一種車輛及其碰撞吸能控制裝置、控制方法與流程
本發(fā)明涉及車輛技術領域，特別是涉及一種車輛及其碰撞吸能控制裝置、控制方法。
背景技術：
汽車的安全性問題與人的生命安全直接相關，因此備受關注，例如：汽車安全座椅的安全性能。目前對座椅的設計只能針對前撞、側撞和追尾事故中的一種碰撞類型，而并沒有有效的吸能裝置來減小碰撞的能量?，F有技術采用新型機械結構防止汽車前撞工況下的座椅下潛和前移，類似的裝置均能夠在碰撞的過程中對乘員的位置進行約束，從而起到了比較好的防護作用，但是座椅仍然缺少有效的吸能裝置，碰撞的能量依然很大?，F階段既能約束乘員的位置且?guī)в形苄Ч?，并能夠針對不同碰撞類型通用的座椅裝置少之又少。
另一方面，目前對座椅的主動控制基本集中在提高座椅的舒適性方面，而在座椅安全性方面進行主動控制的發(fā)明和裝置較少，因此如果能在主動控制的基礎上提高座椅安全性，將會使乘員受到更加全面的保護。
因此，希望有一種技術方案來克服或至少減輕現有技術的上述缺陷中的至少一個。
技術實現要素：
本發(fā)明的目的在于提供一種車輛碰撞吸能控制裝置及其方法來克服或至少減輕現有技術的上述缺陷中的至少一個。
為實現上述目的，本發(fā)明提供一種車輛碰撞吸能控制裝置，所述車輛碰撞吸能控制裝置包括座椅本體、阻尼組件、彈性密封連接構件、箱體、碰撞信息采集單元、乘員信息采集單元、座椅信息采集單元和ECU，其中：所述阻尼組件包括以垂直方式固定連接在所述座椅本體底部的阻尼板以及貫穿所述阻尼板的阻尼孔；內部封裝有磁流變液的所述箱體通過彈性密封連接構件與所述阻尼組件密封連接；所述阻尼組件懸浮在所述磁流變液中而能夠與所述箱體的內表面保持為隔開狀態(tài)；所述碰撞信息采集單元用于采集車輛碰撞信息；所述乘員信息采集單元用于采集乘員信息；所述座椅信息采集單元用于采集所述座椅本體相對于車輛地板的速度信息；所述ECU用于接收所述車輛碰撞信息、乘員信息和所述座椅本體相對于車輛地板的速度信息，并根據輸入的各所述信息計算作用到所述磁流變液的電流控制量，以控制所述磁流變液流經所述阻尼孔時的阻尼特性。
進一步地，所述ECU包括：第一BP神經網絡模型，其用于以仿真的方式選取車輛碰撞信息和乘員信息為第一輸入層輸入向量、選取磁流變液阻尼力為第一輸出層輸出向量、選擇所述第一輸入層輸入向量和第一輸出層輸出向量的樣本數據以及利用該樣本數據訓練學習，以構建車輛碰撞信息、乘員信息與磁流變液產生的阻尼力之間的第一對應關系；以及用于接收所述碰撞信息采集單元采集到的實際車輛碰撞信息和所述乘員信息采集單元采集到的實際乘員信息，并根據所述第一對應關系，輸出期望阻尼力值；第二BP神經網絡模型，其用于以試驗的方式選取磁流變液產生的阻尼力和座椅本體相對于車輛地板的速度信息為第二輸入層輸入向量、選取磁流變液輸入電流為第二輸出層輸出向量、選擇所述第二輸入層輸入向量和第二輸出層輸出向量的樣本數據以及利用該樣本數據訓練學習，以構建磁流變液產生的阻尼力、座椅本體相對于車輛地板的速度信息和磁流變液輸入電流的第二對應關系，以及用于接收所述座椅信息采集單元采集到的實際座椅本體相對于車輛地板的速度信息和所述第一BP神經網絡模型輸出的期望阻尼力值，并根據所述第二對應關系，輸出作用到磁流變液輸入電流的控制量。
進一步地，所述第一BP神經網絡模型的第一對應關系和第二BP神經網絡模型的第二對應關系都按照以下流程獲得：
第一步，定義：輸入層有n個神經元，隱含層有p個神經元，輸出層有q個神經元，n、p和q均為正整數；
x＝(x1,x2,...,xn)為所述輸入層的輸入向量；
hi＝(hi1,hi2,…,hip)為所述隱含層的輸入向量；
