摘要：文章通过深入分析消费者对汽车座椅舒适性要求的诉求模型,系统地阐述了座椅舒适性的定义及基于此定义的舒适性目标的建立,并结合多年项目经验提出了汽车座椅舒适性设计开发的一般原则和要点,以及舒适性分析验证及完善的主要手段,同时围绕整车开发流程概述了座椅舒适性设计开发流程和主要关键节点,最后对座椅舒适性设计开发在汽车上的实际应用效果进行了辨证分析和总结,对其未来的发展趋势进行了展望。

摘要：汽车座椅舒适性的主观评价和客观评价之间的关系存在复杂性和高非线性的特点。传统的BP神经网络(反向传播神经网络)对初值敏感且容易陷入局部最优解,因此无法建立精确的座椅舒适度预测模型。针对该问题,提出利用人工蜂群算法优化后的BP神经网络(ABC-BP)来预测座椅的舒适性的方法。通过开展体压试验得到了176组压力分布样本数据,其中89%的数据作为模型的训练部分,11%的数据作为模型验证,将预测结果与真实值相比较,ABC-BP预测模型的均方误差MSE为0.0019,确定性系数R^2为0.946,比传统BP神经网络预测模型得到的MSE降低了84.68%,R^2提高了42.5%。结果表明,利用人工蜂群算法优化后的BP神经网络所建立的汽车座椅舒适性预测模型稳定性更强、预测效果更加精准。

摘要：本文主要介绍一种汽车座椅舒适性的区间评价方法。本文结合大量汽车座椅舒适性主观评价试验结果中的评价打分和相对应人体压力数据,建立汽车座椅舒适性客观数据与主观评价分数间的不确定数学关系--区间关系。在本文中,将大量舒适性试验结果建立座椅评价的数据库,并使用该数学模型研究了汽车座椅舒适性区间评价方法。运用这个方法,座椅设计工程师可以用其取代复杂的人工座椅评价过程得到更加可靠的座椅舒适性评价结果,同时这个舒适性分数也为座椅改进性设计提供理论指导。

摘要：目的探索汽车座椅舒适性评价方法。方法设计实验采集驾驶员基本物理信息及其在实车中的体压数据,利用Lasso算法提取具有较好预测效果的特征向量,利用遗传算法对BP(Back Propagation)神经网络进行优化,建立基于优化BP神经网络的汽车座椅舒适性评价模型。结果利用遗传算法优化后的BP神经网络预测准确率达到90.96%。结论模型可有效实现对汽车座椅舒适性的评价,为汽车正向设计中座椅设计方案的筛选提供参考。