基于ANFIS的汽车座椅舒适度评价系统建模*

刘　威， 刘　军， 轩闪闪， 方　锐， 党雪芒

(1.宁波大学 机械工程与力学学院，浙江 宁波 315211；2.中国汽车技术研究中心，天津 300300)



基于ANFIS的汽车座椅舒适度评价系统建模*

刘威1， 刘军1， 轩闪闪1， 方锐2， 党雪芒2

(1.宁波大学 机械工程与力学学院，浙江 宁波 315211；2.中国汽车技术研究中心，天津 300300)

由于汽车座椅舒适性评价的主观性和复杂性，国内外学者多采用主客观评价相结合的方式构建评价系统。通过改善主观评价的实验流程、精选表征座椅的特征参数、调整实际打分等前处理手段，采用自适应神经网络模糊推理系统 (ANFIS)技术成功建立了关野型(Sugeno)评价系统，实现了座椅的舒适性评级。研究方法可推广到长时舒适性和动态舒适性的研究上。

汽车座椅； 舒适性评价； 特征参数； 自适应神经网络模糊推理系统

0　引　言

汽车座椅与驾驶人的接触面积大、接触时间长，由座椅不适引起的身体疾病和疲劳很容易酿成交通事故，因此，汽车座椅的舒适性是消费者购车时参照的重要指标，受到了厂商的特别关注。

座椅舒适性的评价具有很强的主观性，而主观评价又具有个体差异性、地域性等特点，只单独凭借主观评价研究舒适性难以得到期望结果，现阶段学者们主要采用主、客观评价相结合的方式构建评价模型，客观参数的选择上多采用人—椅接触面的压力分布数据。Inagaki H和Milivojevich A等人在实验中发现了座椅舒适性与人体压力分布之间是存在联系的；徐明提出了表征体压分布的8项指标[1]；Kolich M引进人工神经网络技术研究汽车座椅静态舒适性，并建立了舒适性评价模型[2,3]；国内学者也通过应用神经网络技术实现了对座椅舒适度水平的预测[4,5]；Levrat E利用模糊集技术建立专家系统对座椅的舒适性完成了主观评价[6]；Wang R[7]、冯小虎[8]和段群杰等人[9]采用自适应神经网络模糊推理系统(adaptive network-based fuzzy inference system，ANFIS)改善了各自领域的研究结果。

然而应用人工神经网络技术研究舒适性时，面临舒适性规则难以表述、预测精度低等问题，模糊神经网络技术在很多领域的成功应用激发了作者对座椅舒适性研究的思考。本文在前人研究的基础上，改善了实验流程，增加了对实验细节的把控，并对主观评分进行统一处理，采用ANFIS技术搭建了座椅舒适性评价系统，实现了座椅的舒适性分级预测。

1　ANFIS

ANFIS是模糊逻辑和神经网络两种理论结合的产物，它集成了神经网络的自学习能力和模糊逻辑的推理能力，实际应用中能较好地模拟输入输出的对应关系。模糊控制中较多采用Mamdani推理和Takagi-Sugeno推理，由于Takagi-Sugeno推理具有与网络自适应技术易结合、计算效率高、易于作数学分析等优点，很多研究人员将其与神经网络技术结合，构造成模糊神经网络。

Takagi-Sugeno推理控制规则[10,11]的形式为

(1)

最终输出则是各条规则输出的加权平均

(2)

模糊集是传统集合论的推广，该集合中包含隶属于不精确的元素(语言变量和修饰词)。将隶属的程序定义为隶属度函数，通常该函数是一个位于0～1之间的值。这种方法明确地提供了一种用数学模型表达不确定性的方式[12]。高斯函数是应用最广的隶属描述之一，能比较好地模拟人的主观判断，表达式为

μ(x)=exp[-(x-c)2/σ2]

(3)

式中c和σ分别为高斯模糊集的中心和宽度。图1为某一特征参数训练后的隶属度函数：输入参数经模糊化处理后分成三个等级，每个等级根据隶属度大小对应不同的隶属度函数曲线。

图1　隶属度函数曲线Fig 1　Membership function curve

2　特征参数选取和主观评分处理

客观评价需要相应的特征参数，特征参数的选择应当能反映座椅本身的物理特性，如坐垫造型、坐垫材质、坐垫刚度及其分布等[3]。常使用的特征参数包括：1)坐姿角度：躯干角、膝关节角、踝关节角等;2)视野空间：椅面倾角、靠背倾角、座高座深等;3)几何尺寸和压力参数：座垫和靠背长度及宽度、接触面积、接触压力、梯度、平均载荷等。