ho＝(ho1,ho2,…,hop)為所述隱含層輸出向量；
yi＝(yi1,yi2,…,yiq)為所述輸出層的輸入向量；
yo＝(yo1,yo2,…,yoq)為所述輸出層輸出向量；
do＝(d1,d2,…,dq)為所述期望輸出向量；
bh為隱含層各神經元的閾值
bo為輸出層各神經元的閾值
wih為所述輸入層與所述隱含層的連接權值；
who為所述隱含層與所述輸出層的連接權值；
μ1、μ2為學習率，其中0<μ1<1,0<μ2<1
f(x)為激活函數，
e為誤差函數，
k＝1,2,…m為所述樣本數據的個數；
第二步，網絡的初始化及樣本選?。?/p>
利用隨機函數給各連接權值賦一個在區(qū)間(-1，1)內的隨機數，設定誤差函數e，給定計算精度ε和最大學習次數M；
選取第k個輸入樣本及期望輸出：
x(k)＝(x1(k),x2(k),...,xn(k))
do(k)＝(d1(k),d2(k),...,dq(k))
第三步，計算各層神經元的輸入和輸出：
hoh(k)＝f(hih(k)) h＝1,2,…,p
yoo(k)＝f(yio(k)) o＝1,2,…q
第四步，利用網絡期望輸出和實際輸出，計算誤差函數對輸出層的各神經元的偏導數：
其中：
第五步，計算誤差函數對輸入層的各神經元的偏導數：
其中：
第六步，利用輸出層各神經元的δo(k)和隱含層各神經元的輸出來修正連接權值woh(k)：
第七步，利用隱含層各神經元的δh(k)和輸入層各神經元的輸入修正連接權：
第八步，計算全局誤差：
第九步，判斷網絡誤差是否滿足要求，當誤差達到預設精度或學習次數大于設定的最大次數，則結束算法；否則，選取下一個學習樣本及對應的期望輸出，返回進入下一輪學習。
進一步地，所述阻尼組件中的所述阻尼板的數量為三塊，被構造成交叉且相互垂直。
進一步地，所述阻尼組件還包括連接板，所述連接板的下表面連接各塊所述阻尼板的頂部，上表面連接所述座椅本體，所述連接板外套設所述彈性密封連接構件。
進一步地，所述彈性密封連接構件呈環(huán)狀，內圈套設在所述阻尼組件外；所述彈性密封連接構件具有供所述箱體的頂部開口嵌入的周向槽，以密封連接所述箱體和所述阻尼組件。
進一步地，所述箱體的四個側面分別設置繞有勵磁線圈的固定磁極板，所述固定磁極板通過電流放大器與所述ECU電連接，所述ECU輸出的電流控制量依次經由所述電流放大器和固定磁極板，作用到所述磁流變液，以控制所述磁流變液流經所述阻尼孔的阻尼特性。
本發(fā)明還提供一種車輛，所述車輛包括如上所述的車輛碰撞吸能控制裝置。
本發(fā)明還提供一種車輛碰撞吸能控制方法，所述車輛碰撞吸能控制方法包括：
步驟1，實時采集車輛碰撞信息、乘員信息和座椅本體相對于車輛地板的速度信息；步驟2，構建兩個BP神經網絡模型，其具體包括：步驟21，構建第一BP神經網絡模型，以仿真的方式選取車輛碰撞信息和乘員信息為第一輸入層輸入向量、選取磁流變液阻尼力為第一輸出層輸出向量、選擇所述第一輸入層輸入向量和第一輸出層輸出向量的樣本數據以及利用該樣本數據訓練學習，以在第一BP神經網絡模型中構建車輛碰撞信息、乘員信息與磁流變液產生的阻尼力之間的第一對應關系；步驟22，構建第二BP神經網絡模型，以試驗的方式選取磁流變液產生的阻尼力和座椅本體相對于車輛地板的速度信息為第二輸入層輸入向量、選取磁流變液輸入電流為第二輸出層輸出向量、選擇所述第二輸入層輸入向量和第二輸出層輸出向量的樣本數據以及利用該樣本數據訓練學習，以在第二BP神經網絡模型中構建磁流變液產生的阻尼力、座椅本體相對于車輛地板的速度信息和磁流變液輸入電流的第二對應關系；步驟3，第一BP神經網絡模型接收步驟1采集到的實際車輛碰撞信息和實際乘員信息，并根據其內構建好的第一對應關系，輸出期望阻尼力值；步驟4，第二BP神經網絡模型接收步驟1采集到的實際座椅本體相對于車輛地板的速度信息，并根據其內構建好的第二對應關系，輸出作用到磁流變液輸入電流的控制量；步驟5，利用步驟4得到的電流控制量控制磁流變液流經阻尼孔時的阻尼特性，以控制所述座椅本體的位移以及吸收能量。
