深度学习算法在改款车型假人伤害评估中的应用研究

Application Study of Deep Learning Algorithm in Dummy Injury Assessment in Facelift Vehicle Development

摘要

基于卷积神经网络-长短时记忆（convolutional neural network and long short-term memory， CNN-LSTM）模型开展了曲线变量的假人伤害预测应用研究. 分别使用标定后1D简化模型和约束系统CAE模型开展变量和响应采集，搭建训练和测试数据库，使用Pytorch搭建假人头部加速度和胸部压缩量CNN-LSTM预测模型，研究了样本数量对训练后模型精度的影响. 结果显示，当训练样本数量达到一定规模后，继续增加训练样本数量对模型泛化能力提升有限，然而，在本文应用场景中，当样本数量到50时，测试样本预测精度R均值超过0.85，满足工程开发的预测精度要求.

Abstract

The convolutional neural network and long short-term memory（CNN-LSTM） model were utilized to carry out the application study of the dummy injury prediction with the curve variable input. To construct the training and testing dataset， the correlated 1D simplified car model and restraint system CAE model were introduced herein to collect the input and output responses， separately. Besides， Pytorch was used to construct both the dummy head acceleration and chest deflection CNN-LSTM prediction models， and the effect of sample number on the precision of the training model was further studied. The results indicate that the increase of training sample number could not further enhance the model performance once the training datasets reach a certain size. However， the R value of the predicted results could be over 0.85 with the training sample number coming to 50， which can satisfy the predictive accuracy requirements of engineering development.

Graphical abstract

关键词

约束系统 / 深度学习 / 假人伤害评估 / 卷积神经网络-长短时记忆

Key words

restraint system / deep learning / dummy injury assessment / convolutional neural network and long short-term memory

基于成熟架构、平台和车型进行车辆改款开发，是当前各汽车厂新产品开发主要流程之一^［1］，改款车开发周期和成本通常与改动范围相关. 对于车辆碰撞安全而言，当改动范围仅限于外造型、机舱布置和主传力路径局部结构件时，项目组通常期望沿用基础车型内饰、约束系统配置及参数，以达到最小化开发周期和成本的目的. 为确保实现上述策略，产品开发过程中，除采用必要的计算机辅助工程（computer-aided engineering， CAE）手段验证整车结构耐撞性指标以外，还须实时评估改款车的约束系统性能，确保假人伤害指标满足安全法规和星级开发要求.

传统的约束系统性能评估方法，离不开高性能服务器、有限元求解器和高精度假人模型等. 通过将车体加速度-时间或速度-时间曲线作为基础车型约束系统仿真模型的输入，可以获取假人各部位伤害值，从而判断改款车设计方案是否满足要求. 由于产品开发过程中方案变更较为频繁，上述评估流程，一方面对人力和软硬件资源消耗较大，另一方面由于CAE计算时间较长，约束系统假人伤害评估有延迟，影响产品开发效率.

随着人工智能技术的快速发展，汽车主机厂研发环节均开启了人工智能化进程，在团队、软件、算力、流程等方面增加了投入，以期借助人工智能技术提升产品研发效率. 近些年，人工智能技术在汽车安全领域中的应用研究也逐渐增多^［2-4］，尤其是在汽车约束系统性能领域，如张绍伟等^［5］将长短时记忆网络模型应用于鞭打性能预测中，取得了较好的预测效果. 高伟钊等^［6］将时域降阶模型算法应用于约束系统鲁棒性分析，使用降阶模型（reduced order model， ROM）代替CAE模型，实现对假人伤害曲线的有效预测. 黄泽辉等^［7］研究了3种深度学习算法在乘员伤害评估中的预测精度，为该领域的深度学习算法选型提供了参考.

针对车型研发中的约束系统假人伤害预测问题，提出一种基于1D简化模型、约束系统CAE模型和深度学习算法相结合的全新方法，基于卷积神经网络-长短时记忆（convolutional neural network and long short-term memory， CNN-LSTM）算法，研究假人头部加速度和胸部压缩量曲线预测中的工程应用.

