劉麗萍，鞠偉男，邵學(xué)彬，王云川，溫泉，劉嬌楊

(中汽研軟件測(cè)評(píng)(天津)有限公司，天津 300300)

1 引言

隨著人均汽車保有量的逐年增長(zhǎng)，消費(fèi)者對(duì)汽車的要求已不僅僅定位在“代步工具”，車輛的舒適性成為消費(fèi)者日益關(guān)注的問(wèn)題。座椅作為車輛內(nèi)部空間主要的布置工具，其舒適性研究也成為主機(jī)廠及國(guó)內(nèi)外專家學(xué)者重點(diǎn)研究的課題之一。

唐立華等[1]采用Tekscan體壓分布測(cè)量系統(tǒng)并結(jié)合主觀評(píng)價(jià)的綜合實(shí)驗(yàn)方法，剖析了人體不同坐姿形式對(duì)坐姿舒適性的影響，研究結(jié)果表明，不同的坐姿可明顯影響體壓分布情況，進(jìn)而影響人體舒適性，自然放松的靠背坐姿時(shí)，各體壓分布指標(biāo)最小，是舒適性最好的坐姿形式。曹志偉等[2]對(duì)軌道交通工具中座椅裝備舒適度的評(píng)價(jià)方法及提升我國(guó)軌道交通工具中座椅舒適度的研究方向進(jìn)行了探討，結(jié)果表明，座椅舒適度評(píng)價(jià)一般采用主觀和客觀相結(jié)合的綜合評(píng)價(jià)方法，體壓分布與主觀評(píng)價(jià)有顯著關(guān)系。Looze M P D等[3]也發(fā)現(xiàn)，在眾多的客觀評(píng)價(jià)方法當(dāng)中，體壓分布對(duì)于主觀舒適性的表征效果最為顯著，通過(guò)體壓分布可分析出座椅舒適性信息。Kolich M等[4]分別用逐步多元線性回歸和神經(jīng)網(wǎng)絡(luò)構(gòu)建舒適性評(píng)價(jià)模型并進(jìn)行比較，得出了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型有更高的準(zhǔn)確率。李培松等[5]提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的座椅舒適度評(píng)價(jià)模型，研究結(jié)果表明，與普通BP網(wǎng)絡(luò)模型對(duì)比，模糊神經(jīng)網(wǎng)絡(luò)模型具有更好的預(yù)測(cè)效果。李娟等[6]將體壓指標(biāo)對(duì)于坐墊舒適性及軟硬度的表征情況進(jìn)行了分析，找到主觀舒適性與體壓分布之間的聯(lián)系，利用客觀變量預(yù)測(cè)主觀舒適性，對(duì)于汽車座椅的設(shè)計(jì)、整改都具有重要的意義。龍江等[7]提出利用人工蜂群算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)(ABC-BP)來(lái)預(yù)測(cè)座椅的舒適性的方法，研究結(jié)果表明，優(yōu)化后的預(yù)測(cè)模型穩(wěn)定性更強(qiáng)、預(yù)測(cè)效果更加精準(zhǔn)。韓宇翃等[8]探究了在座椅舒適性評(píng)價(jià)中，皮電反射、心率變異性以及瞳孔直徑等數(shù)據(jù)與用戶主觀舒適性的關(guān)聯(lián)關(guān)系，研究結(jié)果顯示，一定條件下可以使用瞳孔數(shù)據(jù)協(xié)同優(yōu)化座椅舒適度評(píng)價(jià)，暫無(wú)充分證據(jù)支持皮電反射和心率變異性與座椅舒適性存在顯著關(guān)聯(lián)。