進一步地，步驟21和步驟22都按照以下流程獲得：
第一步，定義：輸入層有n個神經元，隱含層有p個神經元，輸出層有q個神經元，n、p和q均為正整數；
x＝(x1,x2,...,xn)為所述輸入層的輸入向量；
hi＝(hi1,hi2,…,hip)為所述隱含層的輸入向量；
ho＝(ho1,ho2,…,hop)為所述隱含層輸出向量；
yi＝(yi1,yi2,…,yiq)為所述輸出層的輸入向量；
yo＝(yo1,yo2,…,yoq)為所述輸出層輸出向量；
do＝(d1,d2,…,dq)為所述期望輸出向量；
bh為隱含層各神經元的閾值
bo為輸出層各神經元的閾值
wih為所述輸入層與所述隱含層的連接權值；
who為所述隱含層與所述輸出層的連接權值；
μ1、μ2為學習率，其中0<μ1<1,0<μ2<1
f(x)為激活函數，
e為誤差函數，
k＝1,2,…m為所述樣本數據的個數；
第二步，網絡的初始化及樣本選?。?/p>
利用隨機函數給各連接權值賦一個在區(qū)間(-1，1)內的隨機數，設定誤差函數e，給定計算精度ε和最大學習次數M；
選取第k個輸入樣本及期望輸出：
x(k)＝(x1(k),x2(k),...,xn(k))
do(k)＝(d1(k),d2(k),...,dq(k))
第三步，計算各層神經元的輸入和輸出：
hoh(k)＝f(hih(k)) h＝1,2,…,p
yoo(k)＝f(yio(k)) o＝1,2,…q
第四步，利用網絡期望輸出和實際輸出，計算誤差函數對輸出層的各神經元的偏導數：
其中：
第五步，計算誤差函數對輸入層的各神經元的偏導數：
其中：
第六步，利用輸出層各神經元的δo(k)和隱含層各神經元的輸出來修正連接權值woh(k)：
第七步，利用隱含層各神經元的δh(k)和輸入層各神經元的輸入修正連接權：
第八步，計算全局誤差：
第九步，判斷網絡誤差是否滿足要求，當誤差達到預設精度或學習次數大于設定的最大次數，則結束算法；否則，選取下一個學習樣本及對應的期望輸出，返回進入下一輪學習。
在車輛碰撞事故發(fā)生時，本發(fā)明能夠利用碰撞信息采集單元獲取車輛碰撞信息，比如：碰撞類型(正碰、側碰和追尾)和碰撞嚴重程度等信息，利用乘員信息采集單元獲取乘員信息，比如：乘員的體型和坐姿等信息，利用座椅信息采集單元獲取座椅本體對于車輛地板的速度信息，并基于這些信息以及相應的控制策略給出相應的電流控制量，通過改變磁場強度，使磁流變液中的磁性顆粒在磁場中會改變原本雜亂無章排列方式，變?yōu)榘凑漳硞€方向有序排列，改變磁流變液的流向，控制磁流變液的粘度為合適數值，改變交叉型阻尼板在磁流變液體中移動的難易程度，使座椅本體產生可接受的位移，約束人體的位置，提高對乘員的防護效果。此外，由于可接受位移的產生，有粘性的磁流變液會產生高速流動，其流經阻尼板上的阻尼孔時產生熱量，該過程能夠明顯地消耗碰撞能量，減輕對人體的傷害，大大提高了汽車的碰撞安全性，達到明顯地提高碰撞安全性的效果。
附圖說明
圖1是根據本發(fā)明所提供的車輛碰撞吸能控制裝置一優(yōu)選實施例的結構示意圖。
圖2是圖1中的座椅的結構示意圖。
圖3是圖1中的彈性密封連接件的結構示意圖。
圖4是圖1中的車輛碰撞吸能控制裝置的控制流程圖。
具體實施方式
