乘员约束系统耐撞性数据挖掘_论文

振动与冲击　

第２９卷第３期　

ＪＯＵＲＮＡＬ　ＯＦ　ＶＩＢＲＡＴＩＯＮ　ＡＮＤ　ＳＨＯＣＫ　

乘员约束系统耐撞性数据挖掘　

赵志杰　，金先龙　

（１．上海交通大学机械与动力工程学院，上海２００２４０；２．上海交通大学振动、冲击、噪声国家重点实验室，上海２００２４０）　

摘要：把数据挖掘方法应用到乘员约束系统ＦＥ（Ｆｉｎｉｔｅ　Ｅｌｅｍｅｎｔ）数据及其碰撞仿真结果数据上。针对ＣＡＥ数据　

的特点，基于面向对象思想对乘员约束系统数据进行数据挖掘前的数据准备。应用属性选择、决策树分类算法对９８例碰　

撞仿真实验数据进行挖掘，得到乘员约束系统关键参数与乘员伤害ＷＩＣ值的关系，并应用交叉验证方法对所得决策树进　

行了评估。通过实例验证，所得知识符合实际、对乘员约束系统的设计具有一定参考价值，是对海量ＣＡＥ仿真数据进行　

知识发现的成功尝试。　

关键词：乘员约束系统；数据挖掘；有限元分析　

中图分类号：ＴＰ３９１：Ｕ４９　文献标识码：Ａ　

随着计算机软、硬件的高速发展，目前以有限元仿　

真为基础的ＣＡＥ工具已经取代传统的物理实验方法成　

为汽车研发的主要工具。ＣＡＥ工具的普遍采用在节省　

研发开支、缩短研发周期的同时也对ＣＡＥ数据管理提　

出了挑战。研发一款新的车型，通常会产生海量的　

ＣＡＥ仿真实验数据。这些数据隐藏着设计参数与车辆　

性能之间的潜在关系，人工无法找出这些关系，近年来　

快速发展的数据挖掘技术却可以解决这个难题。　

数据挖掘是指通过筛选在目录库中的大量数据来　

发现有用的相互关系、模式和趋势的过程。该方法已　

１数据准备　

通常，数据挖掘中８０％～９０％的工作量在数据准　

备阶段＿３　Ｊ。对原始ＣＡＥ数据进行挖掘得不到任何有　

用知识，必须对其进行预处理。该过程包括从ＦＥ模型　

及仿真结果中提取、生成参数，并进行数据转化，得到　

满足数据挖掘算法要求的数据形式。预处理后的数据　

以实例集的形式存在，每一次碰撞仿真试验作为一个　

实例。而实例由不同属性值组成，其中类属性从碰撞　

结果中获取，其余属性从整车ＦＥ模型中获取。　

１．１乘员约束系统ＦＥ模型及其参数提取　

经在金融、市场分析、电力、医学、故障诊断等诸多领域　

得到了广泛应用＿１　。ＣＡＥ是一个复杂的过程，包括模　

型前处理、算法求解、结果后处理。ＣＡＥ数据在不同阶　

段的表现形式也不同，前处理阶段通常表现为ＡＳＣＩＩ　

编码的ＦＥ模型文件；求解结果包括反映节点、单元的　

运动、受力特性的ＡＳＣＩＩ编码文件，以及反映运动学、　

本文所分析的ＣＡＥ数据基于图１所示的含有乘　

动力学特性的二进制编码的动画文件。本文对ＡＳＣＩＩ　

形式表现的ＦＥ模型文件及结果文件进行联合数据挖　

掘研究，目的是获得成员约束系统设计参数与碰撞仿　

真中的乘员保护之间的关系。　

数据挖掘技术的工程实现主要分三个步骤。数据　

