基于BP神经网络模型的白车身轻量化安全性探讨.docVIP

基于BP神经网络模型的白车身轻量化安全性探讨 1 引言 实车碰撞试验与真实汽车碰撞事故情形最为接近，是综合评价汽车碰撞安全性能的最基本和最有效的方法。目前各国颁布的汽车被动安全法规包括 FMVSS、ECE 和 GB 等。NCAP 是独立于法规及管理体系之外，综合评价汽车安全性能，其由具公正地位和权威性的机构实施，目前，美国、欧洲、日本、澳大利亚、韩国、中国、海湾、南美等国家和地区分别采用不同的评价方法，但基本以欧、美、日为主要代表。中国的汽车碰撞标准参考ECE法规，C-NCAP引进EURO-NCAP的测试评价体系并进行了消化吸收。整车的碰撞安全试验，上述不同地区的标准法规和 NCAP 大多采用正碰、偏碰和侧碰等方式，但在实施细节上有所差别。汽车滚翻事故是单车事故的主要表现形式之一，汽车滚翻时车顶受冲击载荷作用，若车顶强度不达标会发生大变形并有侵入乘客室的危险，对乘员造成伤害。目前我国参考FM?VSS 216《轿车车顶抗压强度》颁布实施了 GB26134-2010《乘用车顶部抗压强度法规》。 人工神经网络是国际上从 20 世纪 80 年代中期以来迅速发展和崛起的一个新兴研究领域。它是研究模拟人脑的结构、思维和智能的一门新兴学科，具有自学习、自组织、自适应和非线性动态处理等特性，已成功地用于非线性系统的建模、性能预测、模式识别、故障诊断和自适应控制等研究。目前最具代表性的人工神经网络模型之一是由 Rumelhart 和 Mclelland 在 1986 年提出的以信号处理理论为基础发展起来的前向多层神经网络及其误差反向传播（BP）。 人工神经网络预先不需要给出一定模型，只是从大量数据中提取规则，通过联想记忆和推广能力来获取所需数据，这对于解决复杂的非线性问题具有广阔的应用前景。神经网络具有良好的映射逼近能力；网络本身具有良好的可靠性、鲁棒性和容错性；采用并行处理方式处理信息，使大量信息的快速运算成为可能。BP人工神经网络是一种分层型网络结构形式，具有输入层、中间层（隐藏层）和输出层三层结构，每一层的权值都可以通过学习来调整。BP神经网络不需要事先给出数学模型,具有通过学习逼近任意非线性映射的能力,将神经网络应用于非线性系统的建模与识别, 可以不受非线性模型的限制。当给定一个输入模式时，输入信号由输入层到输出层的传递是一个向前传递的过程，如果输出信号与期望信号存在误差，则转入误差反向传递的过程，并根据各层误差值调节各层权值。 本文拟以白车身为研究对象，通过有限元模拟与BP人工神经网络相结合，开展基于白车身对整车安全性能的评价。建立白车身轻量化安全性能和整车安全性能的关系，通过白车身轻量化安全性能评价对整车安全性能进行判断。通过白车身安全系数、轻量化系数和弯曲刚度对整车安全星级进行评价。 2 仿真模型及BP神经网络模型的建立 2.1 白车身安全系数 白车身是碰撞中的主要吸能部分和力的承受部件，它与汽车正碰、偏碰、侧碰和顶压性能息息相关。目前评价轿车的轻量化效果是在满足碰撞法规要求下，以宝马公司提出的白车身轻量化系数L来衡量。 2.2 试验方案 为计算白车身安全系数S，对10款白车身进行了正碰、侧碰和顶压试验。制定表1所示有限元分析方案，通过试验可以获得白车身安全系数计算所需参数。 2.3 BP神经网络模型建立 拟采用3层BP网络结构，可以看出，三层 BP 神经网络包括输入层、一个隐含层和输出层。上、下层之间实现全连接，每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经隐含层向输出层传播，输出层的各神经元获得网络的输入响应。之后，按照减少目标输出与实际误差的方向，从输出层经过隐含层修正各连接权值，最后回到输入层。这种算法称为“误差逆传播算法”，即BP算法。随着这种误差逆传播修正的不断进行，网络对输入模式响应的正确率也不断提高。 在MATLAB软件中组建基于BP神经网络的预测模型：a.输入样本；b.建立BP神经网络；c.对网络进行训练；d.对网络进行仿真验证；e.应用网络解决问题。 3 结果与讨论 采用有限元模拟和BP人工神经网络相结合的方法，基于白车身轻量化安全性能对整车安全性能进行评价。采用10款白车身的正碰、侧碰和顶压试验，结合其整车安全性能情况，在 BP 人工神经网络中建立白车身轻量化安全性能与整车安全性能的关系，在训练好的神经网络中只需输入白车身轻量化安全性能评价相关参数，即可对整车安全性能进行判断。同时还对白车身轻量化安全性能和整车安全性能关系进行回归分析。 C 输入层的白车身安全系数S、轻量化系数L和弯曲刚度C