在附圖中，使用相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面結合附圖對本發(fā)明的實施例進行詳細說明。
在本發(fā)明的描述中，術語“中心”、“縱向”、“橫向”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”“內”、“外”等指示的方位或位置關系為基于附圖所示的方位或位置關系，僅是為了便于描述本發(fā)明和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構造和操作，因此不能理解為對本發(fā)明保護范圍的限制。
如圖1至圖3所示，本實施例所提供的車輛碰撞吸能控制裝置包括座椅本體1、阻尼組件2、彈性密封連接構件3、箱體4、碰撞信息采集單元5、乘員信息采集單元7、座椅信息采集單元8和ECU(Electronic Control Unit，車載電腦)9，其中：
阻尼組件2包括阻尼板21和連接板23，其中，阻尼板21以垂直方式固定連接在座椅本體1底部，并且，阻尼板21上布滿有貫穿阻尼板21的阻尼孔22。連接板23的下表面連接各塊阻尼板21的頂部，上表面通過連接件11固定連接座椅本體1。
彈性密封連接構件3屬于彈性元件，當其某一方向產生振動時，其可以起到類似彈簧的作用，對座椅進行緩沖減振，并且可以限制座椅在三維方向的位移不至于過大。
箱體4的底部固定連接在地板12上。箱體4內部封裝有磁流變液6，并通過彈性密封連接構件3與阻尼組件2密封連接。阻尼組件2置于磁流變液6中，利用浮力和彈性密封連接構件3的拉力使阻尼組件懸浮，阻尼組件2能夠懸浮在磁流變液6中，與箱體4的內表面始終保持為隔開狀態(tài)。
碰撞信息采集單元5用于采集車輛的實際碰撞信息，車輛的實際碰撞信息主要包括兩部分，一部分是碰撞類型(正碰、側碰和追尾)，另一部分是碰撞嚴重程度。
優(yōu)選地，碰撞信息采集單元5可以采用加速度傳感器，加速度傳感器用于采集車輛碰撞時的加速度信息，該加速度信息包括加速度的方向和大小。加速度傳感器安裝在車身的前部、兩側和尾部，前部和尾部的加速度傳感器能夠檢測在車輛縱向的加速度信息，兩側的加速度傳感器能夠檢測在車輛橫向的加速度信息。上述加速度傳感器可以是車輛上的安全氣囊系統(tǒng)本身具有的傳感器，無需另外增設。
在車輛發(fā)生碰撞事故時，碰撞加速度傳感器采集的加速度信息輸入到ECU9，由ECU9根據加速度信息判定車輛的實際碰撞信息。ECU9的判定方法可通過下面例子得以說明：
在車輛正碰撞發(fā)生時，相應的加速度傳感器檢測到加速度的方向和大小，并將該加速度信息處理后傳輸到ECU9，ECU9中可以寫入程序，一方面對輸入的加速度的絕對值大小進行分析，給出碰撞嚴重程度級別；另一方面對加速度的方向進行分析，得知加速度方向為朝向車輛后方，那么可判定為碰撞類型是正碰。側碰和追尾的判斷方法類似，在此不再一一贅述。
乘員信息采集單元7用于采集乘員信息，乘員信息主要包括乘員的體型和坐姿等信息。
優(yōu)選地，乘員信息采集單元7可以采用圖像傳感器和圖像處理芯片，其中：圖像傳感器安裝在乘員室內，比如車內后視鏡的旁邊，用于對車內的乘員進行圖像采集。圖像處理芯片連接圖像傳感器，用于接收圖像傳感器采集到的乘員圖像信息，并將采集到的乘員圖像信息輸送給圖像處理芯片，圖像處理芯片基于圖像邊緣灰度突變的特性識別人體輪廓，得到乘員的體型信息，輸入到ECU9。在車輛發(fā)生碰撞時，圖像傳感器再次進行圖像采集，該采集到的圖像信息經圖像處理芯片處理，得到人體的坐姿信息，輸入到ECU9。通過準確獲取乘員的體型和坐姿信息，可以有效地對乘員進行防護。