綜上所述，國(guó)內(nèi)外專家學(xué)者對(duì)座椅舒適性及其評(píng)價(jià)方法進(jìn)行了大量研究，并取得了顯著成果，可以看出，體壓分布可以有效表征座椅舒適性，但主觀舒適性與體壓分布之間并非簡(jiǎn)單的線性關(guān)系，因此，需要構(gòu)建座椅舒適性評(píng)價(jià)模型。前人的研究為座椅舒適型評(píng)價(jià)提供了參考，但其評(píng)價(jià)指標(biāo)相對(duì)局限，大多集中于體壓信息，并未考慮人體基本特征等物理因素對(duì)評(píng)價(jià)結(jié)果的影響；另外，不同變量對(duì)舒適性預(yù)測(cè)結(jié)果的貢獻(xiàn)度不同，可能存在無(wú)關(guān)變量影響預(yù)測(cè)結(jié)果的準(zhǔn)確度。因此，本文綜合考慮4個(gè)人體基本特征、10個(gè)背部及臀部體壓信息，利用Lasso算法對(duì)特征向量進(jìn)行提取，篩選出對(duì)預(yù)測(cè)結(jié)果貢獻(xiàn)度大的變量，并利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，建立基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的汽車座椅舒適性評(píng)價(jià)模型，本研究可為汽車正向設(shè)計(jì)中座椅設(shè)計(jì)方案的篩選提供參考。

2 方法

2.1 基于Lasso算法的特征向量提取

影響汽車座椅舒適性的因素很多，考慮到變量對(duì)舒適度評(píng)價(jià)結(jié)果的影響程度不同，如果將所有變量輸入，訓(xùn)練和預(yù)測(cè)的速度和精度將會(huì)受到影響，因此，需先對(duì)特征向量進(jìn)行提取，選擇對(duì)舒適性影響較大的變量作為模型的輸入變量。

本文引入Lasso(Least Absolute Shrinkage and Selection Operator)算法[9]對(duì)輸入變量進(jìn)行降維，該方法不僅能實(shí)現(xiàn)有效變量選擇，而且還可消除多重共線性等問(wèn)題。該方法是基于懲罰方法對(duì)樣本數(shù)據(jù)進(jìn)行變量選擇，通過(guò)對(duì)原本的系數(shù)進(jìn)行壓縮，將原本很小的系數(shù)直接壓縮至0，從而將這部分系數(shù)所對(duì)應(yīng)的變量視為非顯著性變量，將不顯著的變量直接舍棄，同時(shí)對(duì)原本系數(shù)較大的顯著自變量采取較輕的壓縮。最終，得到一個(gè)較為精煉的模型，實(shí)現(xiàn)降維的效果。

2.2 基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的汽車座椅舒適性評(píng)價(jià)模型

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)[10]是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，它具備很強(qiáng)的非線性映射能力和自學(xué)習(xí)、自適應(yīng)能力，且結(jié)構(gòu)簡(jiǎn)單，性能優(yōu)良，在眾多領(lǐng)域應(yīng)用廣泛。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，圖中(x1,x2,…,xn)為輸入變量，(o1,o2,…,om)為輸出變量，wij、wjk，分別為輸入層與隱含層、隱含層與輸出層之間的連接加權(quán)系數(shù)。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

由于BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則是使用梯度下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，因此不可避免的會(huì)存在收斂速度慢、易陷入局部極小值等缺陷，本文將利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化[11]。首先，用遺傳算法對(duì)初始權(quán)值分布進(jìn)行優(yōu)化，在解空間中找出一個(gè)較好的搜索空間；然后，用BP算法在這個(gè)較小的解空間中搜索出最優(yōu)解，遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)算法流程如圖2所示。

圖2 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)算法流程

2.3 實(shí)驗(yàn)設(shè)計(jì)

2.3.1 實(shí)驗(yàn)對(duì)象及條件

以性別、身高、體重、年齡為依據(jù)選取200名被試者，其中男性與女性分別為100名，身高、體重、年齡基本呈正態(tài)分布。身高分布在150 ～181 mm之間，平均身高167 mm；體重分布在42 ～115 kg之間，平均體重62 kg；年齡分布在18～65歲之間，平均年齡39歲。

選取2輛實(shí)驗(yàn)樣車，樣車參數(shù)如表1所示。采用Pliance-x壓力墊與配套軟件采集被試者的背部與臀部體壓數(shù)據(jù)，包括：平均壓力、峰值壓力、平均壓強(qiáng)、峰值壓強(qiáng)和接觸面積。

