汽車約束系統參數設計，常以法規中高速碰撞工況下整車加速度波形為輸入，通過開展約束系統分析、試驗標定和優化，對關鍵零部件設計參數和ECU點火時刻進行標定，確保假人傷害滿足法規要求，假人得分滿足車輛星級開發策略要求。受限于制造工藝因素和真實碰撞場景的多樣化，真實的交通事故中，乘員傷害嚴重程度，與理想狀態存在偏差。

以往研究中，多采用標量法代理模型開展穩健性分析和優化。標量法代理模型無法對曲線進行預測，精度提升對設計試驗（DOE）樣本規模依賴較大，DOE樣本制作過程中軟硬件資源的巨大消耗，制約該技術在產品研發流程中的普及。

本文使用?？怂箍?a style='color: blue;display:inline;border:none;' target='_blank' href='http://www.hzchechuang.cn/soft/' onclick="HitLog('工業軟件','http://www.hzchechuang.cn/soft/')" >工業軟件旗下ODYSSEE軟件，可以利用少量DOE樣本點構建高精度的降階模型(ROM)，從而加速了汽車約束系統魯棒性的分析和研究。

有限元模型構建

某乘用車駕駛員側約束系統模型如圖1所示，包含車身、轉向管柱、方向盤、地毯、儀表板、踏板、座椅、假人、氣囊、安全帶等總成。

圖1. 某乘用車駕駛員側約束系統模型

基于CNCAP管理規則（2021 版）中正面100%重疊剛性壁障碰撞物理試驗的車體加速度波形，對上述模型加載，提取碰撞仿真后假人頭、頸、胸、大腿、小腿各性能指標曲線庫作為輸出響應，指導約束系統關鍵零部件設計參數優化與標定。

設計試驗（DOE）

本文研究的設計變量為氣囊泄氣孔面積A，安全帶預緊時刻TTF-1和氣囊點爆時刻TTF-2。在ODYSSEE中通過拉丁超立方采樣方法進行DOE樣本點生成，并通過軟件特有算法提升樣本點在設計空間的均勻度。生成的25個DOE樣本點空間分布如圖2所示。

圖2. 25個DOE樣本點空間分布

機器學習模型搭建

基于上述DOE樣本點進行的碰撞仿真，采用機器學習模型構建設計變量與各個響應曲線的關系?；赗2精度評價標準，采用交叉驗證法對駕駛員側約束系統碰撞仿真結果進行機器學習算法尋優。結果表明，本征正交分解（POD）+Kriging方法在所有算法中精度最高。

圖3 (a) 機器學習模型搭建；(b) 機器學習模型精度對比

假人傷害魯棒性分析

假人傷害魯棒性分析需要大量碰撞仿真，利用上述訓練的高精度機器學習模型，能夠快速計算不同輸入參數下系統的各個響應曲線，大大提高工作效率。

使用蒙特卡洛方法進行數據的采樣，假定3個設計變量滿足均值為設計值，均方差為設計值3.3%的正態分布。

從圖4統計結果來看，在魯棒性分析中，假人總得分均值略高于設計值，如考慮可靠性優化設計（如6σ設計要求），約束系統關鍵零部件設計參數仍需進一步優化，以確保假人在物理試驗中得分滿足預設的星級開發目標。

圖4. 假人總得分分布圖

應用價值

基于ODYSSEE的POD降階算法，使用少量的樣本點，就能夠實現對汽車約束系統中假人傷害曲線的高精度預測，可以有效提高仿真工程師的工作效率。

通過POD降階模型，與蒙特卡洛采樣方法的結合，能有效評估假人得分魯棒性，為性能開發人員快速提供參數調整依據。