吳亮亮，凌 旭

(重慶理工大學(xué)機(jī)械工程學(xué)院，重慶 400054)

安全氣囊系統(tǒng)又稱(chēng)輔助乘員保護(hù)系統(tǒng)，其作用是當(dāng)汽車(chē)發(fā)生碰撞后在極短時(shí)間范圍內(nèi)給氣袋迅速充滿(mǎn)氣，從而在乘員和汽車(chē)內(nèi)部各構(gòu)件之間形成一道緩沖吸能屏障。因此，利用安全氣囊系統(tǒng)可以盡可能地削弱乘員因碰撞所遭受的沖擊力，起到保護(hù)乘員的作用。

安全氣囊在被動(dòng)安全方面發(fā)揮著重要作用，但隨著安全氣囊的普及，可能對(duì)乘員造成傷害的負(fù)面效應(yīng)也逐漸顯露出來(lái)。存在的主要問(wèn)題包括安全氣囊的延遲點(diǎn)火、漏點(diǎn)火和誤點(diǎn)火等現(xiàn)象時(shí)有發(fā)生，對(duì)乘員造成嚴(yán)重的傷亡和財(cái)產(chǎn)損失。為了使安全氣囊正確點(diǎn)火，研究安全氣囊的點(diǎn)火控制非常必要。

1 安全氣囊點(diǎn)火原理

當(dāng)汽車(chē)發(fā)生碰撞時(shí)，安全氣囊點(diǎn)火控制系統(tǒng)利用車(chē)身上的壓力傳感器的信號(hào)(主要是減速度)迅速判斷出碰撞時(shí)的車(chē)速、碰撞強(qiáng)度等相關(guān)信息，然后再根據(jù)收到的信息與預(yù)先設(shè)定的閾值相比較，從而決定是否點(diǎn)爆安全氣囊以及何時(shí)點(diǎn)爆安全氣囊。

安全氣囊最佳點(diǎn)火時(shí)刻是在發(fā)生時(shí)刻到安全氣囊完全展開(kāi)時(shí)乘員的頭部正面與氣囊相接觸時(shí)刻的前30 ms。目前，國(guó)際上一般利用“127mm－30ms”準(zhǔn)則來(lái)確定安全氣囊的最佳點(diǎn)火時(shí)刻。其含義為:當(dāng)汽車(chē)剛開(kāi)始發(fā)生碰撞時(shí)，乘員相對(duì)于車(chē)體向前移動(dòng)127 mm的時(shí)刻的前30 ms時(shí)間點(diǎn)就稱(chēng)為安全氣囊的最佳點(diǎn)火時(shí)刻。一般情況下，轎車(chē)乘員與轉(zhuǎn)向盤(pán)之間的間距大約為305 mm，氣囊充完氣后的厚度約178 mm，氣囊從點(diǎn)爆到充滿(mǎn)氣體所用時(shí)間為30 ms。由此可知:安全氣囊的最佳點(diǎn)爆時(shí)刻為乘員前移127 mm這一時(shí)刻的前30 ms。

安全氣囊點(diǎn)火控制算法研究主要分為2個(gè)方面:一方面根據(jù)點(diǎn)火條件給出點(diǎn)火判斷;另一方面是根據(jù)給定的最佳點(diǎn)火時(shí)刻，利用BP人工神經(jīng)網(wǎng)絡(luò)和模糊控制相結(jié)合，通過(guò)多次試驗(yàn)提高安全氣囊的點(diǎn)火精度，改善安全氣囊的安全性能。

2 控制算法

2.1 模糊控制

“模糊”與“精確”是相對(duì)的概念。模糊性普遍存在于人類(lèi)的語(yǔ)言交流和思維中，是一種不確定性的表現(xiàn)。隨機(jī)性則是客觀存在的不確定性的另一種類(lèi)型的表現(xiàn)形式。兩者雖都具有不確定性，但有著本質(zhì)的區(qū)別:模糊性主要指的是人對(duì)于概念外延的主觀理解上的不確定性;隨機(jī)性則主要反應(yīng)了客觀上的自然的不確定性，即對(duì)事件發(fā)生與否的不確定性。

