一种基于非概率模型的乘员约束系统可靠性分析方法

1.本发明涉及车辆安全性领域，具体涉及一种基于非概率模型的乘员约束系统可靠性分析方法。


背景技术：

2.当汽车发生碰撞时，由安全带、安全座椅、安全气囊等装置组成的汽车乘员约束系统不但能对乘员所受到的冲击载荷进行有效缓冲，还能避免乘员与车身内饰发生二次碰撞，从而起到汽车乘员防护作用。研究表明，汽车乘员约束系统的防护性能将直接决定乘员的损伤程度及死亡率。所以，汽车乘员约束系统是汽车安全技术研究的重中之重。
3.针对汽车乘员约束系统的设计，现有的可靠性分析方法存在以下问题：
4.1.针对乘员约束系统的设计方法中，大部分是在系统参数模型处于确定性条件下展开研究的，但在实际的乘员约束系统设计过程中，由于边界条件、初始条件、测量条件存在误差或不确定性，如果仍把这些因素看作确定性因素来对待，则将导致系统响应与实际响应产生较大的偏差。
5.2.针对乘员约束系统的可靠性分析方法，人们多采用概率模型或非概率凸集模型来描述系统的不确定性变量，如公开号为cn103345554b的专利“一种汽车乘员约束系统的模糊可靠性评估方法”和公开号为cn102945327a的专利“一种用于汽车正碰安全性的多目标可靠性优化技术”。上述专利中有不确定变量采用随机变量来描述，即随机变量分布类型需通过数据收集和假设检验得到，但实际的设计过程中，许多不确定变量因缺乏足够的样本数据而致使概率分布密度未知，从而导致很难精确地获得不确定性设计变量的概率分布，也有依据设计参数不确定性数据的完备性，通过非概率凸集模型来描述不确定性设计参数，虽然描述不确定性设计参数的非概率凸集模型并不需要精确的概率分布，但由于非概率凸集模型过多的强调极端工况，从而将会造成保守设计。
6.3.针对乘员约束系统的可靠性分析方法，现有的一些方法尽管采用了证据理论来描述不确定性设计变量，但是由于是运用传统证据理论可靠性方法，所以也继承了传统证据理论的大规模计算成本的问题。


技术实现要素：

7.本发明的目的是为了解决现有汽车乘员约束系统可靠性分析方法存在的上述问题，提出一种基于非概率模型的汽车乘员约束系统可靠性分析方法。
8.本发明解决其技术问题所采用的技术方案是：一种基于非概率模型的汽车乘员约束系统可靠性分析方法，其特征在于，包括如下步骤：
9.步骤1：对乘员约束系统设计过程中的不确定性因素进行分析，并根据样本点的信息确定证据变量的识别框架与基本可信度分配，构建如公式(1)所示的针对乘员约束系统可靠性分析的极限状态函数g(x)：
10.g(x)＝g0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(1)
x∈xi＝[x
l
,xr]
[0011]
上式中，g0为许可响应值，x为证据变量，其取值范围为[q
l
,qr],上标i表示区间，l表示区间下边界,r表示区间上边界；
[0012]
步骤2：建立乘员约束系统中极限状态函数加权损伤准则(wic)的近似模型；所述乘员约束系统中极限状态函数加权损伤准则(wic)的近似模型构建包括如下分步骤：
[0013]
步骤21：利用最优拉丁超立方采样方法在确定性设计向量空间上进行样本点采样；
[0014]
步骤22：将样本点带入汽车乘员约束系统仿真模型并计算乘员身体部位各项损伤值，从而获得极限状态函数wic的样本；
[0015]
步骤23：基于获得的样本点数据，结合径向基函数构建出极限状态函数wic的近似模型
[0016]
步骤3：对证据理论焦元类别进行重新定义，将完全处于安全域内的焦元，焦元的基本可信度(bpa)划分到可信度(bel)和似真度(pl)当中；将部分处于安全域内且部分处于安全域外的焦元，焦元的bpa划分到pl与bel的差值；将完全处于安全域外的焦元，焦元的bpa不会划分到bel或pl当中；
[0017]
步骤4：基于最优拉丁超立方获取样本焦元，并基于极值分析求解焦元类别属性构成训练集，对卷积神经网络模型进行训练；
[0018]
步骤5：构建乘员约束系统的焦元特征矩阵，将乘员约束系统的样本焦元特征矩阵经过展平与重新排列的方式转变成三维矩阵形式；
[0019]
