基于ODYSSEE的汽车约束系统鲁棒性分析方法研究.pdf

IM汽车行业110 2023年增刊基于 ODYSSEE 的汽车约束系统鲁棒性 分析方法研究高伟钊 1，曾祥杰 1，王东辉 2，鞠伟 2，潘锋 1（1.迅仿科技（上海）有限公司，上海 201821；2.中国第一汽车股份有限公司研发总院，吉林 长春 130011）摘要：汽车约束系统设计参数标定主要基于标准碰撞工况的加速度波形开展，旨在满足假人得分目标要求。实际情况中受制造因素和真实车辆交通事故碰撞场景的随机性，约束系统零部件设计参数和点火时刻与理论设计值存在偏差，导致假人伤害仿真有一定波动。基于 ODYSSEE 机器学习软件的 ROM 降维技术，进行了假人伤害响应曲线的预测研究，支持汽车约束系统鲁棒性分析的开展，结果表明，POD_Krg 算法能够基于少量样本点实现对约束系统假人伤害曲线的高精度预测，通过蒙特卡洛采样方案，能够有效评估假人得分鲁棒性，指导约束系统零部件产品开发。关键词：约束系统；鲁棒性；ROM；ODYSSEE1引言汽车约束系统参数设计，常以法规中高速碰撞工况下整车加速度波形为输入，通过开展约束系统分析、试验标定和优化，对关键零部件设计参数和 ECU 点火时刻进行标定，确保假人伤害满足法规要求，假人得分满足车辆星级开发策略要求。受限于制造工艺因素和真实碰撞场景的多样化，真实的交通事故中，乘员伤害严重程度，与理想状态存在偏差。为解决上述问题，李铁柱1等将 Kriging 近似建模技术和稳健性分析方法相结合，提出基于 6 稳健性思路的约束系统参数优化方法，为工程开发人员提供全新思路；张海洋2等，通过将 SVR 近似模型技术，粒子群（PSO）优化算法和蒙特卡洛采样原理相结合，在乘员约束系统优化中，开展稳健性设计，取得优异成果。以往研究中，多采用以 Kriging 和 SVR 为代表的标量法代理模型开展稳健性分析和优化1-3。标量法代理模型无法对曲线进行预测，精度提升对 DOE 样本规模依赖较大，DOE 样本制作过程中软硬件资源的巨大消耗，制约该技术在产品研发流程中的普及。本文基于 ODYSSEE 软件，开展了 ROM 原理在汽车约束系统鲁棒性分析中的应用研究。结果显示，POD 算法基于少量样本点，具备对假人伤害曲线的高精度预测能力，通过与蒙特卡洛采样方法相结合，能有效评估假人得分鲁棒性，为性能开发人员提供参数调整依据。2ODYSSEE 软件与预测算法2.1ODYSSEE 软件MSC ODYSSEE 软件是一款基于机器学习算法的参汽车行业IM投稿网站： 2023年增刊 111数化设计和决策软件包，具备数据处理、预测、信号处理、图像处理与识别、优化和鲁棒性分析等功能。ODYSSEE 主 要 包 含 ODYSSEE CAE 和 ODYSSEE A-EYE 两个软件包。其中，ODYSSEE CAE 主要被应用于产品 CAE 性能开发中的性能预测和参数优化，能实现对碰撞和 NVH 分析中时域和频域曲线预测，具备对 Ls-dyna 计算结果 d3plot 的预测能力。ODYSSEE A-EYE 工具则可以根据实际应用场景，对上述预测功能进行 app 工具封装，提升使用便利性，且支持几何、文本和图像等非数字数据处理能力，扩展了机器学习算法的应用场景。2.2机器学习预测算法ODYSSEE 软件核心预测算法基于 ROM（Reduced Order Model）原理，对曲线进行时域/频域降阶处理。基 于 POD（Proper Orthogonal Decomposition）的 ROM算法首次被 Kayvantash4应用于碰撞和 ALE 仿真中，验证其可行性；之后，Yasuki5-6等将 ROM 方法应用于约束系统台车 CAE 分析中，预测假人伤害。ROM 方法曲线预测基本原理与傅里叶级数类似，如图 1 所示，分为以下三个步骤7：图 1曲线傅里叶级数展开示意1）分解。以 POD 为例，通过对曲线族进行本征值正交分解，获取组成曲线特征。2）降阶。保留核心特征，去除对曲线精度影响较小的特征。3）重组。插值算法获取各特征系数，对新设计变量进行曲线重构。ODYSSEE 软件中 ROM 算法主要包含 POD、FFT 和Clustering 等。3案例简介与机器学习模型搭建3.1案例简介约束系统 CAE 案例如图 2 所示，该案例来源于某乘用车驾驶员侧约束系统模型，基于 Ls-dyna 软件搭建，模型中含车身、转向管柱、转向盘、地毯、仪表板、踏板、座椅、假人、气囊和安全带等总成，共计网格数量63w。