一种车辆及其碰撞吸能控制装置、控制方法与流程

本发明涉及车辆技术领域，特别是涉及一种车辆及其碰撞吸能控制装置、控制方法。

背景技术：

汽车的安全性问题与人的生命安全直接相关，因此备受关注，例如：汽车安全座椅的安全性能。目前对座椅的设计只能针对前撞、侧撞和追尾事故中的一种碰撞类型，而并没有有效的吸能装置来减小碰撞的能量。现有技术采用新型机械结构防止汽车前撞工况下的座椅下潜和前移，类似的装置均能够在碰撞的过程中对乘员的位置进行约束，从而起到了比较好的防护作用，但是座椅仍然缺少有效的吸能装置，碰撞的能量依然很大。现阶段既能约束乘员的位置且带有吸能效果，并能够针对不同碰撞类型通用的座椅装置少之又少。

另一方面，目前对座椅的主动控制基本集中在提高座椅的舒适性方面，而在座椅安全性方面进行主动控制的发明和装置较少，因此如果能在主动控制的基础上提高座椅安全性，将会使乘员受到更加全面的保护。

因此，希望有一种技术方案来克服或至少减轻现有技术的上述缺陷中的至少一个。

技术实现要素：

本发明的目的在于提供一种车辆碰撞吸能控制装置及其方法来克服或至少减轻现有技术的上述缺陷中的至少一个。

为实现上述目的，本发明提供一种车辆碰撞吸能控制装置，所述车辆碰撞吸能控制装置包括座椅本体、阻尼组件、弹性密封连接构件、箱体、碰撞信息采集单元、乘员信息采集单元、座椅信息采集单元和ECU，其中：所述阻尼组件包括以垂直方式固定连接在所述座椅本体底部的阻尼板以及贯穿所述阻尼板的阻尼孔；内部封装有磁流变液的所述箱体通过弹性密封连接构件与所述阻尼组件密封连接；所述阻尼组件悬浮在所述磁流变液中而能够与所述箱体的内表面保持为隔开状态；所述碰撞信息采集单元用于采集车辆碰撞信息；所述乘员信息采集单元用于采集乘员信息；所述座椅信息采集单元用于采集所述座椅本体相对于车辆地板的速度信息；所述ECU用于接收所述车辆碰撞信息、乘员信息和所述座椅本体相对于车辆地板的速度信息，并根据输入的各所述信息计算作用到所述磁流变液的电流控制量，以控制所述磁流变液流经所述阻尼孔时的阻尼特性。

进一步地，所述ECU包括：第一BP神经网络模型，其用于以仿真的方式选取车辆碰撞信息和乘员信息为第一输入层输入向量、选取磁流变液阻尼力为第一输出层输出向量、选择所述第一输入层输入向量和第一输出层输出向量的样本数据以及利用该样本数据训练学习，以构建车辆碰撞信息、乘员信息与磁流变液产生的阻尼力之间的第一对应关系；以及用于接收所述碰撞信息采集单元采集到的实际车辆碰撞信息和所述乘员信息采集单元采集到的实际乘员信息，并根据所述第一对应关系，输出期望阻尼力值；第二BP神经网络模型，其用于以试验的方式选取磁流变液产生的阻尼力和座椅本体相对于车辆地板的速度信息为第二输入层输入向量、选取磁流变液输入电流为第二输出层输出向量、选择所述第二输入层输入向量和第二输出层输出向量的样本数据以及利用该样本数据训练学习，以构建磁流变液产生的阻尼力、座椅本体相对于车辆地板的速度信息和磁流变液输入电流的第二对应关系，以及用于接收所述座椅信息采集单元采集到的实际座椅本体相对于车辆地板的速度信息和所述第一BP神经网络模型输出的期望阻尼力值，并根据所述第二对应关系，输出作用到磁流变液输入电流的控制量。

进一步地，所述第一BP神经网络模型的第一对应关系和第二BP神经网络模型的第二对应关系都按照以下流程获得：

第一步，定义：输入层有n个神经元，隐含层有p个神经元，输出层有q个神经元，n、p和q均为正整数；

x＝(x₁,x₂,...,x_n)为所述输入层的输入向量；

hi＝(hi₁,hi₂,…,hi_p)为所述隐含层的输入向量；

ho＝(ho₁,ho₂,…,ho_p)为所述隐含层输出向量；

yi＝(yi₁,yi₂,…,yi_q)为所述输出层的输入向量；

yo＝(yo₁,yo₂,…,yo_q)为所述输出层输出向量；

d_o＝(d₁,d₂,…,d_q)为所述期望输出向量；

b_h为隐含层各神经元的阈值

b_o为输出层各神经元的阈值

w_ih为所述输入层与所述隐含层的连接权值；

w_ho为所述隐含层与所述输出层的连接权值；

μ₁、μ₂为学习率，其中0<μ₁<1,0<μ₂<1

f(x)为激活函数，

e为误差函数，

k＝1,2,…m为所述样本数据的个数；

第二步，网络的初始化及样本选取：

利用随机函数给各连接权值赋一个在区间(-1，1)内的随机数，设定误差函数e，给定计算精度ε和最大学习次数M；

选取第k个输入样本及期望输出：

x(k)＝(x₁(k),x₂(k),...,x_n(k))