准备：从待研究的原始数据中提取需要分析的数据，并　

对其进行预处理，以形成目标数据。数据挖掘：选择适　

当的数据挖掘算法，对目标数据进行知识发现，最终形　

成知识。知识验证：通过将知识应用于实际来验证所　

（ａ）整车有限元模型　

（ａ）Ｔｈｅ　ｗｈｏｌｅ　ｃａｒ　

得知识的正确性。本文也将围绕上述三个步骤逐一进　

行。另外，文中使用的大部分数据挖掘算法基于开源　

的ＷＥＫＡ（Ｗａｉｋａｔｏ　Ｅｎｖｉｒｏｎｍｅｎｔ　ｆｏｒ　Ｋｎｏｗｌｅｄｇｅ　Ａｎａｌｙｓｉｓ，　

怀卡托智能分析）算法库　。　

基金项目：国家自然基金（９０６１２０１７）；国家自然基金（５０７０５０５８）；国家　

自然基金（６０９７００４９、５０８７５１６６）；上海市科技攻关计划项目　

（０６１１ｌ１０１３）；教育部博士点基金（２００７０２４８１１０）　

收稿日期：２００９一Ｏ１—１９修改稿收到日期：２００９—０４—２８　

（ｂ）乘员约束系统　

（ｂ）Ｏｃｃｕｐａｎｔ　ｒｅｓｔｒａｉｎｔ　ｓｙｓｔｅｍ　

图１　乘员约束系统及整车有限元模型数据　

Ｆｉｇ．１　Ｆｉｎｉｔｅ　ｅｌｅｍｅｎｔ　ｍｏｄｅｌ　ｏｆ　ｔｈｅ　ｗｈｏｌｅ　

ｃａｒ　ａｎｄ　ｏｃｃｕｐａｎｔ　ｒｅｓｔｒａｉｎｔ　ｓｙｓｔｅｍ　

第一作者赵志杰男，博士生，１９７８年生　

ｌ４　振动与冲击　２０１０年第２９卷　

员约束系统的整车有限元模型。模型整体约由６００个　

部件组成，节点约１６万，单元约１６万。乘员约束系统　

包括ＨｙｂｒｉｄⅢ假人、三点式安全带以及折叠式安全气　

囊。其中，安全带系统有限元模型包括：安全带单元、　

滑动环单元、预紧器、卷收器单元以及引发预紧器、卷　

收器工作的传感器单元。气囊模型为均匀压力模型，　

取自美国国家碰撞试验中心Ｌ４ｊ。　

根据文献［５，６］中对乘员约束系统优化参数的研　

究，本文所考察的安全带与安全气囊参数为：ｓｂ—ｍａｔ—Ｅ　

（安全带材料）、ｓｂ　ｐｕｌ１．ｒａｔｅ（安全带预紧器收缩速度）、　

ｓｂ．ｐｒｅ—ｄｅｌａｙ（安全带预紧器时间延迟）、ｓｂ—ｌｏａｄｅｒ（安全　

带卷收器载荷曲线）、ａｂ—ｆｉｒｅ—ｔｉｍｅ（气囊点火时刻）、ａｂ—　

ｍａｓｓ．ｌｆｏｗ（气体质量流曲线）、ａｂ．ｖｅｎｔ．ａｒｅａ（气囊泄漏孔　

面积）、ａｂ—ｍａｔ．Ｅ（气囊材料）、ａｂ．ａｉｒ—Ｔ（气囊内气体温　

度）。其中，ｓｂ．ｍａｔ—Ｅ、ａｂ—ｍａｔ．Ｅ指材料的杨氏模量，ｓｂ—　

ｐｕｌｌ—ｒａｔｅ指预紧阶段单位时间内安全带长度的变化，ｓｂ—　

ｌｏａｄｅｒ、ａｂ．ｍａｓｓ．ｌｆｏｗ为曲线与时间轴所围面积。　

结果数据基于该模型的１００％刚性墙正面碰撞仿　

真实验，碰撞车速５０　ｋｍ／ｈ，仿真时间１２０　ｍｓ，求解器为　

ＳＭＰ版本的ＬＳ．ＤＹＮＡ。对仿真实验进行９因素７水平　

的正交试验设计　７ｊ（影响因素及其水平如表１所示），　