基于 C-NCAP 管理规则（2021 版）8中正面 100%重叠刚性壁障碰撞物理试验的车体加速度波形，对 CAE模型进行加载，指导约束系统关键零部件设计参数优化与标定。图 2约束系统 CAE 模型示意3.2试验设计为研究约束系统设计参数波动对假人伤害和得分影响，选取该模型中气囊泄气孔面积 A，安全带预紧时刻TTF-1 和气囊点爆时刻 TTF-2 作为设计变量，其初值和取值范围见表 1。拉丁超立方采样在各维度无重复性，样本点数量少，常被用于构建初始样本空间9。ODYSSEE 软件的 DOE生成工具，具备拉丁超立方采样功能，并通过算法改进，增加了改进拉丁超立方采样算法，提升样本点在设计空间的均匀度。基于该方法在设计空间内生成的 25 个样本点空间分布如图 3 所示。表 1设计变量及其取值范围设计变量初始值下限上限A2 5002 0003 000TTF-1129.614.4TTF-21815.421.6IM汽车行业112 2023年增刊图 3DOE 样本空间分布采用 ODYSSEE 软件 Paser 工具对求解文件进行批量前处理，提交 HPC 进行求解计算。根据 C-NCAP 管理规则（2021 版）中正面 100%重叠刚性壁障碰撞试验中驾驶员侧假人伤害评价项要求，对计算结果进行批量后处理，获取假人头/颈/胸/大腿/小腿各性能指标曲线库作为响应，见表 2。表 2假人伤害性能曲线数据库位置指标名称响应数据库头部合成加速度01_headacc.csv颈部剪切力 FX02_neck-fx.csv张力 FZ03_neck-fz.csv伸张弯矩 My04_neck-m.csv胸部压缩变形量05_chest-def.csv粘性指数（VC）06_chest-vc.csv大腿大腿压缩力-左07_femur-fz-l.csv大腿压缩力-右08_femur-fz-r.csv膝盖滑动位移-左09_knee-d-l.csv膝盖滑动位移-右10_knee-d-r.csv小腿小腿压缩力-左上11_tibia-f-ul.csv小腿压缩力-右上12_tibia-f-ur.csv小腿压缩力-左下13_tibia-f-ll.csv小腿压缩力-右下14_tibia-f-lr.csv胫骨指数 TI-左上15_tibia-ti-ul.csv胫骨指数 TI-右上16_tibia-ti-ur.csv胫骨指数 TI-左下17_tibia-ti-ll.csv胫骨指数 TI-右下18_tibia-ti-lr.csv3.3机器学习模型搭建与精度训练在 ODYSSEE 软件 lunar 模块中，基于 DOE 样本和响应曲线库，采用机器学习模型构建设计变量与各响应的数学关系，如图 4 所示。图 4ODYSSEE Lunar 工具机器学习模型构建示意ODYSSEE 软件 Lunar 界面下 user script 模块，为用户提供一种基于交叉验证法的机器学习模型精度训练脚本，可完成高精度机器学习算法选型。该脚本支持的基础预测算法有 Direct、POD 和 Cluster，精度对比如图 5所示；精度评价准则有包括 R2 在内的 18 种精度指标。基于 R2 精度评价标准，采用交叉验证法和 Direct、POD 和 Cluster 三种基础算法对上述 18 个响应进行训练，如图 5 所示。结果显示，基础算法 POD 的精度优于Direct 和 Cluster 算法，且 POD_krg 模型在所有算法中，精度最高。各响应高精度机器学习模型参数见表 3。结果显示，18 个响应的 R2 值，除颈部剪切力 Fx曲线外，其余均大于 97%，具有较高预测精度，后续将基于表 3 中算法类型和参数开展假人得分鲁棒性分析。图 5机器学习模型精度对比汽车行业IM投稿网站： 2023年增刊 113表 3各响应最优机器学习模型响应最优算法算法参数R201_headaccPODPOD_KRG_linear_h3_nuggets=1.38564_Mode=597.4%02_neck-fx.PODPOD_KRG_linear_squarredExp_nuggets=1.38564_Mode=989.5%03_neck-fzPODPOD_KRG_linear_h3_nuggets=1.03923_Mode=599.3%04_neck-mPODPOD_KRG_quadratic_exp_nuggets=1.03923_Mode=999.0%05_chest-defPODPOD_KRG_trigonometric_h3_nuggets=1.03923_Mode=999.9%06_chest-vcPODPOD_KRG_quadratic_h3_nuggets=0.34641_Mode=597.8%07_femur-fz-lPODPOD_KRG_trigonometric_h3_nuggets=1.03923_Mode=599.8%08_femur-fz-rPODPOD_KRG_trigonometric_ornsteinUhlenbeck_nuggets=0.69282_Mode=599.4%09_knee-d-lPODPOD_KRG_trigonometric_h3_nuggets=0.69282_Mode=999.8%10_knee-d-rPODPOD_KRG_trigonometric_squarredExp_nuggets=0.34641_Mode=999.4%11_tibia-f-ulPODPOD_KRG_trigonometric_squarredExp_nuggets=1.38564_Mode=999.9%12_tibia-f-urPODPOD_KRG_trigonometric_ornsteinUhlenbeck_nuggets=0.34641_Mode=598.7%13_tibia-f-llPODPOD_KRG_trigonometric_h2_nuggets=0.69282_Mode=599.9%14_tibia-f-lrPODPOD_KRG_trigonometric_ornsteinUhlenbeck_nuggets=0.34641_Mode=598.8%15_tibia-ti-ulPODPOD_KRG_trigonometric_h3_nuggets=1.38564_Mode=599.9%16_tibia-ti-urPODPOD_KRG_trigonometric_squarredExp_nuggets=1.03923_Mode=598.5%17_tibia-ti-llPODPOD_KRG_trigonometric_ornsteinUhlenbeck_nuggets=1.38564_Mode=599.9%18_tibia-ti-lrPODPOD_KRG_trigonometric_h1_nuggets=0_Mode=593.4%4假人得分鲁棒性评估4.1蒙特卡洛采样蒙特卡洛模拟技术常被用于评估样本的概率特性9。本文假定 3 个设计变量满足均值为设计值，均方差为设计值 3.3%的正态分布（10%区间按照 3 假设），各设计变量概率分布函数及参数见表 4。表 4设计变量分布类型及参数设计变量分布函数均值均方差AGauss2 50083.3TTF-1Gauss120.4TTF-2Gauss180.6根据蒙特卡洛采样原理，采集 1 000 个随机样本，空间分布如图 6 所示。4.2假人伤害鲁棒性分析在 ODYSSEE Lunar 软件中，将蒙特卡洛采样数据作为待预测样本进行导入，用训练后的机器学习模型进行预测。图 6蒙特卡洛采样分布基于 C-NCAP 管理规则（2021 版）中正面 100%重叠刚性壁障碰撞试验中驾驶员侧假人伤害评价项得分计算规则，对假人得分进行计算可知，初始设计假人总得分为IM汽车行业114 2023年增刊10.538，见表 5。颈部、胸部和小腿均有不同程度失分。蒙特卡洛样本假人得分统计结果见表 6。结果显示，在 1 000 个样本中，与初始方案相似，假人头部和大腿各单项指标均满足满分评价；假人颈部由于弯矩处于较高水平假人颈部得分较低；假人胸部和小腿由于胸部压缩变形量和右侧小腿上胫骨 TI 值分布于高性能和低性能限值中间，得分位于一定范围内。表 5假人得分 初始方案部位得分头部5.000颈部0.000胸部2.554大腿2.000小腿0.984总得分10.538表 6假人各部位得分统计-蒙特卡洛采样位置指标名称单项得分综合得分最小最大最小最大头部HIC155.0005.0005.0005.0003ms 合成加速度5.0005.000颈部剪切力 FX2.0002.0000.0000.601张力 FZ2.0002.000伸张弯矩 My0.0000.601胸部压缩变形量2.3662.6632.3662.663粘性指数（VC）5.0005.000大腿大腿压缩力-左2.0002.0002.0002.000大腿压缩力-右2.0002.000膝盖滑动位移-左2.0002.000膝盖滑动位移-右2.0002.000小腿小腿压缩力-左上2.0002.0000.7541.272小腿压缩力-右上2.0002.000小腿压缩力-左下2.0002.000小腿压缩力-右下2.0002.000胫骨指数 TI-左上2.0002.000胫骨指数 TI-右上0.7541.272胫骨指数 TI-左下2.0002.000胫骨指数 TI-右下2.0002.000总得分10.30511.063假人颈部、胸部和小腿得分概率分布如图 79 所示。