增大时，人椅界面的平均压强变化率也会变大。表2坐垫体压分布指标相关系数表3靠背体压分布指标相关系数160Tab.2CorrelationcoefficientofcushionpressureTab.3Correlationcoefficientofbackrestpressuredistributionindex165distributionindex最大压强变接触面积变最大压强变接触面积变参数参数化率化率化率化率平均压强变化率0.2960.610平均压强变化率0.1870.308最大压强变化率10.157最大压强变化率10.275注：显著性水平为0.05。注：显著性水平为0.053基于动态体压分布的舒适度预测模型在选择舒适度预测方法时，由于本实验中的样本数量较少，因此选用擅长于解决小样本回归问题的支持向量机回归方法（SupportVectorRegression,SVR）。该方法是一种基于统170计学理论的机器学习方法，它遵循结构风险最小化原则，拥有良好的通用性和鲁棒性。3.1数据预处理及参数寻优通过两个实验得到有效数据30组，随机选取其中的20组作为SVR的训练样本，其余为测试样本。将体压分布实验中得到的坐垫平均压强变化率、坐垫最大压强变化率、坐垫接触面积变化率、靠背平均压强变化率、靠背最大压强变化率、靠背接触面积变化率等共计6175个指标作为每个样本中的属性参数，将座椅传递特性实验中得到的加权加速度均方根值作为样本中的预测对象，引入SVR方法对座椅动态舒适度进行回归预测。由于6种属性参数的数量级差别很大，为了避免极小数被吞食，在预测前对实验数据进行归一化，公式如下：xx−minfxy:→=（4）xx−maxmin-6- 中国科技论文在线http://www.paper.edu.cn180式中：x为样本某一属性数据；xmax,xmin分别是所有样本某一属性数据中的最小值和最大值；y为相应x归一化后的数据。在SVR中，本文使用径向基核函数来简化高维空间的映射，因此需要选取的参数主要有惩罚参数c和核函数参数g。使用网格寻优方法，最终确定c=33.13，g=0.0718为SVR建模的最优参数。1853.2模型训练、预测结果及分析对训练集样本进行支持向量机回归训练。训练后结果如图6（a）训练图所示，可见支持向量机训练效果非常理想，说明可以使用该模型处理后续测试集数据。对测试集各个样本进行回归，得到如图6（a）的预测图，其中横坐标为测试集样本序号，纵坐标表示加权加速度均方根值，图中带的蓝线表示真实数据，带∗的红线表示预测数据，显而易见，预测190结果非常精准，说明通过动态体压分布参数预测座椅的振动舒适度是可行的。为验证模型预测的可靠性，同时使用BP神经网络建模作为对照组，预测结果如图6（b）所示。同时，表4给出了图6中的具体数值，包括振动加权加速度均方根值的实际值、根据动态体压分布参数分别使用两种方法做出的预测值，以及预测值与实际值之间的误差。195（a）支持向量机预测（b）BP神经网络预测图6支持向量机训练预测结果Fig.6Supportvectormachinetrainingpredictionresults表4基于动态体压分布的预测结果Tab4Predictiveresultsbasedondynamicpressure样本序号实际值SVR预测值BP预测值SVR预测误差BP预测误差1.0001.731.712.25-0.020.552.0002.442.442.690.010.253.0002.913.032.940.11-0.094.0002.412.262.18-0.15-0.075.0002.902.972.910.07-0.066.0001.681.871.870.180.007.0001.751.711.87-0.040.168.0001.751.671.73-0.070.059.0002.862.812.88-0.050.0810.0002.913.032.910.12-0.12200-7- 中国科技论文在线http://www.paper.edu.cn表4中预测值与真实值的误差很小，这说明基于动态体压分布的模型构建准确，为了进一步说明这种准确性，本文使用了均方根误差（RMSE）、平均绝对百分比误差（MAPE）、2希尔不等系数（TIC）、调整可决系数（R）等判断预测精度。其中，RMSE对极大或极小误差的反映特别敏感，能够反映预测的精密度；MAPE能够对预测精度做出综合评价，小205于10表示预测精度高，小于5表明预测精度极高，大于15表示预测误差太大，不能采用。希尔不等系数的取值范围是[0,1]，数值越接近0，表明拟合效果越好，预测精度越高。表5中支持向量机回归模型的均方误差和希尔不等系数都非常小，平均百分比误差小于5，预测精度极高。