机器学习篇：ROM降阶模型助力汽车约束系统鲁棒性分析

ROM降阶模型助力汽车约束系统鲁棒性分析

背景简介

汽车约束系统相关零部件设计过程中，大多根据法规中高速碰撞工况下的整车加速度波形，开展约束系统分析，采用优化方法对约束系统零部件参数和ACU点火时刻等进行标定，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。车辆真实的交通事故中，受限于制造工艺和实际碰撞波形，约束系统关键零部件设计的参数和点火指令存在一定的偏差，由此带来乘员真实的伤害与预想的效果存在偏差。对车辆约束系统开展鲁棒性分析，可以评估约束系统设计参数波动对假人伤害和得分的影响，为了减少鲁棒性分析过程的软硬件资源消耗，可采用近似模型技术和随机采样相结合的方法完成约束系统鲁棒性的快速评估。

传统的近似模型多为标量预测算法，主要包括回归和插值两个大类，其中，回归类典型算法包括响应面和支持向量机，回归类算法函数在样本点处的预测精度较低，但具有降噪等功能，适用于噪声因素较高的自然采样数据；插值类典型算法有Kriging和径向基方法，插值类近似模型可以精确预测样本点及其附近的响应，但对噪声的过滤能力较差，适用于低噪声的数据类型，如CAE分析相关的相对稳定的数据类型。然而，约束系统假人伤害响应通常基于假人测量单元CAE分析曲线的数学变换获取，具有高度非线性，回归类和插值类标量法预测算法在远离样本区域的预测精度较差。基于ROM降阶原理的机器学习算法，采用本征值正交分解原理，可以实现时域频域曲线的降维，具备曲线和场的预测功能，尤其是在曲线预测中，相对于传统的标量预测算法有更高的预测精度，本文阐述如何使用机器学习ROM预测算法开展约束系统鲁棒性分析工作。

ODYSSEE软件是一款基于机器学习算法的参数化设计和决策的软件包，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软件分为CAE和A EYE两个模块，其中，CAE模块主要应用于产品CAE性能开发环节的性能预测和参数优化，能实现对碰撞和NVH领域中时域和频域曲线和动画文件预测；A EYE模块则可以根据实际应用场景，进行具有预测功能的app工具封装，提升使用便利性，且支持几何，文本、图像和曲线等非标量数据的处理能力。软件的核心预测算法为ROM(Reduced Order Model)机器学习降维预测方法，尤其适用碰撞和NVH频响等工程问题的高精度机器学习预测模型构建。

ROM方法曲线预测基本原理与傅里叶级数类似，如图2所示，分为以下三个步骤

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。

应用案例

步骤1.案例准备

约束系统案例来源于某乘用车驾驶员侧约束系统模型，模型基于Ls-dyna软件搭建，含车身、转向、仪表板、踏板、座椅、假人、气囊、安全带等总成，共计网格数量63w。按照C-NCAP管理规则（2021版）中正面100%重叠刚性壁障碰撞工况的物理试验车体加速度波形，对模型进行加载，用以评估假人伤害，指导约束系统零部件关键参数优化与标定。本案例中选取模型中的气囊泄气孔面积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。

步骤2.试验设计-DOE

使用ODYSSEE CAE软件DOE制作工具，选取Optimal Latin hypercube方法在设计空间内生成25个样本点，使用ODYSSEE CAE软件的Paser工具对CAE求解文件进行批量前处理和计算提交。

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/小腿的各性能指标曲线数据库。

步骤3.机器学习模型搭建与精度训练

使用ODYSSEECAE工具的Lunar模块，根据生成的DOE样本X和响应曲线库Y，构建设计变量与各响应的机器学习模型，并使用Lunar界面下的userscript功能，用交叉验证法训练算法对各响应机器学习模型进行训练和选型，得到各响应对应的高精度机器学习模型算法和参数。

训练结果显示，本算例的18个响应，ODYSSEE软件中的ROM-POD算法精度优于Direct和Cluster算法，且POD_KRG模型在所有算法中精度最高。18个响应的R2值除颈部剪切力Fx曲线外其余均大于97%，机器学习预测模型具有较高的可信度，可作为假人伤害鲁棒性分析的数学代理模型。

步骤4.蒙特卡洛随机采样

蒙特卡洛模拟技术常被用于评估样本的概率特性。假定3个设计变量满足均值为设计值σ为设计值3.3%的正态分布（10%区间按照3σ假设），根据蒙特卡洛采样原理，采集1000个样本。在ODYSSEE Lunar软件界面下，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，并将预测的曲线结果存储为csv格式的数据库。

步骤5.鲁棒性评估

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得分计算方法，对假人各部位得分进行计算。原始设计方案中，假人头部和大腿得分为满分，颈部得分为0分，胸部和小腿均有一定程度的失分；蒙特卡洛样本中，假人头部和大腿性能指标远低于罚分限值，均为满分，可靠性较好，颈部有部分点有得分，得分率整体较低；胸部和小腿得分呈现正态分布类型。假人总得分满足均值为10.575方差为0.007的正态分布类型，性能设计人员可基于该分析结果进一步改进约束系统参数。

结论

本篇为大家介绍了基于ROM降阶模型的乘员约束系统假人得分鲁棒性分析流程，对于汽车约束系统分析而言，POD_KRG降阶机器学习预测模型，可以在有限的样本点数量基础上，完成高精度假人伤害性能预测数学代理模型的构建，并通过与蒙特卡洛模拟方法相结合开展假人得分鲁棒性评估，为性能开发人员提供新的解决思路。