汽車約束系統(tǒng)參數(shù)設計，常以法規(guī)中高速碰撞工況下整車加速度波形為輸入，通過開展約束系統(tǒng)分析、試驗標定和優(yōu)化，對關鍵零部件設計參數(shù)和ECU點火時刻進行標定，確保假人傷害滿足法規(guī)要求，假人得分滿足車輛星級開發(fā)策略要求。受限于制造工藝因素和真實碰撞場景的多樣化，真實的交通事故中，乘員傷害嚴重程度，與理想狀態(tài)存在偏差。

以往研究中，多采用標量法代理模型開展穩(wěn)健性分析和優(yōu)化。標量法代理模型無法對曲線進行預測，精度提升對設計試驗（DOE）樣本規(guī)模依賴較大，DOE樣本制作過程中軟硬件資源的巨大消耗，制約該技術在產品研發(fā)流程中的普及。

本文使用海克斯康工業(yè)軟件旗下ODYSSEE軟件，可以利用少量DOE樣本點構建高精度的降階模型(ROM)，從而加速了汽車約束系統(tǒng)魯棒性的分析和研究。

有限元模型構建

某乘用車駕駛員側約束系統(tǒng)模型如圖1所示，包含車身、轉向管柱、方向盤、地毯、儀表板、踏板、座椅、假人、氣囊、安全帶等總成。

圖1. 某乘用車駕駛員側約束系統(tǒng)模型

基于CNCAP管理規(guī)則（2021 版）中正面100%重疊剛性壁障碰撞物理試驗的車體加速度波形，對上述模型加載，提取碰撞仿真后假人頭、頸、胸、大腿、小腿各性能指標曲線庫作為輸出響應，指導約束系統(tǒng)關鍵零部件設計參數(shù)優(yōu)化與標定。

設計試驗（DOE）

本文研究的設計變量為氣囊泄氣孔面積A，安全帶預緊時刻TTF-1和氣囊點爆時刻TTF-2。在ODYSSEE中通過拉丁超立方采樣方法進行DOE樣本點生成，并通過軟件特有算法提升樣本點在設計空間的均勻度。生成的25個DOE樣本點空間分布如圖2所示。

圖2. 25個DOE樣本點空間分布

機器學習模型搭建

基于上述DOE樣本點進行的碰撞仿真，采用機器學習模型構建設計變量與各個響應曲線的關系。基于R2精度評價標準，采用交叉驗證法對駕駛員側約束系統(tǒng)碰撞仿真結果進行機器學習算法尋優(yōu)。結果表明，本征正交分解（POD）+Kriging方法在所有算法中精度最高。

圖3 (a) 機器學習模型搭建；(b) 機器學習模型精度對比

假人傷害魯棒性分析

假人傷害魯棒性分析需要大量碰撞仿真，利用上述訓練的高精度機器學習模型，能夠快速計算不同輸入?yún)?shù)下系統(tǒng)的各個響應曲線，大大提高工作效率。

使用蒙特卡洛方法進行數(shù)據(jù)的采樣，假定3個設計變量滿足均值為設計值，均方差為設計值3.3%的正態(tài)分布。

從圖4統(tǒng)計結果來看，在魯棒性分析中，假人總得分均值略高于設計值，如考慮可靠性優(yōu)化設計（如6σ設計要求），約束系統(tǒng)關鍵零部件設計參數(shù)仍需進一步優(yōu)化，以確保假人在物理試驗中得分滿足預設的星級開發(fā)目標。

圖4. 假人總得分分布圖

應用價值

基于ODYSSEE的POD降階算法，使用少量的樣本點，就能夠實現(xiàn)對汽車約束系統(tǒng)中假人傷害曲線的高精度預測，可以有效提高仿真工程師的工作效率。

通過POD降階模型，與蒙特卡洛采樣方法的結合，能有效評估假人得分魯棒性，為性能開發(fā)人員快速提供參數(shù)調整依據(jù)。