然而评价模型的建立不可能同时使用所有特征参数，这样会增加计算的难度和工作量，所建模型也会由于过于复杂而失去实际意义；但特征参数太少，则会减少设计自由度，难以得到较好的优化结果，所以，应该在确保优化效果的前提下，尽可能地减少特征参数[12]。

在体压分布实验中，如图2所示，将人—椅接触面详细地分成17片区。

图2　人体分区Fig 2　Human partation

一般主观评价实验包括对腰背部和臀腿部舒适性的综合评价，然而根据实验过程中被试人的反馈，在短时间体验过程中，腰背部感觉微妙，难以给出具体打分，而臀部区域的感觉明显。因此，本文从实际情况出发，决定选取臀部区域的特征参数来表征整椅座垫，作为客观评价数据。

结合前人研究成果，选择臀区接触总面积、臀区压强峰值、臀区压强均值、臀区横向最大梯度、臀区压力百分比、臀区纵向最大梯度六个特征参数，列举其表征座椅的物理特性：1)接触面积反映座垫刚度的大小与造型设计的好坏，好的造型设计应该有较大的接触面积;2)压强峰值体现了座垫的刚度，较硬的座垫峰值大，较软的座垫峰值小;3)对压强均值影响最大的还是座垫的刚度;4)最大压力梯度反映座垫的材质分布是否合理以及座垫刚度的大小;5)压力百分比反映座垫的材质分布和造型设计的合理性。

设上行和下行的弹性系数α=0.3，β=0.2，分别在无突发事件、价格稳定和价格随机突等多种状况下，运用Wolfram Mathematic判断供应链的协调状况，并计算供应链各企业的期望收益和最优策略，相关计算结果见表1.

主观评分共5个项目，含坐骨舒适度、腿部舒适度、坐高舒适度、坐深舒适度、整体舒适度，采用5级评分制，级别依次是较舒适、舒适、轻微不适、不舒适、非常不适，每级含3个打分，即打分范围是1～15分，15分最好，1分最差。

由于主观评分的个体性和差异性比较突出，很容易出现个别人打分极小和极大的现象，在样本量不多的情况下，如果不对打分进行任何处理，会影响最终模型的预测精度。本文对打分进行统一处理，以处理后的得分作为模型的期望输出数据，具体做法是：1)对5项主观打分加权调整得到综合评分；2)求所有人综合评分的x平均值；3)求每个人综合评分的平均值yi(i=1,2,3,…)；4)求差值z=yi-x，若z为正值，则将第i个人的每个综合评分都减去z；若z为负值，则把第i个人的每个综合评分都加上z，所得的结果计为最终的调整得分。

3　基于体压分布的座椅舒适性建模

3.1实验

实验分15 min静态体压分布实验和主观评分两个部分。静态体压分布实验属于统计实验[3]，原则上需要安排大量实验，但统计实验的成本高，为了节约时间和成本且能很好地反映实际，选取合适的实验人员较为重要。体质指数(body mass index,BMI)是国际上通用的衡量身材的一个指标，本文中采取BMI和身高相结合的方法选取实验人员，最终筛选11人参与实验，BMI分布在17.1～28.2之间，参照BMI中国标准，其中，偏瘦2人，正常7人，超重1人，偏胖1人。

实验在模拟驾驶平台上进行，平台完全按照某实车尺寸设计制造，座椅在平台上可以自由调节，共选10款轿车车型座椅，涵盖低、中、高三挡。实验选用加拿大XENSOR公司开发的压力分布测试系统。如图3所示为模拟驾驶平台及X-SENSOR所测的静态压力分布云图，图中右侧每个方格代表压力垫上一个传感器位置，存储的压力数据可导出并保存在csv格式的文件中，方便后续处理。

图3　模拟驾驶平台与静态压力分布图Fig 3　Driving simulation platform and static pressure profile

实验准备阶段需要让被试人员建立舒适性概念，具体做法是让被试人员体验先前研究中舒适性反映较好和较差的两把座椅，给出他们两把座椅的推荐打分范围；完成后，被试人员在模拟驾驶平台上调整实验座椅以使自己保持在舒服姿势，15 min后采集压力分布数据；然后被试人员需要根据乘坐体验对座椅进行打分。

3.2建模

本文选择高斯函数作为6个输入变量的隶属函数，将输入变量模糊为小、中、大三个等级的隶属向量，然后利用神经网络的自学习能力确定高斯函数的具体参数，从而一定程度上消除人为确定隶属函数的主观不足性。本文采用Hybrid算法(最小二乘法和梯度下降算法的混合算法)和BP算法混合编程，结果证明，这样可以有效缩短训练时间，提高训练精度和预测精度。