表1 實(shí)驗(yàn)樣車基本參數(shù)

2.3.2 實(shí)驗(yàn)內(nèi)容

(1)被試者基本信息采集：向被試人員介紹實(shí)驗(yàn)流程及要求，統(tǒng)計(jì)被試者性別、年齡、身高、體重等基本信息。

(2)實(shí)驗(yàn)前準(zhǔn)備：將Pliance-x壓力墊鋪放在汽車副駕駛座椅的座面和靠背上，調(diào)整座椅使靠背傾角為25°(靠背傾角指靠背與垂線夾角)，座椅高度為最低高度，如圖3所示。

圖3 實(shí)驗(yàn)測(cè)試場(chǎng)景

(3)體壓參數(shù)測(cè)量：被試人員按要求統(tǒng)一身穿緊身內(nèi)衣，并按照規(guī)定姿勢(shì)坐在座椅上，臀部和背部要求貼合壓力墊，保持自然姿態(tài)并雙腿并攏。待被試坐姿平穩(wěn)后，試驗(yàn)測(cè)試人員操作壓力墊進(jìn)行體壓測(cè)試，并連續(xù)記錄一段10 s左右的壓力數(shù)據(jù)，數(shù)據(jù)輸出結(jié)果如圖4所示。

圖4 體壓數(shù)據(jù)輸出結(jié)果示例

(4)主觀舒適度評(píng)價(jià)：采用十分制打分的方式要求被試人員對(duì)乘坐舒適度進(jìn)行主觀評(píng)分，評(píng)分越高代表越舒適，評(píng)分越低代表越不舒適，1～3分為不舒適，4～6分為舒適度一般，7～9分為舒適，10分為非常舒適。評(píng)價(jià)指標(biāo)共計(jì)12項(xiàng)，如表2所示，主觀評(píng)價(jià)總得分為12項(xiàng)得分的平均值。

表2 汽車座椅主觀舒適度評(píng)價(jià)打分項(xiàng)

按照上述實(shí)驗(yàn)步驟，分別組織200名被試乘坐2輛樣車開(kāi)展實(shí)驗(yàn)，共計(jì)采集得到400組實(shí)驗(yàn)數(shù)據(jù)，每組數(shù)據(jù)所包含變量如表3所示。對(duì)原始數(shù)據(jù)進(jìn)行處理，剔除不完整數(shù)據(jù)、非穩(wěn)定數(shù)據(jù)、異常數(shù)據(jù)等所涉及的共24組實(shí)驗(yàn)數(shù)據(jù)，最終確定出376組實(shí)驗(yàn)數(shù)據(jù)作為統(tǒng)計(jì)分析的最終數(shù)據(jù)集，數(shù)據(jù)示例如表4所示。

表3 實(shí)驗(yàn)采集數(shù)據(jù)項(xiàng)

表4 實(shí)驗(yàn)數(shù)據(jù)示例

3 模型建立與驗(yàn)證

從最終篩選得到的376組實(shí)驗(yàn)數(shù)據(jù)中選取300組實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練樣本集，剩余76組數(shù)據(jù)作為驗(yàn)證樣本集。首先利用Lasso算法對(duì)特征向量進(jìn)行提取，最終提取得到對(duì)預(yù)測(cè)結(jié)果影響較大的變量為：性別(X1)、身高(X3)、體重(X4)、背部平均壓強(qiáng)(X7)、背部峰值壓強(qiáng)(X8)、臀部平均壓強(qiáng)(X12)、臀部峰值壓強(qiáng)(X13)。以X1、X3、X4、X7、X8、X12、X13作為輸入變量，Y作為輸出變量，利用300組訓(xùn)練樣本集數(shù)據(jù)對(duì)優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過(guò)2355次訓(xùn)練，模型預(yù)測(cè)效果達(dá)到最優(yōu)，訓(xùn)練結(jié)果如圖5所示。