座椅信息采集單元8用于采集座椅信息，座椅信息主要包括座椅本體1與地板12之間的相對位移信息。優(yōu)選地，座椅信息采集單元8可以采用位移傳感器，位移傳感器安裝在座椅本體1與地板12之間，以采集獲得座椅本體1與地板12之間的相對位移信息，該相對位移信息輸入到ECU9，由ECU9求導數處理后，獲得座椅本體1與地板12之間的相對速度信息。
ECU9用于接收所述車輛碰撞信息、乘員信息和座椅信息，并根據輸入的所述車輛碰撞信息、乘員信息和座椅信息計算作用到磁流變液6的電流控制量，以控制磁流變液6流經阻尼孔22時的阻尼特性，以改變磁流變液6流經阻尼孔22時的難易程度。
顯然，阻尼組件2懸浮在磁流變液6中，這相當于座椅本體1始終處于一個懸浮狀態(tài)，隨著車輛的運動工況的變化，座椅本體1會產生相應的運動，與座椅本體1連接的阻尼組件2將座椅本體1的運動傳遞給磁流變液6，使磁流變液6朝與運動方向相對應的方向流經阻尼孔22。本領域技術人員可以知曉的是：磁流變液6的粘度會直接影響到磁流變液6的流動性，進而影響到磁流變液6流經阻尼孔22時的難易程度。
在車輛碰撞事故發(fā)生時，本實施例能夠利用碰撞信息采集單元獲取車輛碰撞信息，比如：碰撞類型(正碰、側碰和追尾)和碰撞嚴重程度等信息，利用乘員信息采集單元獲取乘員信息，比如：乘員的體型和坐姿等信息，利用座椅信息采集單元獲取座椅本體對于車輛地板的速度信息，并基于采集到的各信息以及相應的控制策略給出相應的電流控制量，通過改變磁場強度，使磁流變液中的磁性顆粒在磁場中會改變原本雜亂無章排列方式，變?yōu)榘凑漳硞€方向有序排列，改變磁流變液的流向，控制磁流變液的粘度為合適數值，改變交叉型阻尼板在磁流變液體中移動的難易程度，使座椅本體產生可接受的位移，約束人體的位置，有效的防止人體下潛，提高對乘員的防護效果。
與此同時，由于可接受位移的產生，有粘性的磁流變液會產生高速流動，其流經阻尼板上的阻尼孔時產生熱量，該過程能夠明顯地消耗碰撞能量，減輕對人體的傷害，大大提高了汽車的碰撞安全性，達到明顯地提高碰撞安全性的效果。類似地，側碰、追尾等事故發(fā)生時，該座椅裝置可以產生可接受的位移量，進而有效的吸收碰撞的能量，全面提高汽車的碰撞安全性。
在一個實施例中，為滿足安全要求，本實施例利用BP神經網絡算法對磁流變液式安全座椅進行控制，BP神經網絡算法能學習和存貯大量的輸入輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。BP神經網絡算法的學習規(guī)則是使用最速下降法，通過反向傳播誤差來不斷調整各層神經單元的權值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層、隱含層和輸出層，每一層都有一定數量的神經元節(jié)點組成。各層神經元之間的交互反應由激活函數來描述。具體如下：
ECU9包括第一BP神經網絡模型和第二BP神經網絡模型，其中：
第一BP神經網絡模型用于以仿真的方式選取車輛碰撞信息和乘員信息為第一輸入層輸入向量、選取磁流變液阻尼力為第一輸出層輸出向量、選擇所述第一輸入層輸入向量和第一輸出層輸出向量的樣本數據以及利用該樣本數據訓練學習，以構建車輛碰撞信息、乘員信息與磁流變液產生的阻尼力之間的第一對應關系；以及用于接收碰撞信息采集單元5采集到的實際車輛碰撞信息和乘員信息采集單元7采集到的實際乘員信息，并根據所述第一對應關系，輸出期望阻尼力值。