调整可决系数都大于0.8，说明支持向量机回归模型的拟合程度非常好。与BP神经网络的预测结果相比，SVR的预测精度更高，回归模型的拟合度更好。210表5预测效果对比分析Tab.5Comparisonofpredictiveeffects回归方法RMSEMAPETIC2RSVR0.103.770.020.84BP0.176.300.030.55该支持向量机回归模型使用6个动态体压分布指标准确有效地预测了座椅振动舒适度评价指标（振动加权加速度均方根值），这说明基于动态体压分布能够对车辆座椅振动舒适度做出有效预测。2154结论本文基于体压分布参数的6个指标变化率，使用支持向量机回归方法对座椅动态舒适度进行了预测。实验结果表明，体压分布的坐垫和靠背的平均压强变化率、最大压强变化率、接触面积变化率能够反映座椅在短时间振动过程中的振动舒适度，而且支持向量机回归的预测性能优于人工神经网络的预测模型。该研究结果使体压分布舒适度预测的应用范围得以拓220展，有助于汽车企业缩短座椅的研发周期和成本。[参考文献](References)[1]PorterJM,GyiDE.ExploringtheOptimumPostureforDriverComfort[J].InternationalJournalofVehicleDesign,1998,19(3):255-266.225[2]NaSeokhee,LeeSunghyun,ChoiHwa-Soonetal.EvaluationofDriver"sDiscomfortandPosturalChangeUsingDynamicBodyPressureDistribution[J].InternationalJournalofIndustrialErgonomics,2005,35:1085-1096.[3]deLoozeMP,Kuijt-EversL,vanDieenJ.Sittingcomfortanddiscomfortandtherelationshipswithobjectivemeasures[J].ERGONOMICS.2003,46(10):985-997.230[4]vandenHeuvelSG,deLoozeMP,HildebrandtVH,etal.Effectsofsoftwareprogramsstimulatingregularbreaksandexercisesonwork-relatedneckandupper-limbdisorders[J].2003,29(2):106-116.[5]林凌云.汽车座椅静态舒适度的主客观评价方法研究[D].吉林大学,2012.[6]EbeK,GriffinMJ.Qualitativemodelsofseatdiscomfortincludingstaticanddynamicfactors[J].Ergonomics.2000,43(6):771.235[7]KolichM.Predictingautomobileseatcomfortusinganeuralnetwork[J].InternationalJournalofIndustrialErgonomics,2004,33(4):285-293.[8]马佳，范智声，李飞飞，等.基于人工神经网络的汽车座椅舒适度评价模型[J].工业工程.2008(05):106-109.[9]孙守迁，吴群，吴剑锋，等.一种基于支持向量回归的驾驶座椅舒适度评价方法[J].中国机械工程.2402008(11):1326-1330.[10]VargheseM,KumarA,MohanD,etal.AbiomechanicalandMRIanalysisofbackpainamongdriversexposedtotractorvibrations[Z].InternationalResearchCouncilontheBiomechanicsofImpactBRONCedex,,France,200111-12.-8- 中国科技论文在线http://www.paper.edu.cn[11]NickMabbottGFAB.HeavyVehicleSeatVibrationandDriverFatigue[J].Department.ofTransportand245RegionalServicesAustralianTransportSafetyBureau.2001.[12]张志飞，袁琼，徐中明，等.基于体压分布的汽车座椅舒适性研究[J].汽车工程.2014(11):1399-1404.[13]李娟，徐伯初，连继峰，等.座椅舒适度的人-椅界面体压分布表征[J].机械科学与技术，2014，33（9）：1298-1303.-9-'