1 基于1D简化模型的数据库构建

1.1 车体速度-时间曲线数据采样

在深度学习模型应用场景中，输入变量为车体加速度-时间或速度-时间曲线，输出响应为约束系统分析中假人关键部位伤害曲线. 使用整车碰撞模型进行输入变量样本采集时，效率低且计算资源开销大. 为缓解这一难题，拟采用标定后的1D简化模型代替整车模型.

1D简化模型如图1所示，主要由一维（1D）弹簧单元、刚性件、轮胎和横梁占位件组成. 由于模型中碰撞主传力路径载荷主要由1D弹簧单元表征，故称之为1D简化模型，相比整车详细碰撞模型，1D简化模型在8核求解资源下的单次计算时间小于1 min，具有极高的计算效率.

图1所示的1D简化模型主要应用于车辆正面100%刚性墙碰撞工况，通过离散主传力路径载荷特性进行车体加速度曲线预测或根据目标加速度曲线反向设计主传力路径载荷值. 因此，在改款车中使用时，先基于整车详细有限元模型计算结果进行主传力路径载荷逆向标定. 在这一过程中，通过提取详细有限元模型计算结果主传力路径截面沿碰撞方向的力-位移曲线对1D简化模型主传力路径1D弹簧单元进行载荷定义和微调，匹配整车加速度和速度时间曲线，完成标定. 在质量分布一定的前提下，车辆加速度和载荷之间存在严格的理论关联，该1D简化模型在乘用车中具有普适性.

基于某乘用车56 km/h正面100%重叠刚性墙碰撞有限元计算结果，开展1D模型简化和标定，结果如图2所示. 标定后1D简化模型的加速度时间曲线、速度时间曲线与原整车基础模型一致性较好. 假人载荷准则（occupant load criterion， OLC）作为一种评价车体加速度的指标，常被用于车体评价约束系统性能开发的难度，使用CAE后处理软件Meta对车体加速度-时间曲线进行积分和OLC求解后，得到1D简化模型与基础模型车体加速度-时间曲线的OLC值分别为32.1g和31.5g，其相对误差仅为1.9%.

车辆约束系统CAE分析中，常采用强制速度-时间或加速度-时间曲线对刚体车身进行加载，研究座椅和约束系统等配置对假人的保护效果. 基于标定好的1D简化模型，在56 km/h正面100%重叠刚性墙碰撞工况下，通过离散正面碰撞工况主传力路径1D 的载荷分布，采用Lsdyna有限元软件计算，通过提取刚体乘员舱B柱位置节点的输出，生成200组用于约束系统CAE分析输入的车体速度-时间曲线，如图3所示.

1.2 约束系统仿真和假人伤害曲线数据

将1.1节中生成的200组车体速度-时间曲线代入约束系统CAE模型（图4）进行有限元分析，基于C-NCAP管理规则（2024年版）附录A正面100%重叠刚性壁障碰撞试验规程^［8］中规定的信号处理要求对CAE结果进行批量后处理，完成200组假人各部位伤害曲线提取，搭建数据库. 选取数据库中假人头部加速度曲线和胸部压缩量曲线开展深入研究.

2 预测模型选型及模型搭建与训练参数定义

2.1 预测模型选型

对于输入变量和输出变量均为曲线的回归问题，常见方法有4类，如图5所示. 方法1将输入曲线时域上的每个点视为一个设计变量，构建输入与输出的代理模型进行预测，使用该方法时须满足单个曲线时域上点与点之间符合独立性假设. 由于本案例中速度-时间曲线中每个时刻的速度值均与其前一时刻加速度及时间步长存在差分关系，因此方法1在本场景中并不适用.

方法2和方法3是在方法1的基础上，引入时域ROM模型^［9］，用降维算法获取输入数据的主成分特征向量的特征值代替原始输入，构建与待预测曲线的映射关系. 尽管这2种方法在某种程度上可以弥补方法1的缺陷，但在实际使用时存在弊端. 降维算法矩阵运算要求输入数据样本在时域上具有相同的时间范围和时间间隔，这不利于非标准样本的使用；训练样本数量动态变化时，主成分特征向量的数量和特征值会发生改变，已完成训练的代理模型参数无法被继承，动态训练成本较高；当输入数据在时间维度上存在非线性相关性时，需选用合适的非线性降维技术，方法选型成本较高，模型的通用性较差.