得到９８例碰撞仿真数据，数据量为２０３ＧＢ。本文的研　

究基于此数据集。　

表１设计参数取值　

Ｔａｂ．１　Ｄｅｓｉｇｎ　ｐａｒａｍｅｔｅｒｓ　

基于面向对象思想，采用ＪＡＶＡ语言，对安全带、安　

全气囊进行类对象建模。其中，成员变量为安全带、安　

全气囊的材料ＩＤ、结构ＩＤ以及单位制等反映其属性的　

信息；成员函数为生成表１所示参数的算法。ＦＥ模型　

元素问存在相互关联，可以通过编程实现参数的自动　

生成。以对参数ｓｂ—ｌｏａｄｅｒ的获取为例，根据卷收器类　

型名获得定义其载荷的曲线ＩＤ，进而找到定义此载荷　

曲线的离散数值对，最后计算出此曲线与时间坐标轴　

所围面积。　

１．２正面碰撞乘员伤害的评价及类属性生成　

使用正则化加权伤害指数（Ｗｅｉｇｈｔｅｄ　Ｉｎｊｕｒｙ　Ｃｒｉｔｅｒｉ－　

ｏｎ，ＷＩＣ）来评价乘员在汽车正面碰撞中所受到的伤　

害。在美国ＦＭＶＳＳ２０８标准中其定义如下：　

ＷＩＣ：０．６ｆ＼　１　０００１，　＋０．３５ｆ＼６　＋０。　！０　１／２．０＋

．

０７６　２／／　

０．０５（Ｆｆ￣ｇｆｌｒｔ　＋Ｆｆ…ｅｍｕ　０）／２０．０　（１）　

其中，ＨＩＣ（Ｈｅａｄ　Ｉｎｊｕｒｙ　Ｃｒｉｔｅｒｉｏｎ）为头部伤害　

准则：　

ｃ＝　［（　ａＨｅ￣ｄｄｔ）　（ｆ２　）］（２）　

式中，ａ胁　头部中心的合成加速度。ｔ　、ｔ：为使　

ＨＩＣ达到最大值的时间段的起始和终止时刻。一般要　

求当时间间隔为３６　ｍｓ时，ＨＩＣ＜１　０００。　

Ｃ。　胸部３　ＩＹＩＳ准则的数值，单位：ｇ。作用在上胸　

部质心处的、时间为３　ｍｓ或３　ｍｓ以上的胸部合成加速　

度，最大值不超过６０　ｇ；　

Ｃ…　：胸部压缩量，单位：ｍ，应小于７５　ｉｎｔｏ；　

Ｆｆ

ｅｍ　

　，

：

左大腿骨最大轴向力，单位：ｋＮ，小于１０　ｋＮ；　

Ｆｆ

ｅｍｕ　

…

：

右大腿骨最大轴向力，单位：ｋＮ，小于１０　ｋＮ。　

图２所示为碰撞仿真实验的结果数据表现形式。　

应用面向对象编程语言，从头部结果文件根据式（２）得　

到ＨＩＣ；从胸部、腿部结果文件获得Ｃ　、　、Ｆｆｅ　ｍｕ　；　

最后根据式（１）得到ＷＩＣ值。　

叫　ｍ　柚６　５　　６　４柚¨柚曲曲¨饼琳　３　　３　２　１棚啪　　１　５　　１　

１景　孽　撂　繇　●Ｊ　

（ａ）二进制动画结果（一阶主应力）　

（ａ）Ｒｅｓｕｌｔ　ｏｆ　ｂｉｎａｒｙ　ｔｙｐｅ（１　ｓｔ・ｐｒｉｎｃｉｐａｌ　ｓｔｒｅｓｓ）　

ｔ／ｍｓ　

（ｂ）ＡＳＣＩＩ结果（经ｓａｅｌ　８０Ｈｚ滤波的头部加速度曲线）　

（ｂ）Ｒｅｓｕｌｔ　ｏｆ　ＡＳＣＩＩ　ｔｙｐｅ（ａｃｃｅｌｅｒａｔｉｏｎ　ｃｕｒｖｅ　ｏｆ　ｔｈｅ　

ｈｅａｄ　ｏｐｅｒａｔｉｏｎ　ｂｙ　ＳＡＥ　１　８０Ｈｚ　ｉｆｌｔｅｒｉｎｇ）　

图２结果数据　

Ｆｉｇ．２　Ｃｒａｓｈ　ｒｅｓｕｌｔ　

善耋　

