[发明专利]一种用于预测行人保护头型试验结果HIC分布范围的方法

说明书

本申请提供一种用于预测行人保护头型试验结果HIC分布范围的方法，通过从行人保护头型试验数据中，提取特征数据和对应的试验结果HIC，形成数据集；对数据集采用多层感知机建模，训练得到有效模型；然后进行头型HIC预测，得到模型预测HIC，最后根据试验结果HIC与模型预测HIC均值比较结果，进行头部得分图谱的制作。由此可以在不增加成本的前提下实现快速预测；同时，选取加速度和侵入位移曲线中的加速度峰值及其对应的位移、位移最大值及对应的加速度峰值作为特征数据，并进行提取形成数据集，随着数据集的增加，预测模型可不断学习、迭代，可以提升预测精度。

技术领域

本申请应用于车辆行人保护头型试验，更具体涉及发动机罩。

背景技术

在车辆驾驶安全方面，行人保护头部性能是C-NCAP及中保研安全指数C-IASI重要评价项之一，在行人保护试验测试中具有试验区域大、得分比重高、得分难度大的特点。

当前行人保护头部得分评价方式采用的是汽车制造商提供得分预测图谱，检测机构从中随机抽取少部分点进行试验，用试验结果得分除以预测得分计算出得分系数，从而计算整个头部得分。得分系数是有一定波动区间要求的，汽车制造商提供的头部预测得分将直接影响得分系数的大小，因此，需要汽车制造商尽可能准确地预测头部碰撞伤害指标(HIC头部碰撞伤害指标的简称，下同)的大小，以免造成得分系数不准确造成头部得分损失。

汽车制造商主要通过两种方式提供预测得分，分别是CAE仿真分析和试验，多数情况下采用大量CAE分析点和少量试验点相结合的方式。试验结果的可靠性优于CAE仿真，但对所有点(一百八十个左右)进行试验，不仅试验周期长，而且消耗大量样件，即使完全依靠试验，试验也有不可避免的误差，同样会对头型HIC的预测造成影响。若同一个试验点进行多次试验，固然可以评估该点HIC的分布区间，但巨大的工作量和成本几乎是不现实的。

另一个预测头型HIC分布的方法是研究HIC的影响因素，如可变形空间、发动机罩板材料、厚度、造型等，建立这些影响因素与HIC的关系，从而计算出HIC的分布，但该方法需要提前采集上述的影响因素数据，并且需要积累大量的数据，若前期没有识别到某些重要的影响因素，则需要重新采集和积累数据，严重影响预测的进度和成功率。

为了避免因预测不准造成的得分损失，减小对项目目标达成的影响，部分汽车制造商不得不以最差的结果作为预测结果，这是缺乏头型试验HIC分布预测方法的一种表现。

发明内容：

针对以上存在的技术难题，本申请提供一种用于预测行人保护头型试验结果HIC分布带宽的方法，提高预测速度和精度。

本申请通过以下技术方案实现本申请的目的：

本申请提供一种用于预测行人保护头型试验结果HIC分布范围的方法，所述方法包括如下步骤。

S1.特征数据提取及构建数据库

从行人保护头型试验数据中，提取特征数据和对应的试验结果HIC，形成数据集。本申请中，所述特征数据是加速度和侵入位移曲线中的加速度峰值及其对应的位移、位移最大值及对应的加速度峰值。HIC是头型伤害指标的简称，是头型加速度曲线经过标准公式计算所得的结果，用于评价碰撞伤害程度，HIC越大，碰撞伤害越大。

具体地，本申请所述的行人保护头型试验是指按照国内的C-NCAP或中保研安全指数C-IASI，或国外的GTR 9、ECE R127、E-NCAP行人保护评价规程，等使用相同头型、发射速度、冲击角度等进行的同一类试验。

本申请中，是选取数量占比最大的儿童头型试验数据进行研究。