d_o(k)＝(d₁(k),d₂(k),...,d_q(k))

第三步，计算各层神经元的输入和输出：

ho_h(k)＝f(hi_h(k)) h＝1,2,…,p

yo_o(k)＝f(yi_o(k)) o＝1,2,…q

第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数：

其中：

第五步，计算误差函数对输入层的各神经元的偏导数：

其中：

第六步，利用输出层各神经元的δ_o(k)和隐含层各神经元的输出来修正连接权值w_oh(k)：

第七步，利用隐含层各神经元的δ_h(k)和输入层各神经元的输入修正连接权：

第八步，计算全局误差：

第九步，判断网络误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回进入下一轮学习。

进一步地，所述阻尼组件中的所述阻尼板的数量为三块，被构造成交叉且相互垂直。

进一步地，所述阻尼组件还包括连接板，所述连接板的下表面连接各块所述阻尼板的顶部，上表面连接所述座椅本体，所述连接板外套设所述弹性密封连接构件。

进一步地，所述弹性密封连接构件呈环状，内圈套设在所述阻尼组件外；所述弹性密封连接构件具有供所述箱体的顶部开口嵌入的周向槽，以密封连接所述箱体和所述阻尼组件。

进一步地，所述箱体的四个侧面分别设置绕有励磁线圈的固定磁极板，所述固定磁极板通过电流放大器与所述ECU电连接，所述ECU输出的电流控制量依次经由所述电流放大器和固定磁极板，作用到所述磁流变液，以控制所述磁流变液流经所述阻尼孔的阻尼特性。

本发明还提供一种车辆，所述车辆包括如上所述的车辆碰撞吸能控制装置。

本发明还提供一种车辆碰撞吸能控制方法，所述车辆碰撞吸能控制方法包括：

步骤1，实时采集车辆碰撞信息、乘员信息和座椅本体相对于车辆地板的速度信息；步骤2，构建两个BP神经网络模型，其具体包括：步骤21，构建第一BP神经网络模型，以仿真的方式选取车辆碰撞信息和乘员信息为第一输入层输入向量、选取磁流变液阻尼力为第一输出层输出向量、选择所述第一输入层输入向量和第一输出层输出向量的样本数据以及利用该样本数据训练学习，以在第一BP神经网络模型中构建车辆碰撞信息、乘员信息与磁流变液产生的阻尼力之间的第一对应关系；步骤22，构建第二BP神经网络模型，以试验的方式选取磁流变液产生的阻尼力和座椅本体相对于车辆地板的速度信息为第二输入层输入向量、选取磁流变液输入电流为第二输出层输出向量、选择所述第二输入层输入向量和第二输出层输出向量的样本数据以及利用该样本数据训练学习，以在第二BP神经网络模型中构建磁流变液产生的阻尼力、座椅本体相对于车辆地板的速度信息和磁流变液输入电流的第二对应关系；步骤3，第一BP神经网络模型接收步骤1采集到的实际车辆碰撞信息和实际乘员信息，并根据其内构建好的第一对应关系，输出期望阻尼力值；步骤4，第二BP神经网络模型接收步骤1采集到的实际座椅本体相对于车辆地板的速度信息，并根据其内构建好的第二对应关系，输出作用到磁流变液输入电流的控制量；步骤5，利用步骤4得到的电流控制量控制磁流变液流经阻尼孔时的阻尼特性，以控制所述座椅本体的位移以及吸收能量。