第３期　赵志杰等：乘员约束系统耐撞性数据挖掘　Ｉ５　

对仿真实验数据进行参数提取，得到数值型属性　

的数据集。然而，用于数据挖掘的数据结构中必须含　

有类属性。应此，需要将数值型的ＷＩＣ值离散化为名　

词性属性。根据文献［８］以及仿真经验，将ＷＩＣ值划　

分为３个等级：ＷＩＣ＜０．６，０．６　ＷＩＣ＜ｌ，ＷＩＣ　１，分　

别表示乘员约束系统设计的“好”、“中”、“差”三个级　

别。显然，ｗ　Ｉｃ值越小，约束系统对乘员的保护效果　

越好，通常不容许出现ＷＩＣ　１的情况　。数据准备阶　

段最终形成如表２结构的数据集。　

表２经数据准备得到的数据集结构　

Ｔａｂ．２　Ｔｈｅ　ｆｉｎａｌ　ｄａｔａ　ｓｅｔｓ　

２对乘员约束系统耐撞性数据的数据挖掘　

数据挖掘方法有分类法、聚类法、关联法等，常用　

的技术有数理统计分析、神经网络、专家系统、模糊方　

的属性空间。ｎ个属性含有（２　一１）个可能的属性集，　

对于复杂情况，穷举搜索不切实际，通常采取压缩搜索　

空间的贪心搜索算法。如图３所示，从上往下，开始时　

不含任何属性，每次暂时增加一个当前没有包含的属　

性，然后使用评估算法对此属性集进行评估。评估产　

生一个数字结果用以衡量子集的期望性能。通过此方　

法对添加每个属性所产生的结果进行定量，选择其中　

最好的。如果向目前的子集中添加任何一个属性都不　

能有改善时，即终止搜索。该方法能保证找到一个局　

部的，不必是全局的、最好的属性集。其中，所采用的　

评估算法为文献［２］中所提到的交叉验证法。　

将属性选择算法应用在表２所示乘员约束系统数　

据集上，得到对ＷＩＣ值预测性能最好的属性子集为　

｛ａｂ—ｉｆｒｅ—ｔｉｍｅ，ａｂ—ｍａｓｓ—ｆｌｏｗ，ｓｂ—ｌｏａｄｅｒ，ｓｂ—ｍａｔ—Ｅ，ａｂ—　

法、决策树和遗传算法等。利用已建立的乘员约束系　

统数据集，采用属性选择及决策树技术对乘员约束系　

统耐撞性能数据进行分析。　

２．１属性选择　

复杂乘员约束系统通常包含数以百计的属性，并　

非每一个属性对所评估的类属性ＷＩＣ都具有显著影　

响，因此，需要应用属性选择算法来获得对乘员伤害有　

重要影响的属性。　

属性选择的过程是在属性空间搜索最有可能做出　

最好类预测的属性子集。图３为含有四个属性数据集　

ｖｅｎｔ—ａｒｅａ｝。从文献［５］、［６］可知，该属性集所含参数　

对乘员被动安全有着重要影响。　

２．２决策树分类与ＷＩＣ值预测　

决策树是实现数据集分类的重要形式。树的最顶　

层节点是根节点，每个内部节点表示一个属性的测试，　

每个分枝代表一个测试输出，而每个叶节点代表类或　

类分布。创建决策树的过程通常分为两个阶段：建树　

和修剪树。修剪树可以降低由于训练集存在噪声而产　

生的起伏，从而简化树结构。　

自顶向下，采用基于递归分治（ｄｉｖｉｄｅ．ａｎｄ．ＣＯＩ１．　

ｑｕｅｒ）方式构造的Ｃ４．５算法来创建决策树＿９　Ｊ。首先，　