第二BP神經網絡模型用于以試驗的方式選取磁流變液產生的阻尼力和座椅本體相對于車輛地板的速度信息為第二輸入層輸入向量、選取磁流變液輸入電流為第二輸出層輸出向量、選擇所述第二輸入層輸入向量和第二輸出層輸出向量的樣本數據以及利用該樣本數據訓練學習，以構建磁流變液產生的阻尼力、座椅本體相對于車輛地板的速度信息和磁流變液輸入電流的第二對應關系，以及用于接收座椅信息采集單元8采集到的實際座椅信息和所述第一BP神經網絡模型輸出的期望阻尼力值，并根據所述第二對應關系，輸出作用到磁流變液輸入電流的控制量。
在一個實施例中，所述第一BP神經網絡模型的第一對應關系和第二BP神經網絡模型的第二對應關系都按照以下流程獲得：
第一步，定義：輸入層有n個神經元，隱含層有p個神經元，輸出層有q個神經元，n、p和q均為正整數；
x＝(x1,x2,...,xn)為所述輸入層的輸入向量；
hi＝(hi1,hi2,…,hip)為所述隱含層的輸入向量；
ho＝(ho1,ho2,…,hop)為所述隱含層輸出向量；
yi＝(yi1,yi2,…,yiq)為所述輸出層的輸入向量；
yo＝(yo1,yo2,…,yoq)為所述輸出層輸出向量；
do＝(d1,d2,…,dq)為所述期望輸出向量；
bh為隱含層各神經元的閾值
bo為輸出層各神經元的閾值
wih為所述輸入層與所述隱含層的連接權值；
who為所述隱含層與所述輸出層的連接權值；
μ1、μ2為學習率，其中0<μ1<1,0<μ2<1
f(x)為激活函數，
e為誤差函數，
k＝1,2,…m為所述樣本數據的個數；
第二步，網絡的初始化及樣本選?。?/p>
利用隨機函數給各連接權值賦一個在區(qū)間(-1，1)內的隨機數，設定誤差函數e，給定計算精度ε和最大學習次數M；
選取第k個輸入樣本及期望輸出：
x(k)＝(x1(k),x2(k),...,xn(k))
do(k)＝(d1(k),d2(k),...,dq(k))
第三步，計算各層神經元的輸入和輸出：
hoh(k)＝f(hih(k)) h＝1,2,…,p
yoo(k)＝f(yio(k)) o＝1,2,…q
第四步，利用網絡期望輸出和實際輸出，計算誤差函數對輸出層的各神經元的偏導數：
其中：
第五步，計算誤差函數對輸入層的各神經元的偏導數：
其中：
第六步，利用輸出層各神經元的δo(k)和隱含層各神經元的輸出來修正連接權值woh(k)：
第七步，利用隱含層各神經元的δh(k)和輸入層各神經元的輸入修正連接權：
第八步，計算全局誤差：
第九步，判斷網絡誤差是否滿足要求，當誤差達到預設精度或學習次數大于設定的最大次數，則結束算法；否則，選取下一個學習樣本及對應的期望輸出，返回進入下一輪學習。
在一個實施例中，阻尼組件2中的阻尼板21的數量為三塊，被構造成交叉且相互垂直。阻尼板21形成的結構類似于在十字交叉結構，因此，座椅本體1上下運動時：水平布置的阻尼板21起到了阻尼器的作用。座椅本體1左右、前后運動時：豎直布置的兩塊阻尼板21起到阻尼器的作用。
本實施例利用三維空間相互垂直的阻尼板，并結合利用BP神經網絡算法對磁流變液式安全座椅進行控制，可實現空間中各方向上的阻尼變化控制，在面對不同的車輛碰撞時，ECU9在接收到車輛碰撞信息、乘員信息和座椅信息后，能夠根據輸入的各所述信息計算作用到磁流變液6的電流控制量，從而改變磁場強度，進而產生不同的阻尼力，實現在三維空間全方位約束座椅本體的位移，進而約束人體的位置，有效的防止人體下潛，提高對乘員的防護效果。
如圖3所示，彈性密封連接構件3由彈性材料制成，且呈環(huán)狀，內圈套設在阻尼組件2的連接板23外。彈性密封連接構件3具有供箱體4的頂部開口嵌入的周向槽31，以密封連接箱體4和阻尼組件2。彈性密封連接構件3還起到類似于彈簧的作用，用于對阻尼組件2產生拉力使之與阻尼組件2重力平衡，加上磁流變液6的浮力作用，使之懸浮在磁流變液6中。