进一步地，步骤21和步骤22都按照以下流程获得：

第一步，定义：输入层有n个神经元，隐含层有p个神经元，输出层有q个神经元，n、p和q均为正整数；

x＝(x₁,x₂,...,x_n)为所述输入层的输入向量；

hi＝(hi₁,hi₂,…,hi_p)为所述隐含层的输入向量；

ho＝(ho₁,ho₂,…,ho_p)为所述隐含层输出向量；

yi＝(yi₁,yi₂,…,yi_q)为所述输出层的输入向量；

yo＝(yo₁,yo₂,…,yo_q)为所述输出层输出向量；

d_o＝(d₁,d₂,…,d_q)为所述期望输出向量；

b_h为隐含层各神经元的阈值

b_o为输出层各神经元的阈值

w_ih为所述输入层与所述隐含层的连接权值；

w_ho为所述隐含层与所述输出层的连接权值；

μ₁、μ₂为学习率，其中0<μ₁<1,0<μ₂<1

f(x)为激活函数，

e为误差函数，

k＝1,2,…m为所述样本数据的个数；

第二步，网络的初始化及样本选取：

利用随机函数给各连接权值赋一个在区间(-1，1)内的随机数，设定误差函数e，给定计算精度ε和最大学习次数M；

选取第k个输入样本及期望输出：

x(k)＝(x₁(k),x₂(k),...,x_n(k))

d_o(k)＝(d₁(k),d₂(k),...,d_q(k))

第三步，计算各层神经元的输入和输出：

ho_h(k)＝f(hi_h(k)) h＝1,2,…,p

yo_o(k)＝f(yi_o(k)) o＝1,2,…q

第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数：

其中：

第五步，计算误差函数对输入层的各神经元的偏导数：

其中：

第六步，利用输出层各神经元的δ_o(k)和隐含层各神经元的输出来修正连接权值w_oh(k)：

第七步，利用隐含层各神经元的δ_h(k)和输入层各神经元的输入修正连接权：

第八步，计算全局误差：

第九步，判断网络误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回进入下一轮学习。

在车辆碰撞事故发生时，本发明能够利用碰撞信息采集单元获取车辆碰撞信息，比如：碰撞类型(正碰、侧碰和追尾)和碰撞严重程度等信息，利用乘员信息采集单元获取乘员信息，比如：乘员的体型和坐姿等信息，利用座椅信息采集单元获取座椅本体对于车辆地板的速度信息，并基于这些信息以及相应的控制策略给出相应的电流控制量，通过改变磁场强度，使磁流变液中的磁性颗粒在磁场中会改变原本杂乱无章排列方式，变为按照某个方向有序排列，改变磁流变液的流向，控制磁流变液的粘度为合适数值，改变交叉型阻尼板在磁流变液体中移动的难易程度，使座椅本体产生可接受的位移，约束人体的位置，提高对乘员的防护效果。此外，由于可接受位移的产生，有粘性的磁流变液会产生高速流动，其流经阻尼板上的阻尼孔时产生热量，该过程能够明显地消耗碰撞能量，减轻对人体的伤害，大大提高了汽车的碰撞安全性，达到明显地提高碰撞安全性的效果。

附图说明

图1是根据本发明所提供的车辆碰撞吸能控制装置一优选实施例的结构示意图。

图2是图1中的座椅的结构示意图。

图3是图1中的弹性密封连接件的结构示意图。

图4是图1中的车辆碰撞吸能控制装置的控制流程图。

具体实施方式

在附图中，使用相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面结合附图对本发明的实施例进行详细说明。

在本发明的描述中，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。

如图1至图3所示，本实施例所提供的车辆碰撞吸能控制装置包括座椅本体1、阻尼组件2、弹性密封连接构件3、箱体4、碰撞信息采集单元5、乘员信息采集单元7、座椅信息采集单元8和ECU(Electronic Control Unit，车载电脑)9，其中：

阻尼组件2包括阻尼板21和连接板23，其中，阻尼板21以垂直方式固定连接在座椅本体1底部，并且，阻尼板21上布满有贯穿阻尼板21的阻尼孔22。连接板23的下表面连接各块阻尼板21的顶部，上表面通过连接件11固定连接座椅本体1。

弹性密封连接构件3属于弹性元件，当其某一方向产生振动时，其可以起到类似弹簧的作用，对座椅进行缓冲减振，并且可以限制座椅在三维方向的位移不至于过大。

箱体4的底部固定连接在地板12上。箱体4内部封装有磁流变液6，并通过弹性密封连接构件3与阻尼组件2密封连接。阻尼组件2置于磁流变液6中，利用浮力和弹性密封连接构件3的拉力使阻尼组件悬浮，阻尼组件2能够悬浮在磁流变液6中，与箱体4的内表面始终保持为隔开状态。

碰撞信息采集单元5用于采集车辆的实际碰撞信息，车辆的实际碰撞信息主要包括两部分，一部分是碰撞类型(正碰、侧碰和追尾)，另一部分是碰撞严重程度。

优选地，碰撞信息采集单元5可以采用加速度传感器，加速度传感器用于采集车辆碰撞时的加速度信息，该加速度信息包括加速度的方向和大小。加速度传感器安装在车身的前部、两侧和尾部，前部和尾部的加速度传感器能够检测在车辆纵向的加速度信息，两侧的加速度传感器能够检测在车辆横向的加速度信息。上述加速度传感器可以是车辆上的安全气囊系统本身具有的传感器，无需另外增设。

