设计仿真 | 基于ODYSSEE 的机器学习方法在汽车约束系统鲁棒性分析中的应用

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。

以往研究中，多采用标量法代理模型开展稳健性分析和优化。标量法代理模型无法对曲线进行预测，精度提升对设计试验（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。

本文使用海克斯康工业软件旗下ODYSSEE软件，可以利用少量DOE样本点构建高精度的降阶模型(ROM)，从而加速了汽车约束系统鲁棒性的分析和研究。

有限元模型构建

某乘用车驾驶员侧约束系统模型如图1所示，包含车身、转向管柱、方向盘、地毯、仪表板、踏板、座椅、假人、气囊、安全带等总成。

图1. 某乘用车驾驶员侧约束系统模型

基于CNCAP管理规则（2021 版）中正面100%重叠刚性壁障碰撞物理试验的车体加速度波形，对上述模型加载，提取碰撞仿真后假人头、颈、胸、大腿、小腿各性能指标曲线库作为输出响应，指导约束系统关键零部件设计参数优化与标定。

设计试验（DOE）

本文研究的设计变量为气囊泄气孔面积A，安全带预紧时刻TTF-1和气囊点爆时刻TTF-2。在ODYSSEE中通过拉丁超立方采样方法进行DOE样本点生成，并通过软件特有算法提升样本点在设计空间的均匀度。生成的25个DOE样本点空间分布如图2所示。

图2. 25个DOE样本点空间分布

机器学习模型搭建

基于上述DOE样本点进行的碰撞仿真，采用机器学习模型构建设计变量与各个响应曲线的关系。基于R2精度评价标准，采用交叉验证法对驾驶员侧约束系统碰撞仿真结果进行机器学习算法寻优。结果表明，本征正交分解（POD）+Kriging方法在所有算法中精度最高。

图3 (a) 机器学习模型搭建；(b) 机器学习模型精度对比

假人伤害鲁棒性分析

假人伤害鲁棒性分析需要大量碰撞仿真，利用上述训练的高精度机器学习模型，能够快速计算不同输入参数下系统的各个响应曲线，大大提高工作效率。

使用蒙特卡洛方法进行数据的采样，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。

从图4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6σ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。

图4. 假人总得分分布图

应用价值

基于ODYSSEE的POD降阶算法，使用少量的样本点，就能够实现对汽车约束系统中假人伤害曲线的高精度预测，可以有效提高仿真工程师的工作效率。

通过POD降阶模型，与蒙特卡洛采样方法的结合，能有效评估假人得分鲁棒性，为性能开发人员快速提供参数调整依据。