步骤6：建立卷积神经网络模型,并引入了交叉熵损伤函数l，以提高卷积神经网络模型对焦元特征矩阵类别的识别精度，所述交叉熵损伤函数l的具体表达式如下：
[0020][0021]
上式中，n为样本的个数，y为乘员约束系统真实焦元的特征矩阵类别，oi表示为第i个卷积神经网络模型输出的乘员约束系统焦元的特征矩阵类别，公式(2)中对oi进行求导后如公式(3)所示：
[0022][0023]
由公式(3)可知，当oi输出越接近y时，损失函数l越小，当oi与y相等时，损失函数l取得最小值，此时卷积神经网络模型最精确；
[0024]
步骤7：使用样本焦元训练卷积神经网络模型，并设置交叉熵损失函数l≤10-3
,预测精度ε＝1；
[0025]
步骤8：计算交叉熵损失函数l和预测精度ε,如果l≤10-3
，ε＝1，则构建与重塑未确定焦元特征矩阵；否则，增加训练次数，并返回步骤7；
[0026]
步骤9：构建与重塑未确定焦元特征矩，并将各种维度的焦元的特征矩阵转变成三维的特征矩阵形式；
[0027]
步骤10：运用卷积神经网络模型预测分类未确定类别焦元，卷积神经网络模型的输入内容为不确定的类别焦元的特征矩阵，输出的内容为确定焦元的类别属性，
为焦元的类别属性，对不确定焦元的类别属性在卷积神经网络模型中进行分类如公式(4)所示：
[0028][0029]
上式中，x
fe
表示输入卷积神经网络模型的焦元特征矩阵。乘员约束系统的可靠度位于置信区间[bel,pl]之间，置信区间可由公式(5-6)获得：
[0030][0030][0031]
上式中，m(x
fe
)表示焦元x
fe
所对应的联合基本可信度分配。
[0032]
优选的，所述步骤6中采用自适应矩估计算法算法用来作为卷积神经网络模型参数优化的反向传播算法，使卷积神经网络模型的l值减少，从而使卷积神经网络模型对焦元的特征矩阵类别的识别更加精确。
[0033]
优选的，所述步骤8中为了提高卷积神经网络模型识别焦元类别的精度，当卷积神经网络模型进行训练满足l≤10-3
，ε＝1，迭代终止。
[0034]
本发明的有益效果是：
[0035]
1.针对背景技术提出的第1点，本发明采用证据理论对乘员约束系统的不确定性设计变量进行建模，从而考虑了不确定性因素对设计结果的影响。
[0036]
2.针对背景技术提出的第2点，本发明采用的证据理论对乘员约束系统的不确定性设计变量进行建模，在建模过程中仅需要知道每个不确定性变量所包含焦元(基本可信度，类似于概率理论中的概率密度函数，)的区间与质量，这些焦元的区间和质量可通过有限的样本来获得，而并不需要大量的样本点来构建精确的概率模型，因每个不确定性变量所包含的焦元具备区间和质量两个要素，而非概率凸集模型仅用区间来描述，因此采用的证据变量进行可靠性分析时能有效避免保守设计。
[0037]
3.针对背景技术提出的第3点，本发明采用的智能可靠性分析方法可以依托于卷积神经网络(cnn)的强大识别功能跨过传统证据理论可靠性计算所面临的大规模计算成本问题，从而很好的解决传统证据理论可靠性计算的计算效率低下的问题。
[0038]
注：上述设计不分先后，每一条都使得本发明相对现有技术具有区别和显著的进步。
附图说明
[0039]
下面结合附图和实施例对本发明进一步说明。
[0040]
图1是乘员约束系统的可靠性分析流程；
[0041]
图2是具体实施例中汽车乘员约束系统的仿真模型示意图；
[0042]
图中，附图标记如下：
[0043]
1、乘员2、座椅3、安全带4、地板5、前风窗6、转向系统7、前围板；
具体实施方式
[0044]
下面参照附图进一步说明本发明的具体实施方式；
[0045]
如图1所示，乘员约束系统可靠性分析流程,包括如下步骤：
[0046]
步骤1：对乘员约束系统设计过程中的不确定性因素进行分析，并根据样本点的信息确定证据变量的识别框架与基本可信度分配，构建如公式(7)所示的针对乘员约束系统可靠性分析的极限状态函数g(x)：
[0047]
g(x)＝g0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(7)x∈xi＝[x
l
,xr]