1)输入数据

2)模型训练

将输入数据分成训练组和测试组，训练组92组，测试组10组。用编写好的训练程序对92组样本进行学习，首先采用Hybrid算法训练50次得到初始模型，然后采用BP算法训练该初始模型6 000次后,训练精度达到0.000 6。训练结束后观察结果，如图4，可以看出：训练得分和输入的调整打分在图中基本重合，训练误差区间为[-2×10-3,1.6×10-3]。

图4　训练结果对比和训练误差Fig 4　Training results comparison and training error

3)预测结果与分析

搭建模型的最终目的是能很好地实现预测功能，评价所建模型好坏需要检验其泛化性，也即检验模型是否在学习过程中出现过拟合或欠拟合情况。对测试组的10组数据代入模型进行打分预测，观察预测结果，如图5所示，预测误差区间为[-1.11,1.40]。

图5　预测结果对比和预测误差Fig 5　Comparison of predicted results and predicted error

对预测得分四舍五入，取整后，进行相关统计计算如表1所示，其中：

误差率=|实际得分-预测得分|/实际得分

可以看出：模型预测的平均误差率是7.35 %，有3个样本预测值与实际结果相符，其它的差值均是1，转化成等级划分时预测结果与主观评价结果一致，说明模型的预测效果是较为理想的，即通过局部区域特征建立的基于ANFIS的评价系统能够实现座椅的舒适性评级预测。

表1　误差率统计

4　结　论

1)本文通过BMI和身高相结合的方法筛选实验人员，达到了弥补样本数量上的缺陷的目的。

2)改善了实验步骤，使得被试人的打分相对合理；并对打分进行统一规则化，一定程度上消除了主观性和个体差异性的影响。

3)选择臀区的6个局部特征参数搭建了基于模糊神经网络的座椅舒适性评价系统，实现了短时座椅舒适性评级预测。

本系统在通过局部特征实现短时舒适性的预测上具有优良的效果，研究方法可推广到长时舒适性及动态舒适性的研究上。

[1]徐明，夏群生.体压分布的指标[J].中国机械工程，1997 ,8(1):65-68.

[2]Kolich M.Predicting automobile seat comfort using a neural network[J].International Journal of Industrial Ergonomics，2004(33)：285-293.

[3]Kolich M,Seal N,Taboun S.Automobile seat comfort prediction:Statistical modelvsartificial neural network[J].Applied Ergonomics,2004(35):275-284.

[4]马佳，范智声，李飞飞，等.基于人工神经网络的汽车座椅舒适度评价模型[J].工业工程,2008,11(5):106-109.

[5]马佳，柯艺杰，苏强，等.汽车座椅舒适度人工智能评价方法研究[J].机械科学与技术，2011,30(3):419-422.

[6]Levrat E,Voisin A,Bombardier S,et al.Subjective evaluation of car seat comfort with fuzzy techniques[J].International Journal of Intelligent Systems,1997,12(11):891-913.

[7]Wang R,Du H,Zhou F,et al.An adaptive neural fuzzy network clothing comfort evaluation model and application in digital home[J].Multimedia Tools &Applications,2014,71(2):395-410.

[8]冯小虎，朱家海，谢聂，等.基于ANFIS的激光陀螺消噪处理研究[J].传感器与微系统，2009,28(1):18-21.

[9]段群杰，张铭钧.一种自适应神经模糊运动规划器设计[J].传感器与微系统，2007,26(2):58-60.

[10] 张德丰.Matlab模糊系统设计[M].北京：国防工业出版社，2009:4.

[11] 王士同.模糊系统、模糊神经网络及应用程序设计[M].上海：上海科学技术文献出版社，1998:12.

刘军,通讯作者，E—mail:liujun@nbu.edu.cn。

Modeling of car seat comfort evaluation system based on ANFIS*

LIU Wei1, LIU Jun1, XUAN Shan-shan1, FANG Rui2, DANG Xue-mang2

(1.Faculty of Mechanical Engineering & Mechanics,Ningbo University,Ningbo 315211,China;2.China Automotive Technology & Research Center,Tianjin 300300,China)

Because of subjectivity and complexity of car seat comfort evaluation,scholars construct evaluation system by a combination of subjective and objective evaluation.By some pre-treatment methods such as improving the flow of subjective evaluation experiments,selection of parameters characterizing feature of the seat and adjusting the actual scores,and adaptive fuzzy neural network technology,a Sugeno type evaluation model is successfully established,achieving the ratings of seat comfort.Research method can be extended to the study of long comfort and dynamic comfort.

car seat; comfort evaluation; characteristic parameters; adaptive network-based fuzzy inference system(ANFIS)

2016—06—08

国家自然科学基金资助项目(11372148)

TP 389.1

A

1000—9787(2016)08—0056—04

刘威(1992-),男，河南商丘人，硕士研究生，主要研究方向为汽车座椅舒适性。

DOI:10.13873/J.1000—9787(2016)08—0056—04