方法4采用循环神经网络（recurrent neural network， RNN）算法构建曲线输入和输出的关系，当训练样本动态变化时，该方法在原理上可规避ROM方法的弊端，能够基于已有模型参数继续训练，重复训练效率较高. 然而，RNN算法在处理长序列问题时，链式法则计算梯度易出现梯度消失或梯度爆炸问题. 为解决这一问题，Hochreiter 等^［10］提出一种改进的RNN算法，即长短时记忆（long short-term memory， LSTM）模型. 通过引入遗忘门、输入门和输出门，采用自适应的方式控制信息流动，实现对长期依赖信息的捕捉，在某种程度上解决了上述问题. 目前，LSTM及其衍生算法被广泛用于时序曲线输入和输出的预测问题中，并取得了较好的效果^［11-13］. 在众多衍生算法中，CNN-LSTM模型在传统LSTM算法基础上，增加了对一维输入数据的卷积操作，可兼顾数据的多模态特性、空间特征和时间依赖性，具有较好的预测精度^［14］. CNN-LSTM模型架构示意图如图6所示.

2.2 CNN-LSTM模型搭建与训练参数定义

采用开源的Python深度学习框架Pytorch^［15］，搭建CNN-LSTM模型架构，其相关参数如表1所示. 在进行序列数据处理时，时序序列值与CNN卷积核尺寸相同，且CNN网络中未做边缘数据填充，单个卷积核卷积后输出数据为标量，故CNN网络中未设置池化.本模型中，CNN卷积后，仅对输出数据做了拼接展开和基于Relu函数的负值消除操作，故CNN网络架构中无全连接步骤.

使用CNN-LSTM模型架构，首先对数据集中的每个数据按照RNN数据规则进行序列化和正则化处理，时域数据的时间范围为0~100 ms，数据间隔为0.1 ms，时序序列参数为3，正则化计算式如下：

z_i=\frac{x_i-x_{\mathrm{m}\mathrm{i}\mathrm{n}}}{x_{\mathrm{m}\mathrm{a}\mathrm{x}}-x_{\mathrm{m}\mathrm{i}\mathrm{n}}}（1）

式中：x_i为原始数据；z_i为正则化数据，其取值区间为0~1；x_max和x_min分别为所有样本数据中时域曲线上数据最大值和最小值.

鉴于Pytorch工具中Adam优化器的学习率具有自适应特性，拟选取该优化器进行模型训练，设定初始学习率为0.001，损失函数为均方误差（mean squared error，MSE）函数. 训练时MSE越小，模型泛化能力越优异，其计算式如下：

E_{\mathrm{M}\mathrm{S}\mathrm{E}}=\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}(y_i-y_i^{\mathrm{p}}{)}^{\mathrm{2}}}{n}（2）

式中：n为样本数量；y_i为真实值；y_i^{\mathrm{p}}为神经网络模型预测值.

3 假人伤害曲线预测精度研究

3.1 CNN-LSTM预测模型训练

为研究训练样本规模对训练后模型泛化性能的影响，将原始的200组数据，按照不放回随机抽样法拆分为训练数据集150组和测试数据集50组. 采用相同方法从训练数据集中分别选取10组、50组、100组和150组样本开展模型训练. 假人头部加速度和胸部压缩量模型训练过程中损失函数MSE值曲线如图7所示. 由图7可知，训练过程后期，MSE存在轻微振荡现象.

3.2 CNN-LSTM预测模型精度分析

基于ISO/TS 18571：2024标准^［16］，从通道、相位、振幅、斜率4个方面，对测试集预测曲线精度进行评价，其数学表达式如下：

R=\mathrm{0.4}Z+\mathrm{0.2}{E}_{\mathrm{p}}+\mathrm{0.2}{E}_{\mathrm{m}}+\mathrm{0.2}{E}_{\mathrm{s}}（3）

式中：R为精度值；Z、E_{\mathrm{p}}、E_{\mathrm{m}}和E_{\mathrm{s}}分别为基准曲线和预测曲线的通道相关性、相位相关性、振幅相关性和斜率相关性.

