一种基于过的时域数据增强方法的神经网络模型,用于预测振动不适

科学领域:

• 汽车工程 汽车工程
• 人类因素工程 人类因素工程
• 计算力学 计算力学 计算力学

背景情况:

• 在车辆设计中,乘客舒适度至关重要,特别是在多功能车辆 (MPV) 中,第二排座位体验独特的振动动态.
• 量化和预测振动引起的不适是具有挑战性的,因为复杂的振动传输路径和主观的人类感知.

研究的目的:

• 为了调查MPV的第二排座位的振动引起的不适.
• 开发和验证一个基于深度学习的预测模型来预测乘客的不适.
• 建立一个框架来建模座椅振动和主观不适之间的关系.

主要方法:

• 实验是在一个四个海报的测试装置上进行的,以记录靠背,座椅板和扶手的多方向加速.
• 使用长期短期记忆 (LSTM) 神经网络来建模振动数据和不适度等级之间的非线性关系.
• 使用包括过白噪声在内的数据增强技术来增强数据集和模型通用性.

主要成果:

• 深度学习模型在使用三向靠背加速作为输入时,实现了对不适的高预测准确性.
• 包括其他座椅组件 (座椅板,扶手) 的振动数据作为输入功能导致预测性能下降.
• 该研究成功建立了一个预测框架,将客观振动测量与主观不适水平联系起来.

结论:

• 靠背加速是预测MPV中第二排座椅振动不适的关键指标.
• 开发的LSTM模型提供了一种有效的方法来量化振动引起的不适.
• 未来的研究可以通过探索额外的振动特征和车辆操作条件来完善模型.