模糊控制有2個(gè)非常突出的優(yōu)點(diǎn):第一，相對(duì)于其他類(lèi)型的控制，模糊控制可比較全面地利用人類(lèi)的語(yǔ)言信息，使人的控制策略的實(shí)現(xiàn)非常便捷;第二，在缺少被控對(duì)象數(shù)學(xué)模型的情況下，模糊控制可以實(shí)現(xiàn)較好的控制，這是因?yàn)槟：刂破鬏斎搿⑤敵瞿：湍：?guī)則中已隱含被控對(duì)象的動(dòng)態(tài)特性。

模糊邏輯系統(tǒng)指的是那些與模糊概念和模糊邏輯具有直接關(guān)系的系統(tǒng)，通常由模糊化、模糊規(guī)則庫(kù)、模糊推理機(jī)和去模糊化4部分組成［1］。圖1為模糊邏輯系統(tǒng)的基本結(jié)構(gòu)。

圖1 模糊邏輯系統(tǒng)的基本結(jié)構(gòu)

2.2 BP 神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前饋網(wǎng)絡(luò)，其結(jié)構(gòu)如圖2所示。網(wǎng)絡(luò)除具有輸入、輸出節(jié)點(diǎn)以外，還含有單層或者多層的隱層節(jié)點(diǎn)，其同層節(jié)點(diǎn)之間沒(méi)有任何耦合關(guān)系。它是利用期望值與輸出值之間的誤差，從輸出層向輸入層的方向進(jìn)行計(jì)算，是反向遞推計(jì)算的，所以通常稱(chēng)該算法為誤差反向傳播算法，其網(wǎng)絡(luò)學(xué)習(xí)過(guò)程是一種誤差邊向后傳播邊修正權(quán)系數(shù)的過(guò)程［2］。

人工神經(jīng)網(wǎng)絡(luò)主要是用來(lái)模擬人類(lèi)大腦的組織機(jī)構(gòu)和運(yùn)行機(jī)制，它的一個(gè)重要特點(diǎn)是神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練前必須確定其結(jié)構(gòu)。在神經(jīng)網(wǎng)絡(luò)參數(shù)修改的過(guò)程中，對(duì)于已經(jīng)確定的神經(jīng)網(wǎng)絡(luò)其結(jié)構(gòu)將不再發(fā)生變化。在人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用中，對(duì)于給定的任務(wù)，其輸入層神經(jīng)元和輸出層神經(jīng)元個(gè)數(shù)是已知的。如果隱含層神經(jīng)元個(gè)數(shù)可以被求出，那么神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)就可以被完全確定下來(lái)。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

以?xún)H含有1層隱層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)為例，假定其3層網(wǎng)絡(luò)結(jié)構(gòu)分別為:輸入層i個(gè)神經(jīng)元，隱層n個(gè)神經(jīng)元，輸出層c個(gè)神經(jīng)元，網(wǎng)絡(luò)的權(quán)值為W。

若輸入訓(xùn)練樣本為X=(x1，…，xi)T，則期望輸出為τ=(t1，…，tc)T，網(wǎng)絡(luò)實(shí)際輸出為 z=(z1，…，zc)T，隱含層輸出為 y=(y1，…，yn)T，Y 為神經(jīng)元的凈輸出。對(duì)于隱含層有:yj=f(Yj)，Yj=wjmxm，i=1，…，n;對(duì)于輸出層有:zk=f(Yk)，Yk=，i=1，…，c。