各预测模型R均值如表2所示，测试样本预测精度R值如图8所示.

表2和图8结果显示，训练后的CNN-LSTM预测模型，除样本序号2外，头部加速度和胸部压缩量两个响应R值均处于较高水平. 在各训练样本下，头部加速度模型曲线R均值大于0.85；胸部压缩量模型曲线R均值大于0.89，均具有较高预测精度. 除此之外，训练样本数量增加对R值改善不明显. 这是因为，一方面，采用随机样本选取策略时，未设定样本向下覆盖选取规则，每次选取的样本都具有一定的局部代表性；另一方面，研究过程中发现，对于时序神经网络算法，其预测精度更依赖于算法自身超参数的调整（如表1中的data_seq值），对样本规模敏感度相对较低.

由于训练时采用Pytorch架构，无法使用R值精度准则，MSE与R值理论公式有差异，在模型整体精度差异较小的情况下，预测样本的R均值有波动，但总体来看无显著差异. 在工程应用中，通常认为R值大于0.85时，可满足相应的精度要求. 从上述现象可知，在改款车约束系统性能评估中，当输入变量为速度-时间曲线时，采用CNN-LSTM预测模型，使用小样本亦可获得相对较高的精度，进一步提升了深度学习算法在该领域的工程应用可行性.

为更好展示训练样本规模对模型预测效果的影响，结合预测曲线图开展进一步分析，选取测试样本数据集中某个样本点，预测结果与CAE计算结果对比如图9所示. 由图9可知，头部加速度模型和胸部压缩量模型所得预测结果与CAE计算结果一致性均较好，经评估，训练后的模型已基本满足以该车型为基础的改款开发使用需求.

4 结论与展望

针对改款车研发过程中的约束系统假人伤害指标快速评估问题，基于1D简化模型和约束系统CAE模型搭建了输入为车体速度-时间曲线，输出为假人各部位伤害曲线的数据库，并以假人头部加速度曲线和胸部压缩量曲线为响应，研究了CNN-LSTM预测模型深度学习网络模型在该问题的适用性，研究结论如下：

1） 与基于ROM方法的技术路线相比较，RNN方法具有一定的使用便利性，RNN的改进算法LSTM及其衍生算法，在时序输入和输出数据类型问题中具有较强的适用性.

2） CNN-LSTM预测模型深度学习网络模型训练时，当训练样本达到一定规模后，训练样本数量的增加对模型泛化能力提升效果有限.

3） 训练后的模型总体精度较好，基本满足基于该车型改款车研发约束系统假人伤害的快速评估需求.

4） 可进一步研究深度学习网络模型架构中，各超参数对模型泛化能力的影响，进一步调参和训练，提升模型的泛化能力.

在该应用场景下，尽管RNN方法使用更友好，但由于LSTM及其衍生模型种类繁多，针对某一特定工程问题的模型选型仍须开展大量的研究进行规律总结.

参考文献

[1] 韦光，余传文，杨文利，等 ．基于虚拟疲劳分析的改款车型快速开发［J］. 汽车技术，2017（12）： 13-17．

[2] WEI G， YU C W， YANG W L，et al ．Rapid development of facelift vehicle model based on virtual fatigue analysis［J］. Automobile Technology，2017（12）： 13-17．（in Chinese）

[3] HASIJA V， TAKHOUNTS E G ．Deep learning methodology for predicting time history of head angular kinematics from simulated crash videos［J］．Scientific Reports，2022，12（1）： 6526．

[4] TRILLING J， SCHUMACHER A， ZHOU M ．Reinforcement learning based agents for improving layouts of automotive crash structures［J］．Applied Intelligence，2024，54（2）：1751-1769．

[5] GU C W， XU J L， LI S Q，et al. Injury risk assessment and interpretation for roadway crashes based on pre-crash indicators and machine learning methods［J］. Applied Sciences， 2023， 13（12）： 6983．