[0048]
上式中，g0为许可响应值，x为证据变量，其取值范围为[q
l
,qr],上标i表示区间，l表示区间下边界,r表示区间上边界；
[0049]
步骤2：建立乘员约束系统中极限状态函数加权损伤准则(wic)的近似模型；所述乘员约束系统中极限状态函数加权损伤准则(wic)的近似模型构建包括如下分步骤：
[0050]
步骤21：利用最优拉丁超立方采样方法在确定性设计向量空间上进行样本点采样；
[0051]
步骤22：将样本点带入汽车乘员约束系统仿真模型并计算乘员身体部位各项损伤值，从而获得极限状态函数wic的样本；
[0052]
步骤23：基于获得的样本点数据，结合径向基函数构建出极限状态函数wic的近似模型
[0053]
步骤3：对证据理论焦元类别进行重新划分，将完全处于安全域内的焦元，焦元的基本可信度(bpa)划分到可信度(bel)和似真度(pl)当中；将部分处于安全域内且部分处于安全域外的焦元，焦元的bpa会划分到pl与bel的差值；将完全处于安全域外的焦元，焦元的bpa不会划分到bel或pl当中；
[0054]
步骤4：基于最优拉丁超立方获取样本焦元，并基于极值分析求解焦元类别属性构成训练集，对卷积神经网络模型进行训练；
[0055]
步骤5：构建乘员约束系统的焦元特征矩阵，将乘员约束系统的样本焦元特征矩阵经过展平与重新排列的方式转变成三维矩阵形式；
[0056]
步骤6：建立卷积神经网络模型,并引入了交叉熵损伤函数l，以提高卷积神经网络模型对焦元特征矩阵类别的识别精度，所述交叉熵损伤函数l的具体表达式如下：
[0057][0058]
上式中，n为样本的个数，y为乘员约束系统真实焦元的特征矩阵类别，oi表示为第i个卷积神经网络模型输出的乘员约束系统焦元的特征矩阵类别，公式(8)中对oi进行求导后如公式(9)所示：
[0059][0060]
由公式(9)可知，当oi输出越接近y时，损失函数l越小，当oi与y相等时，损失函数l取得最小值，此时卷积神经网络模型最精确；
[0061]
步骤7：使用样本焦元训练卷积神经网络模型，并设置交叉熵损失函数l≤10-3
,预测精度ε＝1；
[0062]
步骤8：计算交叉熵损失函数l和预测精度ε,如果l≤10-3
，ε＝1，则构建与重塑未确定焦元特征矩阵；否则，增加训练次数，并返回步骤7；
[0063]
步骤9：构建与重塑未确定焦元特征矩阵，并将各种维度的焦元的特征矩阵转变成三维的特征矩阵形式；
[0064]
步骤10：运用卷积神经网络模型预测分类未确定类别焦元，卷积神经网络模型的输入内容为不确定的类别焦元的特征矩阵，输出的内容为确定焦元的类别属性，为焦元的类别属性，对不确定焦元的类别属性在卷积神经网络模型中进行分类如公式(10)所示：
[0065][0066]
上式中，x
fe
表示输入卷积神经网络模型的焦元特征矩阵。乘员约束系统的可靠度位于置信区间[bel,pl]之间，置信区间可由公式(11-12)获得：
[0067][0067][0068]
上式中，m(x
fe
)表示焦元x
fe
所对应的联合基本可信度分配。
[0069]
为了进一步的对本发明做进一步详细说明，下面再结合具体实施例对本发明的方案做一个说明。本实施例以乘员约束系统的可靠性分析为实施例，在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0070]
如图2所示，为本发明方法所针对的汽车乘员约束系统仿真模型。按照图1所示的流程进行实施。一种基于非概率模型的汽车乘员约束系统可靠性分析方法，针对如图2所示的汽车乘员约束系统，其具体步骤为：
[0071]
步骤1：对齿轮传动装置设计过程中的不确定性因素进行分析，选取上挂点位置z轴x1,初始应变x2,上挂点位置x轴x3,伸长率x4为证据变量，其相应的基本可信度分配如表1所示，从而构建如下所示的极限状态函数：
[0072]
x＝[x1,x4,x5,x6]
t
0.82m≤x1≤0.92m,-0.20≤x4≤0.00-1.47m≤x5≤-1.37m,0.06≤x6≤0.15
[0073]
上式中，h为乘员约束系统极限状态函数的响应阈值，为了保证乘员约束系统对乘员的保护效果，h的取值应不大于1；