在一個實施例中，所述車輛碰撞吸能控制裝置還包括模數/數模轉換器10、信號放大調理電路13和電流放大器14，其中：
模數/數模轉換器10用于將碰撞時的加速度信息、座椅本體1與地板12之間的相對位移信息由模擬信號轉化成數字信號以及用于將ECU9輸出的電流控制量由數字信號轉化成模擬信號，該模擬信號作用到磁流變液6，控制磁流變液6的阻尼特性。
信號放大調理電路13電連接在加速度傳感器與ECU9之間以及位移傳感器與ECU9之間，用于將采集到的加速度信息和座椅本體1與地板12之間的相對位移信息進行放大、整流和濾波后，然后通過模數/數模轉換器10處理后輸送給ECU9。
電流放大器14電連接在所述模數/數模轉換器10和固定磁極板15之間，用于將ECU9輸出的電流控制量放大后，輸送給所述固定磁極板15。
箱體4的四個側面分別設置繞有勵磁線圈的固定磁極板15，固定磁極板15通過電流放大器14與模數/數模轉換器10電連接，ECU9輸出的電流控制量依次經由模數/數模轉換器10、電流放大器14和固定磁極板15，作用到所述磁流變液6。
下面以汽車前碰撞為例，對本發(fā)明工作過程進行詳細描述：
當乘員上車后，圖像傳感器對人體進行圖像采集，并將乘員圖像信息傳到圖像處理芯片，圖像處理芯片基于圖像邊緣灰度突變的特性識別人體輪廓得到人體體型信息，人體體型信息被傳輸到ECU。當碰撞事故發(fā)生時，圖像傳感器會再次對乘員進行圖像采集，該圖像信息經圖像處理芯片處理后得到人體的坐姿信息，并傳輸到ECU。與此同時，安裝在車身的前部兩側、中部和尾部的碰撞加速度傳感器，采集碰撞時的加速度信號經信號放大調理電路進行信號處理后傳到模數轉換器中進行數據轉換，轉換后的信號輸入到ECU進行處理，根據處理后的加速度值大小判斷事故的嚴重程度，根據碰撞加速度的方向判斷事故發(fā)生的類型為前碰撞。
ECU接收到體型、坐姿、碰撞嚴重程度和碰撞類型這四個輸入量后，ECU中的第一BP神經網絡模型得到的期望阻尼力。
在碰撞發(fā)生的同時，位移傳感器獲得座椅本體相對于車輛地板的相對位移信息，該相對位移信息經信號放大調理電路進行信號處理后，傳輸到模數轉換器中進行模數轉換，模數轉換后的信號輸入到ECU，由ECU求導數處理后得到座椅本體相對于車輛地板之間的相對速度。
第一BP神經網絡模型得到的期望阻尼力和座椅本體相對于車輛地板之間的相對速度作為輸入向量輸入到第二BP神經網絡模型之中，輸出電流控制量。電流控制量比例縮小后輸出。
比例縮小后的電流控制量經經由模轉換器進行數模轉換后輸入到電流放大器進行放大，之后電流輸入到固定磁極板中的勵磁線圈中，產生磁場，使磁流變液中的磁性顆粒從雜亂無章排列變?yōu)橛行蚺帕?，控制磁流變液體的粘度為合適數值，改變交叉型阻尼板在磁流變液體中移動的難易程度，使座椅本體產生可接受的位移，約束人體的位置，有效的防止人體下潛，提高乘員的防護效果。
由于可接受位移的產生，有粘性的磁流變液會產生高速流動，其流經阻尼板孔時產生熱量可以明顯地消耗碰撞能量，減輕對人體的傷害，大大提高了汽車的碰撞安全性，達到明顯地提高碰撞安全性的效果。類似的，側碰、追尾等事故發(fā)生時，該座椅裝置可以產生可接受的位移量，進而有效的吸收碰撞的能量，全面提高汽車的碰撞安全性。
本發(fā)明還提供一種車輛，所述車輛包括如上述各實施例所述的車輛碰撞吸能控制裝置。
本發(fā)明還提供一種車輛碰撞吸能控制方法，所述車輛碰撞吸能控制方法包括：
步驟1，實時采集車輛碰撞信息、乘員信息和座椅本體相對于車輛地板的速度信息；
步驟2，構建兩個BP神經網絡模型，其具體包括：