选择一个属性放置在根节点，为每一个可能的属性值　

图３四属性的属性空间　

Ｆｉｇ．３　Ａｔｔｒｉｂｕｔｅ　ｓｐａｃｅ　ｆｏｒ　ｆｏｕｒ　ａｔｔｒｉｂｕｔｅｓ　

产生一个分支。这将使样本集分裂成多个子集，一个　

子集对应一个属性值。然后在每一个子集上递归地重　

１６　振动与冲击　２０１０年第２９卷　

复这个过程，直到一个节点上的所有实例拥有相同的　

类别，即停止该部分树的扩展。　

则这些子集对应于由包含集合Ｒ的节点生长出来的分　

枝。设ｒ　表示在Ｒ　中类Ｃ　的样本数。根据由Ａ划分　

该算法在树的每个节点上使用信息增益度量来选　

择测试属性。算法计算每个属性的信息增益，具有最　

高信息增益的属性选作给定子集的测试属性。该属性　

使得对结果划分中的样本分类所需的信息量最小，并　

反映划分的最小随机性或“不纯性”。这种信息理论方　

法使得对一个对象分类所需的期望测试数目达到最　

小，并确保找到一棵简单的树。其具体过程为：　

设尺是ｒ个数据样本的集合。假定类标号属性具　

成子集的熵或期望信息由下式给出Ｅ（Ａ）＝∑［（　＋　

ｒ２７＋…＋ｒ　）／ｒ］・，（ｒ１　ｒ２ｆ＋…＋ｒ　）。其中：［（ｒ１　

ｒ　＋…＋ｒ　）／ｒ］表示第　个子集的权重；ｒ：ｆ　Ｒ　ｆ。熵　

值越小，子集划分的纯度越高。子集Ｒ　的信息量（子　

集的总熵），（ｒ１，＋ｒ２，＋…＋ｒ　）＝一　ｐ　ｆｌｏｇ２（Ｐ　），在４　

。　啪＼ｌ０　一　

上分枝将获得的编码信息是Ｇａｉｎ（Ａ）＝，（ｒ　＋ｒ　＋…＋　

）一Ｅ（Ａ）。　

札　咖　

有ｍ个不同值，定义ｍ个不同类Ｃ　（ｉ＝１，…，ｍ）。设　

ｒ　是月中属于类ｃ　的样本数。对一个给定的样本分类　

所需的期望信息由下式给出，（ｒ　，ｒ：，…，ｒ　）＝　

ｍ　

一　

应用ＷＥＫＡ的ｃ４．５决策树分类器对表２所示的　

乘员约束系统数据集进行决策树分类。从结果（图４）　

　啪／Ｉ

．．

，　娶、　

恻、　

来看，安全气囊点火时刻对乘员保护有着重要的影响，　

０　—啪　０一　

ｐ　ｌｏｇ：（Ｐ　），其中Ｐ　是任意样本属于Ｃ　的概率，并　

应尽量避免点火时刻大于０．０４　Ｓ。该决策树直观的表　

达了乘员约束系统参数选取与乘员损伤ＷＩＣ值之问的　

Ｏ　

用ｒ　／ｒ估计。设属性　具有ｎ个不同值｛ａ　，。：，…，　

ｎ　｝，Ａ可以把Ｒ分成ｎ个子集｛Ｓ　，５：，…，ｓ　｝；其中　

：

一３一　

关系，对该车型的乘员约束系统匹配性设计以及相似　

｛ｌ　∈Ｒ＆　・Ａ＝ａ，｝。如果将　选作测试属性，　

＿

＿

车型的设计提供了有价值的参考。　

’０・ｏ４＼　

ａｂ

ｍａｔ

Ｅ　

．．．．

瞄　

一　

＼札、、　

＼ｌ　

ａｂｆｉｒｅ

ｔｉｍｅ　

———＼

／

ｓｂ

ｍａｔ

Ｅ　

．．．．

‘　Ｏ＿０４　

／＾＼　