[0074]
表1各变量的基本可信度分配(bpa)
[0075]
步骤2：建立乘员约束系统中极限状态函数加权损伤准则(wic)的近似模型；所述乘员约束系统中极限状态函数加权损伤准则(wic)的近似模型构建包括如下分步骤：
[0076]
步骤21：利用最优拉丁超立方采样方法在确定性设计向量空间上进行样本点采样；
[0077]
步骤22：将样本点带入汽车乘员约束系统仿真模型并计算乘员身体部位各项损伤值，从而获得极限状态函数wic的样本；
[0078]
步骤23：基于获得的样本点数据，结合径向基函数构建出极限状态函数wic的近似模型
[0079]
步骤3：对证据理论焦元类别进行重新定义，将完全处于安全域内的焦元，焦元的基本可信度(bpa)划分到可信度(bel)和似真度(pl)当中；将部分处于安全域内且部分处于安全域外的焦元，焦元的bpa会划分到pl与bel的差值；将完全处于安全域外的焦元，焦元的bpa不会划分到bel或pl当中；
[0080]
步骤4：基于最优拉丁超立方获取样本焦元，并基于极值分析求解焦元类别属性构成训练集，对卷积神经网络模型进行训练；
[0081]
步骤5：构建乘员约束系统的焦元特征矩阵，将乘员约束系统的样本焦元特征矩阵经过展平与重新排列的方式转变成三维矩阵形式；
[0082]
步骤6：建立卷积神经网络模型,并引入了交叉熵损伤函数l，以提高卷积神经网络模型对焦元特征矩阵类别的识别精度，所述交叉熵损伤函数l的具体表达式如下：
[0083][0084]
上式中，n为样本的个数，y为乘员约束系统真实焦元的特征矩阵类别，oi表示为第i个卷积神经网络模型输出的乘员约束系统焦元的特征矩阵类别，公式(14)中对oi进行求导后如公式(15)所示：
[0085][0086]
由公式(15)可知，当oi输出越接近y时，损失函数l越小，当oi与y相等时，损失函数l取得最小值，此时卷积神经网络模型最精确；
[0087]
步骤7：使用样本焦元训练卷积神经网络模型，并设置交叉熵损失函数l≤10-3
,预
测精度ε＝1；
[0088]
步骤8：计算交叉熵损失函数l和预测精度ε,如果l≤10-3
，ε＝1，则构建与重塑未确定焦元特征矩阵；否则，增加训练次数，并返回步骤7；
[0089]
步骤9：构建与重塑未确定焦元特征矩阵，并将各种维度的焦元的特征矩阵转变成三维的特征矩阵形式；
[0090]
步骤10：运用卷积神经网络模型预测分类未确定类别焦元，卷积神经网络模型的输入内容为不确定的类别焦元的特征矩阵，输出的内容为确定焦元的类别属性，为焦元的类别属性，对不确定焦元的类别属性在卷积神经网络模型中进行分类如公式(16)所示：
[0091][0092]
上式中，x
fe
表示输入卷积神经网络模型的焦元特征矩阵。乘员约束系统的可靠度位于置信区间[bel,pl]之间，置信区间可由公式(17-18)获得：
[0093][0093][0094]
上式中，m(x
fe
)表示焦元x
fe
所对应的联合基本可信度分配。
[0095]
由公式(17)和(18)计算出置信区间，得到可靠性结果如表2所示，在乘员约束系统阈值为0.96到1之间，证据理论的可信度bel随着乘员约束系统的阈值增大而增大，似真度pl则保持不变，pl数值始终为1。当乘员约束系统的阈值h为0.96时，乘员约束系统的置信区间为[0.9890,1],此时的乘员约束系统的可靠性较高，满足工程可靠性设计的要求。
[0096]
表2乘员约束系统在不同阈值下的可靠性结果
[0097]
上列详细说明是针对本发明可行实施例的具体说明，该实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。

技术特征：
1.一种基于非概率模型的乘员约束系统可靠性分析方法，其特征在于，包括如下步骤：步骤1：对乘员约束系统设计过程中的不确定性因素进行分析，并根据样本点的信息确定证据变量的识别框架与基本可信度分配，构建如公式(1)所示的针对乘员约束系统可靠性分析的极限状态函数g(x)：g(x)＝g0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(1)x∈x