由图可知，假人颈部除少数点有得分外，多数点得分为 0分；假人胸部和小腿得分呈现与正态分布趋势相似的分布类型。图 7假人颈部得分分布图图 8假人胸部得分分布图图 9假人小腿得分分布图经计算，当设计变量服从表 4 定义的分布类型和参数时，假人总得分近似服从均值为 10.575，方差为 0.007的正态分布（如图 10 所示）。汽车行业IM投稿网站： 2023年增刊 115图 10假人总得分分布图从统计结果来看，在鲁棒性分析中，假人总得分均值略高于设计值，如考虑可靠性优化设计（如 6 设计要求），约束系统关键零部件设计参数仍需进一步优化，以确保假人在物理试验中得分满足预设的星级开发目标。5结论本文基于 ODYSSEE 软件，开展基于 ROM 降阶模型的乘员约束系统假人得分鲁棒性分析研究，研究结果表明，对于汽车约束系统分析而言，POD_Krg 降阶机器学习预测模型，可以在有限样本规模下，有效提升假人伤害性能曲线预测精度。通过将蒙特卡洛模拟方法与 POD降阶模型相结合，可以有效开展对假人得分鲁棒性评估，为约束系统性能开发人员提供新的解决思路。参考文献1 李铁柱，李光耀，陈涛，等基于 Kriging 近似模型的汽车乘员约束系统稳健性设计 J机械工程学报，2010，46(22)：123-1292 张海洋，胡帅帅，周大永，等基于 PSO-SVR 近似模型的乘员约束系统稳健性优化 J汽车工程，2020，42(4)：462-4673 张学荣，苏清祖乘员约束系统参数优化及稳健性分析 J汽车工程，2010，32(12)：1053-10564 KAYVANTASH，K，THIAM AI，RYCKELYNCK D，et，alModel reduction techniques for LS-DYNA ALE and crash applications C/European LS-DYNA Conference，20155 YOICHIRO O，MARIKO M，HAYATO K，et alDevelopment of detailed AF05%ILE Hybrid dummy FE model C/European LS-DYNA conference，20116 YASUKI TApplication of Reduced Model to Simulations of Occupant Protection and Crashworthiness at Toyota C/Advanced CAE Division，Toyota Motor Corporation，15th International LS-DYNA Conference&Users Meeting，20187 KAYVANTASH KModel Order Reduction Techniques For Real-time Parametric Crash and Safety SimulationsC/CARHS，20198 中国汽车技术研究中心有限公司C-NCAP 管理规则(2021 年版)EB/OL20219 KOCH P N，YANG R J，GU LDesign for six sigma through robust optimizationJStructural and multidis-ciplinary optimization，2004，26(314)：235-24810 徐航手，季振林，康钟绪抗性消声器传递损失预测的三维时域计算方法 J振动与冲击，2010，29 (4)：107-11011 石岩，舒歌群，毕凤荣基于计算流体动力学的内燃机排气消声器声学特性仿真 J振动工程学报，2011，24(2)：205-20912 RAFFA F A，VATTA VThe dynamic stiffness method for linear rotor-bearing systemJASME Journal of Vibration and Acoustics，1996，118(7)：332-33913 LEE C WVibration Analysis of Rotors MKluwer Academic Publishers，1993