翁 鸿

（福建省汽车工业集团有限公司， 福建 福州 350108）

引言

统计表明，截至2020 年，我国机动车保有量达到3.72 亿辆，其中轿车2.81 亿辆；车辆驾驶人达4.56 亿人，其中轿车驾驶人4.18 亿人。汽车在满足人们代步需要的同时，在安全、节能、美观等特性的基础上，对舒适性的要求也越来越高[1-2]。除了传统的动力性、燃料经济性、安全性等方面，在人类对于车辆性能的需求方面，良好的行驶特性、舒适的使用环境、低振动和低噪声逐渐成为了当代汽车的主要追求[3-4]。

1 新能源汽车舒适度评价指标分析

车辆舒适性，是指驾驶者与乘客对驾乘环境的主观反应，它主要体现在驾驶者与乘员身上，对车辆舒适性的影响因素有许多，主要包括空气环境、噪声环境、使用舒适性、乘车环境与行车操纵特性以及个人生理与心理状态等。以往舒适度评价研究大多集中于振动、噪声等因素，在汽车逐步全面电动化的时代已经不适用[5-6]。提出基于新能源车的发动机特性，并根据人机工程学基本原理，从汽车产品设计、机械原理等理论，层层深入，车辆的舒适性的相关设计采用了相应的准则，其中人机工程学的主要舒适度研究就是对汽车座椅的内部外形造型、外部尺寸、材质及其调整机构等的改进设计[7]。除人机工程学原理以外，环境、生理感受等因素也要在其舒适度的考虑范围内；利用层次分析法，也就是AHP（Analytie Hierarehy Proeess）方法构建出适合于新能源汽车的舒适度评价指标。它的基本思路是把大问题分解成一种或几个小的各种形式因素，而上述各种因素又通过优势关系组构成了一种层级构成，并采用二二相应的方式确立层级中各种因素的相应意义。该方法在新能源汽车舒适度系统评价中发挥着巨大作用。在该中情况的选择下，可将平顺性、车内温度、乘坐环境、驾驶操作性能作为评价指标的选择，对其中的指标进行两两采样分析。

2 采用LSTM 神经网络模型赋值分析

对新能源汽车舒适度评价指标进行因子分析，对多种因素进行分类赋值，引入LSTM（Long Short-Term Memory）神经网络模型，用已获得的样本数据来对模型进行训练。利用神经网络模型模拟人脑的信息处理得出的结果，在一定程度上可以消除舒适度评价的主观性和随机性，得出一个较为客观的汽车舒适度评价。

首先确定新能源汽车舒适度的评价指标，其次利用问卷调查的方法来确定样本数据以及各自的权重因子。在进行问卷调查的过程中可以采用满意度来确定评价结果，样本数据收集完后，引入LSTM(Long Short-Term Memory)神经网络模型，用已获得的样本数据来对模型进行训练，模拟人脑的信息处理得出结果。

3 评价系统流程

根据上述研究结果，从现实需要入手，开展了新能源汽车的舒适性评估系统试验，形成了评估系统工作流程图，对评估系统中各个模块的主要功能进行了设计研究，对评估结论加以检验，评估方法主要是将系统所测得的结果反映乘员对车辆内室中控制设备使用的主观体验的表现，与有关汽车舒适性的标准数值相对比，再通过相应程度作出汽车舒适程度的综合评估。该试验研究可以针对人类的实际需要对车辆进行舒适性评估，如下页图1 所示。

图1 新能源汽车舒适度评价系统流程图

为获得符合中国人特点的舒适度要求，提取不同的因素在相关舒适度评价指标上的分析数据。该次评价流程共选择了20 个对象，当中男子16 人，女子4 人，年纪均在24-42 周岁，平均身长在158-181 cm，体重在50-87 kg，基本满足身体正态分布，并能基本涵盖全中国身体长度的90%。实验过程中，使用了二台舒适度级别截然不同的写真车，成功使用人工神经网络进行分析数据来完成指标评价系统的实验。最后根据实验数据，来分析各影响因素与舒适度评价指标间的关系系数，分析结果如表1所示。

神经网络的输入参数依次如下：坐垫均衡气压、坐垫最高气压、坐垫触及平均面积、靠背均衡气压、靠背最高气压靠背接触平均面积、乘车者的高度、乘车者的身体重量。其中，前6 个参数是最主要的气压特征描述量；后2 个参数则是最主要的人体测量学参数，其在较大程度上影响了乘员座位表面的气压分布。

由表1 可得，座椅舒适度（即舒适度评价得分）与影响指标间的关联十分大，压力分布特征也可以反映座椅舒适性，但是这个关联并不是单纯的线性关系。这也就为其新能源汽车舒适度的研究起到了很好的理论支撑。

表1 人工神经网络分析表

4 结语

本文通过系统分析影响车辆舒适性的有关因素，并采用层次分析法和人工神经网络模拟，对新能源车辆的舒适性作出了系统评估，并根据各项评估指标的结果确定了汽车舒适性总体评估模型。同时从现实需要入手，开展新能源车舒适度评估体系试验，形成评估体系工作流程图，并对其评估并且开展测试数据分析。