誤差平方和準(zhǔn)則函數(shù)為

權(quán)值調(diào)整公式為

其中:η為學(xué)習(xí)速率;x0、y0是為引入閾值而設(shè)置的偏置量［3－4］。

BP算法通過(guò)有教師的方式進(jìn)行學(xué)習(xí)，由教師對(duì)每一種輸入模式設(shè)定一個(gè)期望值，然后對(duì)網(wǎng)絡(luò)輸入實(shí)際的學(xué)習(xí)模式，并由輸入層經(jīng)隱層向輸出層傳播。實(shí)際輸出與期望輸出的差即為誤差，其依據(jù)使平方差最小的學(xué)習(xí)規(guī)則，由輸出層向隱層修正鏈接權(quán)值，該過(guò)程稱(chēng)為“誤差逆向傳播”［5］。BP算法是應(yīng)用于感知器神經(jīng)網(wǎng)絡(luò)的最廣泛的算法，主要由信息正向傳播和誤差反向傳播兩個(gè)過(guò)程組成。BP算法流程如圖3所示。初始化就是對(duì)W設(shè)初始值，一般取零左右的極小隨機(jī)數(shù)。

圖3 BP算法流程

3 算法模型

算法采用兩級(jí)結(jié)構(gòu)，結(jié)合BP神經(jīng)網(wǎng)絡(luò)與模糊控制同時(shí)進(jìn)行點(diǎn)火預(yù)測(cè)。其優(yōu)勢(shì)在于既發(fā)揮了BP神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性映射特性，又發(fā)揮了模糊控制策略實(shí)現(xiàn)的便捷性［6］。圖4為算法結(jié)構(gòu)。

圖4 算法結(jié)構(gòu)

本算法的任務(wù)是根據(jù)加速度采樣數(shù)據(jù)預(yù)測(cè)頭部位移，判斷是否需要點(diǎn)火，滿(mǎn)足點(diǎn)火條件時(shí)按照“127mm－30ms”準(zhǔn)則確定最佳點(diǎn)火時(shí)刻。當(dāng)模糊控制判定滿(mǎn)足點(diǎn)火條件時(shí)，由BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)當(dāng)前時(shí)刻后30 ms時(shí)刻的頭部位移。如果達(dá)到127 mm位移，則安全氣囊點(diǎn)火;否則，繼續(xù)預(yù)測(cè)位移量，直到預(yù)測(cè)位移量達(dá)到127 mm，使安全氣囊點(diǎn)火。算法結(jié)構(gòu)中上部分為模糊神經(jīng)網(wǎng)絡(luò)層，1層為特征提取層，2、3層為策略判定層，4層為決策層;下部分為BP神經(jīng)網(wǎng)絡(luò)層。本研究的BP網(wǎng)絡(luò)采用兩層隱層結(jié)構(gòu)，第1、2層均采用10個(gè)節(jié)點(diǎn)，傳遞函數(shù)采用雙曲正切Sigmoid型函數(shù)，輸入層節(jié)點(diǎn)為5個(gè)，輸出層節(jié)點(diǎn)為1個(gè)。每次輸入的數(shù)據(jù)是當(dāng)前時(shí)刻算之前最近10 ms的加速度值，采樣周期為2 ms，即每次輸入是1個(gè)由5個(gè)數(shù)據(jù)組成的向量。

4 算法驗(yàn)證

圖5為某車(chē)型實(shí)際臺(tái)車(chē)試驗(yàn)時(shí)得到的2條不同初速度下的加速度曲線(xiàn)樣本，分別為32 km/h和56 km/h的100%重疊正碰時(shí)的加速度曲線(xiàn)。圖6為與之對(duì)應(yīng)的該碰撞初速度下假人的頭部位移曲線(xiàn)。

運(yùn)用Matlab的神經(jīng)網(wǎng)絡(luò)工具箱mntool及模糊邏輯工具箱fuzzy建立對(duì)應(yīng)的網(wǎng)絡(luò)控制層，利用加速度數(shù)據(jù)以及位移數(shù)據(jù)分別對(duì)這2個(gè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練好算法模型后，再輸入加速度樣本數(shù)據(jù)即可以得到頭部位移的預(yù)測(cè)曲線(xiàn)。將預(yù)測(cè)的頭部位移曲線(xiàn)與頭部位移曲線(xiàn)的樣本值進(jìn)行比較，檢驗(yàn)其預(yù)測(cè)點(diǎn)火時(shí)刻頭部位移值與樣本值的誤差是否在確定的范圍之內(nèi)，從而檢測(cè)其算法的有效性［7－8］。