＜＝２５００００００００　’．２５００００００００　

／／＼＼　

／＼　

＜＝１５０００００００》１５０００００００　

／　＼　

／＼　

一　

＼　

／＼　

ａｂ　ｆｉｒｅ　ｔｉｍｅ　

匣　圃　ｂ＿ｍ　。　。ｗ　

＜＝０．０２３４１７＞０．０２３４１７　

／＼　＾　

《＝０．０２＞０．Ｏ２　

／　＼　／　

叵　匝圈　

＜＝０．００５　

圈

／　

　ｂ』　ｍ。　

毒５｛；√　８／　圃珥ｍ＼／　　口　＼一．一　

图４乘员约束系统的决策树分类　

Ｆｉｇ．４　Ｄｅｃｉｓｉｏｎ　ｔｒｅｅ　ｏｆ　ｔｈｅ　ｏｃｃｕｐａｎｔ　ｒｅｓｔｒａｉｎｅｄ　ｓｙｓｔｅｍ　

在分类样本集上应用分层１０折交叉验证法对该　

据所得分类决策树对其进行ＷＩＣ值预测。如图５所示　

为从决策树根节点开始依次找到叶节点的预测过程。　

决策树的预测能力进行评估。评估结果显示，此决策　

树对９８例实例中的８２例进行了正确分类，其余１６例　

分类错误。其中：３个类‘中’被错误分人类‘好’；５个　

类‘好’与５个类‘差’被错误分人类‘中’；１个类　

３知识验证　

进行１１组整车环境下的耐撞性仿真实验，通过比　

‘好’，２个类‘中’被分入类‘差’。由此可知该决策树　

对类‘好’与‘差’的预测准确性较差，并可统计此决策　

Ｑ，）　

较仿真结果与决策树的预测结果来评估所得决策树的　

正确性。表４所示为比较结果。在１１组测试结果中，　

树的分类正确率为　＝８３．６％。　

。　

该决策树对其中的９组结果进行了正确的预测，正确　

。　

建立决策树除了获得数据集属性与评估属性之间　

的树状关系外，还可以利用所得到的分类规则对未知实　

率为二１　１＝８２％。该结果与决策树的评估结果较吻合，　

１１　

表明此决策树对同类车型乘员约束系统设计有一定参　

考价值。　例进行类属性预测。表３所示为一次碰撞仿真数据，根　

第３期　赵志杰等：乘员约束系统耐撞性数据挖掘　１７　

ａｂ

ｆｉｒｅ

——

ｔｉｍｃ竺　ｓｂ

ｍａｔ

Ｅ＞２５００００００００

—

—

ａｂ

—

ｍａｓｓ

～

一

ｌｆ。ｗ　里旦　ｂ＿ｆｉ　

ｔｉｍｅ０＞．ｏｏ￣～ｂ

ｌｏａｄｃｒ２　里４．匝亘委　二Ｉ］　

～—

图５　ＷＩＣ值预测过程　

Ｆｉｇ．５　Ｐｒｏｃｅｓｓ　ｏｆ　ｔｈｅ　ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ｔｈｅ　ＷＩＣ　

表４知识验证　

Ｔａｂ．４　Ｋｎｏｗｌｅｄｇｅ　ｖｅｒｉｉｃａｔｉｆｏｎ　

４结论　

［３］Ｗｉｌｈ　Ｋｌｏｓｇｅｎ，Ｊａｎ　Ｍ．Ｚｙｔｋｏｗ，Ｊａｎ　Ｚｙｔ．Ｈａｎｄｂｏｏｋ　ｏｆ　Ｄａｔａ　

Ｍｉｎｉｎｇ　ａｎｄ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ［Ｍ］．Ｏｘｆｏｒｄ　Ｕｎｉｖｅｒｓｉｔｙ　