[6] 张绍伟，朱大炜，翟光照 ．基于深度学习的座椅抗挥鞭伤性能预测［J］．汽车工程， 2022， 44（10）： 1600-1608．

[7] ZHANG S W， ZHU D W， ZHAI G Z. Prediction on seat’s anti-whiplash-injury performance based on deep learning［J］. Automotive Engineering，2022，44（10）：1600-1608．（in Chinese）

[8] 高伟钊， 曾祥杰， 王东辉， 等. 基于ODYSSEE的汽车约束系统鲁棒性分析方法研究［J］. 智能制造， 2023（）： 110-115．

[9] GAO W Z， ZENG X J， WANG D H，et al. Research on robustness analysis method of automobile restraint system based on ODYSSEE［J］. Intelligent Manufacturing，2023（Sup.1）： 110-115．（in Chinese）

[10] 黄泽辉， 唐洪斌， 王雪松， 等. 基于深度学习的车辆碰撞乘员伤害预测方法研究［J］. 汽车工程师， 2024（4）：8 -11．

[11] HUANG Z H， TANG H B， WANG X S，et al. Research on occupant injury prediction method in vehicle collision based on deep learning［J］. Automotive Engineer， 2024（4）： 8-11．（in Chinese）

[12] C-NCAP管理规则（2024年版） 附录A 正面100%重叠刚性壁障碰撞试验规程 ［S］. 天津： 中国汽车技术研究中心有限公司，2024： 26-27.

[13] China New Car Assessment Program （C-NCAP） Management Rules 2024 Appendix A Regulation of Normal 100% Overlap Rigid Barrier Crash Test ［S］. Tianjin： China Automotive Technology & Research Center Limited Company， 2024： 26-27.（in Chinese）

[14] YASUKI T. Application of reduced model to simulations of occupant protection and crashworthiness［C］//The 15th International LS-DYNA® Conference & Users Meeting. Detroit， USA： Livermore Software Technology Corporation （LSTC）， 2018.

[15] HOCHREITER S， SCHMIDHUBER J. Long short-term memory［J］. Neural Computation， 1997， 9（8）：1735-1780.

[16] 林祥， 张浩， 马玉立， 等. 基于改进LSTM神经网络的电动汽车充电负荷预测［J］. 现代电子技术， 2024， 47（6）： 97-101.

[17] LIN X， ZHANG H， MA Y L， et al. Electric vehicle charging load prediction based on improved LSTM neural network［J］. Modern Electronics Technique， 2024， 47（6）： 97-101.（in Chinese）

[18] 王玉堃 ．LSTM和GRU神经网络在股指高频数据预测中的研究［D］．济南：山东大学，2020．

[19] WANG Y K. Research on prediction of high frequency data of stock index based on LSTM and GRU neural network［D］. Jinan：Shandong University， 2020．（in Chinese）

[20] 方培俊， 蔡英凤， 陈龙， 等. 基于ED-LSTM的智能汽车神经网络横向动力学建模与控制［J］. 力学学报， 2022， 54（7）： 1896-1908．

[21] FANG P J， CAI Y F， CHEN L，et al. Neural network lateral dynamics modeling and control based on ED-LSTM for intelligent vehicle［J］. Chinese Journal of Theoretical and Applied Mechanics， 2022， 54（7）： 1896-1908．（in Chinese）

[22] 刘娟， 雷辉， 吕金， 等. 基于CNN-LSTM的锂离子SOC估计［J］. 电气传动， 2024， 54（2）： 26-31．

[23] LIU J， LEI H， LÜ J，et al ．SOC estimation of lithium-ion batteries based on CNN-LSTM［J］．Electric Drive，2024，54（2）：26-31．（in Chinese）

[24] SUBRAMANIAN V. Deep learning with PyTorch：a practical approach to building neural network models using PyTorch［M］. Birmingham： Packt Publishing，2018： 1-262.

[25] ISO. Road vehicles-objective rating metric for non-ambiguous signals： ISO/TS 18571： 2014 ［S］. Switzerland，Geneva：ISO， 2014.

基金资助

重庆市科学技术局博士“直通车”科研项目(CSTB2023NSCQ-BSX0011)

Chongqing Science and Technology Bureau Doctoral “Express” Program(CSTB2023NSCO-BSX0011)