圖5 100%重疊正碰加速度曲線(xiàn)

圖6 100%重疊正碰假人頭部位移曲線(xiàn)

圖7和圖8分別為32 km/h和56 km/h 100%重疊碰撞時(shí)，頭部位移的網(wǎng)絡(luò)輸出值與樣本值的局部放大圖。

圖7 32 km/h初速碰撞時(shí)頭部位移的模型輸出與樣本值局部放大圖

由樣本位移曲線(xiàn)可知:實(shí)際頭部位移127 mm時(shí)對(duì)應(yīng)的時(shí)刻為52.92 ms。在圖7中52.92 ms對(duì)應(yīng)的模型位移為126.82 mm，誤差為0.18 mm，在127±1 mm范圍之內(nèi)。由樣本曲線(xiàn)可知:實(shí)際頭部位移127 mm時(shí)對(duì)應(yīng)的時(shí)刻為45.22 ms，在圖8 中45.22 ms對(duì)應(yīng)的模型位移為 126.81 mm，誤差為0.19 mm，在127±1mm范圍之內(nèi)。

圖8 56 km/h初速碰撞時(shí)頭部位移的模型輸出與樣本值局部放大圖

由圖7和圖8可以得出:網(wǎng)絡(luò)預(yù)測(cè)的假人頭部位移量與樣本位移量有較好的擬合度。該網(wǎng)絡(luò)能比較精確地預(yù)測(cè)到乘員的頭部位移量，誤差控制在允許的范圍之內(nèi)，用該算法確定安全氣囊的點(diǎn)火時(shí)刻是可行的。

5 結(jié)束語(yǔ)

利用BP人工神經(jīng)網(wǎng)絡(luò)結(jié)合模糊控制建立安全氣囊的點(diǎn)火控制模型，通過(guò)模型的輸出來(lái)判定是否觸發(fā)氣囊，若滿(mǎn)足觸發(fā)條件，則預(yù)測(cè)什么時(shí)候觸發(fā)氣囊。與以往的安全氣囊點(diǎn)火控制算法相比，該算法能比較準(zhǔn)確地判定安全氣囊的最佳點(diǎn)火時(shí)刻。仿真與試驗(yàn)結(jié)果表明:該算法是可行的，有利于提高汽車(chē)的安全性能。

［1］劉國(guó)榮.多變量系統(tǒng)模糊/神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制［M］.北京:科學(xué)出版社，2012:8－15.

［2］喬俊飛，韓紅桂.前饋神經(jīng)網(wǎng)絡(luò)分析與設(shè)計(jì)［M］.北京:科學(xué)出版社，2013:10 －11，30－37.

［3］陳娜.基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)型汽車(chē)安全氣囊點(diǎn)火控制算法的研究［D］.長(zhǎng)沙:湖南大學(xué)，2005:44－45.

［4］郭培源.高精度汽車(chē)安全氣囊最佳點(diǎn)火時(shí)刻預(yù)測(cè)算法［J］.軟件，2012，33(10):89 －90.

［5］秦孟蘇.基于模糊神經(jīng)網(wǎng)絡(luò)的汽車(chē)安全氣囊智能點(diǎn)火控制算法［D］.長(zhǎng)沙:湖南大學(xué)，2008:36－38.

［6］武濤.汽車(chē)安全氣囊控制系統(tǒng)及碰撞分析系統(tǒng)的設(shè)計(jì)［D］.合肥:中國(guó)科學(xué)技術(shù)大學(xué)，2011:20 －24.

［7］周潤(rùn)景，張麗娜.基于MATLAB與fuzzy TECH的模糊與神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)［M］.北京:電子工業(yè)出版社，2010:122－136.

［8］李國(guó)勇.神經(jīng)·模糊·預(yù)測(cè)控制及其MATLAB實(shí)現(xiàn)［M］.北京:電子工業(yè)出版社，2013:201－214.