i
＝[x
l
,x
r
]上式中，g0为许可响应值，x为证据变量，其取值范围为[q
l
,q
r
],上标i表示区间，l表示区间下边界,r表示区间上边界；步骤2：建立乘员约束系统中极限状态函数加权损伤准则(wic)的近似模型；所述乘员约束系统中极限状态函数加权损伤准则(wic)的近似模型构建包括如下分步骤：步骤21:利用最优拉丁超立方采样方法在确定性设计向量空间上进行样本点采样；步骤22：将样本点带入汽车乘员约束系统仿真模型并计算乘员身体部位各项损伤值，从而获得极限状态函数wic的样本；步骤23：基于获得的样本点数据，结合径向基函数构建出极限状态函数wic的近似模型步骤3：对证据理论焦元类别进行重新定义，将完全处于安全域内的焦元，焦元的基本可信度(bpa)划分到可信度(bel)和似真度(pl)当中；将部分处于安全域内且部分处于安全域外的焦元，焦元的bpa划分到pl与bel的差值；将完全处于安全域外的焦元，焦元的bpa不会划分到bel或pl当中；步骤4：基于最优拉丁超立方获取样本焦元，并基于极值分析求解焦元类别属性构成训练集，对卷积神经网络模型进行训练；步骤5：构建乘员约束系统的焦元特征矩阵，将乘员约束系统的样本焦元特征矩阵经过展平与重新排列的方式转变成三维矩阵形式；步骤6：建立卷积神经网络模型,并引入交叉熵损伤函数l，以提高卷积神经网络模型对焦元特征矩阵类别的识别精度，所述交叉熵损伤函数l的具体表达式如下：上式中，n为样本的个数，y为乘员约束系统真实焦元的特征矩阵类别，o
i
表示为第i个卷积神经网络模型输出的乘员约束系统焦元的特征矩阵类别，公式(2)中对o
i
进行求导后如公式(3)所示：由公式(3)可知，当o
i
输出越接近y时，损失函数l越小，当o
i
与y相等时，损失函数l取得最小值，此时卷积神经网络模型最精确；步骤7：使用样本焦元训练卷积神经网络模型，并设置交叉熵损失函数l≤10-3
,预测精度ε＝1；步骤8：计算交叉熵损失函数l和预测精度ε,如果l≤10-3
，ε＝1，则构建与重塑未确定焦元特征矩阵；否则，增加训练次数，并返回步骤7；
步骤9：构建与重塑未确定焦元特征矩阵，并将各种维度的焦元的特征矩阵转变成三维的特征矩阵形式；步骤10：运用卷积神经网络模型预测分类未确定类别焦元，卷积神经网络模型的输入内容为不确定的类别焦元的特征矩阵，输出的内容为确定焦元的类别属性，为焦元的类别属性，对不确定焦元的类别属性在卷积神经网络模型中进行分类如公式(4)所示：上式中，x
fe
表示输入卷积神经网络模型的焦元特征矩阵，乘员约束系统的可靠度位于置信区间[bel,pl]之间，置信区间可由公式(5-6)获得：6)获得：上式中，m(x
fe
)表示焦元x
fe
所对应的联合基本可信度分配。2.根据权利要求1所述的一种基于非概率模型的乘员约束系统可靠性分析方法，其特征在于：所述步骤6中采用自适应矩估计算法用来作为卷积神经网络模型参数优化的反向传播算法，使卷积神经网络模型的l值减少，从而使卷积神经网络模型对焦元的特征矩阵类别的识别更加精确。3.根据权利要求1所述的一种基于非概率模型的乘员约束系统可靠性分析方法，其特征在于：所述步骤8中为了提高卷积神经网络模型识别焦元类别的精度，当卷积神经网络模型进行训练满足l≤10-3
，ε＝1，迭代终止。

技术总结
本发明公开了一种基于非概率模型的乘员约束系统可靠性分析方法，该方法通过证据理论对乘员约束系统可靠性分析过程中的不确定性因素进行描述，并建立乘员约束系统的极限状态函数；通过最优拉丁超立方获取样本焦元，同时采用极值分析求解焦元类别属性，构建乘员约束系统的样本焦元特征矩阵，再建立卷积神经网络模型，对卷积神经网络模型进行训练，然后基于卷积神经网络模型对未确定焦元特征矩阵类别进行预测，从而求解置信度区间；本发明可提高求解可信度和似真度的计算效率和样本焦元信息的利用率，在汽车安全领域具有广泛的工程应用价值。用价值。用价值。


技术研发人员：刘鑫 田俊林 刘凯 吴少伟
受保护的技术使用者：长沙理工大学
技术研发日：2023.07.17
技术公布日：2023/9/14