步驟21，構建第一BP神經網絡模型，以仿真的方式選取車輛碰撞信息和乘員信息為第一輸入層輸入向量、選取磁流變液阻尼力為第一輸出層輸出向量、選擇所述第一輸入層輸入向量和第一輸出層輸出向量的樣本數據以及利用該樣本數據訓練學習，以在第一BP神經網絡模型中構建車輛碰撞信息、乘員信息與磁流變液產生的阻尼力之間的第一對應關系；
步驟22，構建第二BP神經網絡模型，以試驗的方式選取磁流變液產生的阻尼力和座椅本體相對于車輛地板的速度信息為第二輸入層輸入向量、選取磁流變液輸入電流為第二輸出層輸出向量、選擇所述第二輸入層輸入向量和第二輸出層輸出向量的樣本數據以及利用該樣本數據訓練學習，以在第二BP神經網絡模型中構建磁流變液產生的阻尼力、座椅本體相對于車輛地板的速度信息和磁流變液輸入電流的第二對應關系；
步驟3，第一BP神經網絡模型接收步驟1采集到的實際車輛碰撞信息和實際乘員信息，并根據其內構建好的第一對應關系，輸出期望阻尼力值；
步驟4，第二BP神經網絡模型接收步驟1采集到的實際座椅本體相對于車輛地板的速度信息，并根據其內構建好的第二對應關系，輸出作用到磁流變液輸入電流的控制量；
步驟5，利用步驟4得到的電流控制量控制磁流變液流經阻尼孔時的阻尼特性，以控制所述座椅本體的位移以及吸收能量。
在一個實施例中，步驟21和步驟22都按照以下流程獲得：
第一步，定義：輸入層有n個神經元，隱含層有p個神經元，輸出層有q個神經元，n、p和q均為正整數；
x＝(x1,x2,...,xn)為所述輸入層的輸入向量；
hi＝(hi1,hi2,…,hip)為所述隱含層的輸入向量；
ho＝(ho1,ho2,…,hop)為所述隱含層輸出向量；
yi＝(yi1,yi2,…,yiq)為所述輸出層的輸入向量；
yo＝(yo1,yo2,…,yoq)為所述輸出層輸出向量；
do＝(d1,d2,…,dq)為所述期望輸出向量；
bh為隱含層各神經元的閾值
bo為輸出層各神經元的閾值
wih為所述輸入層與所述隱含層的連接權值；
who為所述隱含層與所述輸出層的連接權值；
μ1、μ2為學習率，其中0<μ1<1,0<μ2<1
f(x)為激活函數，
e為誤差函數，
k＝1,2,…m為所述樣本數據的個數；
第二步，網絡的初始化及樣本選?。?/p>
利用隨機函數給各連接權值賦一個在區(qū)間(-1，1)內的隨機數，設定誤差函數e，給定計算精度ε和最大學習次數M；
選取第k個輸入樣本及期望輸出：
x(k)＝(x1(k),x2(k),...,xn(k))
do(k)＝(d1(k),d2(k),...,dq(k))
第三步，計算各層神經元的輸入和輸出：
hoh(k)＝f(hih(k)) h＝1,2,…,p
yoo(k)＝f(yio(k)) o＝1,2,…q
第四步，利用網絡期望輸出和實際輸出，計算誤差函數對輸出層的各神經元的偏導數：
其中：
第五步，計算誤差函數對輸入層的各神經元的偏導數：
其中：
第六步，利用輸出層各神經元的δo(k)和隱含層各神經元的輸出來修正連接權值woh(k)：
第七步，利用隱含層各神經元的δh(k)和輸入層各神經元的輸入修正連接權：
第八步，計算全局誤差：
第九步，判斷網絡誤差是否滿足要求，當誤差達到預設精度或學習次數大于設定的最大次數，則結束算法；否則，選取下一個學習樣本及對應的期望輸出，返回進入下一輪學習。
最后需要指出的是：以上實施例僅用以說明本發(fā)明的技術方案，而非對其限制。本領域的普通技術人員應當理解：可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；這些修改或者替換，并不使相應技術方案的本質脫離本發(fā)明各實施例技術方案的精神和范圍。
- 還沒有人留言評論。精彩留言會獲得點贊！