[发明专利]一种基于遗传神经网络的安全气囊起爆控制方法

摘要

本发明公开了一种基于遗传神经网络的安全气囊起爆控制方法，该方法基于遗传神经网络模型进行搭建。根据某款车型建立其有限元仿真模型，利用仿真模型获得不同碰撞速度下的整车加速度数据以及乘员响应数据，以整车加速度数据作为输入参数，以碰撞速度和乘员头部位移作为输出参数，建立多层神经网络模型，同时采用遗传算法对神经网络参数进行优化，获得最佳的神经网络参数，然后对最佳的网络模型进行程序编写并输入到控制器中，控制器对汽车加速度传感器输入的加速度数据进行实时处理，并在有效的时间范围内输出预测的碰撞速度和最佳点火时刻。本发明提供的安全气囊起爆智能控制方法安全可靠、准确度高、实时性强。

主权项

一种基于遗传神经网络的安全气囊起爆控制方法，其特征在于：根据某款车型建立其仿真模型，利用仿真模型获得不同碰撞速度下的整车加速度数据以及乘员响应数据，以整车加速度数据作为输入参数，以碰撞速度和乘员头部位移作为输出参数，建立多层BP（Back Propagation，反向传播）神经网络模型，同时采用遗传算法对神经网络参数进行优化，获得最佳的神经网络参数，然后对最佳的网络模型进行程序编写并输入到控制器中，控制器对汽车加速度传感器输入的加速度数据进行实时处理，并在有效的时间范围内输出预测的碰撞速度和最佳点火时刻，具体步骤如下：1）根据特定车型数据建立其完整的整车有限元模型以及完整的车辆‑乘员‑约束系统多刚体模型，并通过试验数据验证模型的有效性，如若试验数据与仿真数据差别过大，需要重新调整模型；2）根据所建立的整车有限元模型进行碰撞仿真，获得车辆在不同速度下的整车碰撞加速度数据，然后将整车碰撞加速度数据施加到车辆‑乘员‑约束系统多刚体模型内，获得多刚体假人的损伤数据；3）确定起爆阈值，起爆阈值是指在何种碰撞强度下安全气囊必须起爆，起爆阈值由乘员损伤确定，根据FMVSS 208（Federal Motor Vehicle Safety Standard，联邦机动车辆安全标准）规定，车辆发生碰撞过程中，乘员头部损伤值HIC（Head Injure Criteria，头部损伤准则）应小于1000，将乘员头部损伤值HIC为1000的碰撞速度作为起爆阈值，在超过该起爆阈值的碰撞速度下安全气囊必须起爆；4）确定最佳点火时刻，起爆时刻的选取原则是采用127mm‑30ms准则：一般驾驶员距气囊完全展开的距离为127mm，安全气囊从触发到完全展开时间为30ms，而安全气囊对乘员最佳的保护效果是当乘员接触安全气囊时，安全气囊正好处于完全展开状态，也就是安全气囊需要在乘员运动到127mm位置处前30ms进行点火；5）建立神经网络模型，并用遗传算法进行优化，选取整车碰撞加速度数据作为遗传神经网络算法的输入，汽车碰撞速度以及乘员头部位移作为神经网络算法的输出，以下为神经网络的模型：设定输入层的输入数目为M，任意一个输入用m表示，隐含层包含J个神经元，任意神经元为j，输出层为P，任意输出为p，输入层与隐含层任意节点之间的权值记为wmi，隐含层与输出层的权值为wjp，输入样本集为X=[X1,X2,…,XN]，任意样本为Xk，期望输出为dk，实际输出为Yk，n为迭代次数，η为学习效率，则隐含层第j个神经元的输出为: v j = f ( Σ m = 1 M w mj x km ) 输出层第p个神经元输出，即网络的输出为： y kp = f ( Σ j = 1 J w jp v j ) 输出层所有神经元的误差能量总和为： E ( n ) = 1 2 Σ p = 1 P ( d kp ( n ) - y kp ( n ) ) 2 BP神经网络采用梯度下降学习规则，权值修正公式为： w jp ( n + 1 ) = w jp ( n ) - η ∂ E ( n ) ∂ e jp ( n ) 利用遗传算法对网络权值进行优化，在网络训练前期对神经网络权值和偏差进行实数编码，将获得的最优解进行解码作为神经网络训练的初始值，神经网络利用自身优势进行局部范围内的最优解搜索，以下为遗传神经网络的运算过程：①  对权值和偏差进行实数编码，并初始化种群P(0)以及设定相应的遗传算子数值；②  对新一代个体P(t)进行解码获得网络的权值与偏差，通过适应度函数f(i)对个体进行保留，适应度函数采用网络实际输出与期望输出之间误差的平方E(i)的倒数，公式如下式所示: f ( i ) = 1 E ( i ) E ( i ) = Σ p Σ k ( d kp - y kp ) 2 ③  以一定的概率对保留的个体进行选择、交叉、变异等遗传计算，得到新的个体P(t+1)；④  重复2、3操作步骤，直至达到结束条件；⑤  将获得的最优网络参数进行解码，并作为神经网络的初始值进一步优化；⑥  达到神经网络训练的目标，停止训练；6）利用步骤4建立汽车碰撞速度预测模型，安全气囊一般点火时刻为碰撞后20‑30ms，所以选取汽车碰撞曲线前20ms的数据作为神经网络的输入，控制器采集加速度的频率为1kHz，即神经网络的输入数目M为20，以汽车与刚性墙的等效碰撞速度作为输出，即输出的神经元数目P=1，则隐层神经元数目J为： J = M + P + a 其中a为[1,10]之间的常数；经过对不同数目的隐层神经元进行计算，当取隐层神经元的数目为8时，模型对碰撞速度预测最准确，即神经网络的权值与偏差参数共有20×8+8×1+8+1=177个参数；7）利用步骤4建立汽车乘员头部位移预测模型，采用碰撞曲线前20ms的数据作为神经 网络的输入，以乘员头部前60ms的位移数据作为神经网络的输出，以2ms的周期对乘员头部位移进行采样，即网络的输出个数为30个，根据公式确定隐含层的数目，利用同样的原理对神经网络进行训练，当取隐层神经元的数目为10时，模型对乘员头部运动预测最为接近，那么神经网络的权值与偏差参数共有20×10+10×30+10+30=540个参数；8）将上述模型通过C语言变成可执行代码，并将代码移植到控制器中，控制器实时对外界加速度传感器输入的加速度数据进行处理，预测汽车碰撞速度以及乘员头部位移。