Ｐｒｅｓｓ，２００２．　

阐述了数据挖掘技术在乘员约束系统碰撞仿真数　

据上的应用，以乘员伤害ＷＩＣ值的分类、预测为例，对　

Ｅｔ益庞大的ＣＡＥ耐撞性仿真数据进行再利用进行了成　

功的尝试。　

［４］ｈｔｔｐ：／／ｗｗｗ．ｎｃａｃ．ｇｗｕ．ｅｄｕ／ｖｍｌ／ａｒｃｈｉｖｅ／ｎｃａｃ／ｉｎｔｅｒｉｏｒ／　

ＤＲＶＲ—Ａｉｒｂａｇ—Ｖ２．ｋｅｙ．ｇｚ．　

赵英如．微型客车乘员约束系统性能分析及改进设计　

［Ｍ］．长春：吉林大学出版社，２００２．　

Ｋａｕｓｈｉｋ　Ｓｉｎｈａ．Ｒｅｌｉａｂｉｌｉｔｙ—Ｂａｓｅｄ　Ｍｕｈｉｏｂｊｅｃｔｉｖｅ　Ｏｐｔｉｍｉｚａｔｉｏｎ　

ｆｏｒ　Ａｕｔｏｍｏｔｉｖｅ　Ｃｒａｓｈｗｏｒｔｈｉｎｅｓｓ　ａｎｄ　Ｏｃｃｕｐａｎｔ　Ｓａｆｅｔｙ　ｆＪ　１．　

Ｓｔｒｕｃｔｕｒａｌ　ａｎｄ　Ｍｕｈｉｄｉｓｅｉｐｌｉｎａｒｙ　Ｏｐｔｉｍｉｚａｔｉｏｎ，２００７，３３（３）：　

２５５—２６８．　

基于面向对象的编程方法对ＦＥ模型数据及仿真　

数据进行数据准备，并应用属性选择、决策树算法对数　

据集进行了数据挖掘，得到了乘员约束系统关键参数　

与乘员伤害ＷＩＣ值的关系。并通过实例验证，所得知　

识符合实际、具有一定参考价值。尤其是在汽车概念　

化设计阶段，对工程设计人员有一定指导作用。　

参考文献　

林忠钦，刘罡，李淑慧．应用正交试验设计提高Ｕ形件的　

成形精度［Ｊ］．机械工程学报，２００２，３８（３）：８３—８９．　

Ｖｉａｎｏ　Ｄ　Ｃ，Ａｒｅｐａｌｌｙ　Ｓ．Ａｓｓｅｓｓｉｎｇ　ｔｈｅ　Ｓａｆｅｔｙ　Ｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　

Ｏｃｃｕｐａｎｔ　Ｒｅｓｔ　ｒａｉｎｔ　Ｓｙｓｔｅｍ［Ｊ］．ＳＡＥＰａｐｅｒ，Ｎｏ．９０２３２８．　

Ｖｉｌｉ　Ｐｏｄｇｏｒｅｌｅｃ，Ｐｅｔｅｒ　Ｋｏｋｏｌ，Ｂｒｕｎｏ　Ｓｔｉｇｌｉｃ．Ｄｅｃｉｓｉｏｎ　Ｔｒｅｅｓ：　

［１］伍星，陈进，李如强，等．基于数据挖掘的设备状态监　

测和故障诊断［Ｊ］．振动与冲击，２００４，２３（４）：７０—７４．　

［２］Ｉａｎ　Ｈ　Ｗｉｔｔｅｎ，Ｅｉｂｅ　Ｆｒａｎｋ．Ｄａｔａ．Ｍｉｎｉｎｇ—Ｐｒａｃｔｉｃａ１．Ｍａｃｈｉｎｅ．　

Ｌｅａｒｎｉｎｇ．Ｔｏｏｌｓ．ａｎｄ．Ｔｅｃｈｎｉｑｕｅｓ，Ｓｅｃｏｎｄ　Ｅｄｉｔｉｏｎ［Ｍ］．Ｍｏｒ—　

ｇａｎ　Ｋａｕｆｍａｎｎ　ｐｕｂｌｉｓｈｅｒｓ，２００５．　

Ａｎ　Ｏｖｅｒｖｉｅｗ　ａｎｄ　Ｔｈｅｉｒ　Ｕｓｅ　ｉｎ　Ｍｅｄｉｃｉｎｅ『Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｍｅｄｉ—　

ｃａｌ　Ｓｙｓｔｅｍｓ，２００２，２６（５）：４４５—４６３．