圖5 模型訓(xùn)練誤差曲線

均方根誤差(root mean square error,RMSE)常用于衡量觀測(cè)值與真實(shí)值之間的偏差，是衡量機(jī)器學(xué)習(xí)預(yù)測(cè)結(jié)果準(zhǔn)確度的常用指標(biāo)[11]，RMSE數(shù)值越小，表明模型預(yù)測(cè)值與實(shí)際值越接近，模型預(yù)測(cè)精度越高，其計(jì)算公式為：

(1)

利用76組驗(yàn)證樣本數(shù)據(jù)集對(duì)模型進(jìn)行驗(yàn)證，并將驗(yàn)證結(jié)果與BP神經(jīng)網(wǎng)絡(luò)輸出結(jié)果進(jìn)行對(duì)比，如表5所示，兩種模型誤差波動(dòng)如圖6所示?？梢钥闯觯cBP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果相比，遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果與真實(shí)值更為接近，準(zhǔn)確率達(dá)到90.96%，預(yù)測(cè)誤差更小，且誤差波動(dòng)更小，由此說(shuō)明，本文所建立的模型在汽車座椅舒適性預(yù)測(cè)中具有較好效果。

表5 模型測(cè)試結(jié)果

圖6 BP神經(jīng)網(wǎng)絡(luò)與優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型誤差波動(dòng)

4 討論

本文對(duì)座椅舒適性評(píng)價(jià)方法進(jìn)行研究，利用Lasso算法提取對(duì)評(píng)價(jià)結(jié)果具有顯著影響的變量，并建立基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的汽車座椅舒適性評(píng)價(jià)模型。研究表明性別、身高、體重、背部平均壓強(qiáng)、背部峰值壓強(qiáng)、臀部平均壓強(qiáng)、臀部峰值壓強(qiáng)等參數(shù)對(duì)座椅舒適性預(yù)測(cè)效果明顯。分析認(rèn)為，座椅的材質(zhì)是影響舒適性的直接因素，而駕駛員在座椅上的生理物理指標(biāo)可以有效表征座椅舒適性，因此可以用于座椅舒適性評(píng)價(jià)；駕駛員個(gè)體固有特征不同，對(duì)座椅不同部位的壓力壓強(qiáng)不同，因此對(duì)座椅舒適性的感知不同。

此外，本文利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化，建立座椅舒適性預(yù)測(cè)模型，通過(guò)對(duì)比驗(yàn)證，可以看出，優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度更高。分析發(fā)現(xiàn)，用遺傳算法調(diào)整BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重值和閾值，能夠較好地防止搜索陷入局部極小值，使優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能夠更好地進(jìn)行樣本預(yù)測(cè)，因此，模型具有更好的預(yù)測(cè)效果。

然而本文的研究仍存在一些不足：本文僅對(duì)座椅靜態(tài)舒適性進(jìn)行了研究，未來(lái)，可以通過(guò)采集駕駛員在開(kāi)車過(guò)程中的生理指標(biāo)、行為動(dòng)作等參數(shù)對(duì)駕駛員動(dòng)態(tài)舒適性進(jìn)行深入研究。

5 結(jié)論

座椅舒適性是消費(fèi)者評(píng)價(jià)汽車整體性能的一項(xiàng)重要指標(biāo)，座椅舒適性評(píng)價(jià)方法研究對(duì)汽車人機(jī)設(shè)計(jì)效果的提升具有重要意義。本文以汽車座椅靜態(tài)舒適性為研究對(duì)象，綜合考慮兩大因素(人體基本特征、座椅坐墊及靠墊設(shè)計(jì))對(duì)舒適性的影響，建立基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的座椅舒適性評(píng)價(jià)模型，得到以下結(jié)論：

(1)駕駛員基本物理信息及體壓信息能夠較好預(yù)測(cè)座椅舒適性。

(2)利用遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確率達(dá)到90.96%，比未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率提高了8.28%，具有更好的預(yù)測(cè)效果。