在车辆发生碰撞事故时，碰撞加速度传感器采集的加速度信息输入到ECU9，由ECU9根据加速度信息判定车辆的实际碰撞信息。ECU9的判定方法可通过下面例子得以说明：

在车辆正碰撞发生时，相应的加速度传感器检测到加速度的方向和大小，并将该加速度信息处理后传输到ECU9，ECU9中可以写入程序，一方面对输入的加速度的绝对值大小进行分析，给出碰撞严重程度级别；另一方面对加速度的方向进行分析，得知加速度方向为朝向车辆后方，那么可判定为碰撞类型是正碰。侧碰和追尾的判断方法类似，在此不再一一赘述。

乘员信息采集单元7用于采集乘员信息，乘员信息主要包括乘员的体型和坐姿等信息。

优选地，乘员信息采集单元7可以采用图像传感器和图像处理芯片，其中：图像传感器安装在乘员室内，比如车内后视镜的旁边，用于对车内的乘员进行图像采集。图像处理芯片连接图像传感器，用于接收图像传感器采集到的乘员图像信息，并将采集到的乘员图像信息输送给图像处理芯片，图像处理芯片基于图像边缘灰度突变的特性识别人体轮廓，得到乘员的体型信息，输入到ECU9。在车辆发生碰撞时，图像传感器再次进行图像采集，该采集到的图像信息经图像处理芯片处理，得到人体的坐姿信息，输入到ECU9。通过准确获取乘员的体型和坐姿信息，可以有效地对乘员进行防护。

座椅信息采集单元8用于采集座椅信息，座椅信息主要包括座椅本体1与地板12之间的相对位移信息。优选地，座椅信息采集单元8可以采用位移传感器，位移传感器安装在座椅本体1与地板12之间，以采集获得座椅本体1与地板12之间的相对位移信息，该相对位移信息输入到ECU9，由ECU9求导数处理后，获得座椅本体1与地板12之间的相对速度信息。

ECU9用于接收所述车辆碰撞信息、乘员信息和座椅信息，并根据输入的所述车辆碰撞信息、乘员信息和座椅信息计算作用到磁流变液6的电流控制量，以控制磁流变液6流经阻尼孔22时的阻尼特性，以改变磁流变液6流经阻尼孔22时的难易程度。

显然，阻尼组件2悬浮在磁流变液6中，这相当于座椅本体1始终处于一个悬浮状态，随着车辆的运动工况的变化，座椅本体1会产生相应的运动，与座椅本体1连接的阻尼组件2将座椅本体1的运动传递给磁流变液6，使磁流变液6朝与运动方向相对应的方向流经阻尼孔22。本领域技术人员可以知晓的是：磁流变液6的粘度会直接影响到磁流变液6的流动性，进而影响到磁流变液6流经阻尼孔22时的难易程度。

在车辆碰撞事故发生时，本实施例能够利用碰撞信息采集单元获取车辆碰撞信息，比如：碰撞类型(正碰、侧碰和追尾)和碰撞严重程度等信息，利用乘员信息采集单元获取乘员信息，比如：乘员的体型和坐姿等信息，利用座椅信息采集单元获取座椅本体对于车辆地板的速度信息，并基于采集到的各信息以及相应的控制策略给出相应的电流控制量，通过改变磁场强度，使磁流变液中的磁性颗粒在磁场中会改变原本杂乱无章排列方式，变为按照某个方向有序排列，改变磁流变液的流向，控制磁流变液的粘度为合适数值，改变交叉型阻尼板在磁流变液体中移动的难易程度，使座椅本体产生可接受的位移，约束人体的位置，有效的防止人体下潜，提高对乘员的防护效果。

与此同时，由于可接受位移的产生，有粘性的磁流变液会产生高速流动，其流经阻尼板上的阻尼孔时产生热量，该过程能够明显地消耗碰撞能量，减轻对人体的伤害，大大提高了汽车的碰撞安全性，达到明显地提高碰撞安全性的效果。类似地，侧碰、追尾等事故发生时，该座椅装置可以产生可接受的位移量，进而有效的吸收碰撞的能量，全面提高汽车的碰撞安全性。

在一个实施例中，为满足安全要求，本实施例利用BP神经网络算法对磁流变液式安全座椅进行控制，BP神经网络算法能学习和存贮大量的输入输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。BP神经网络算法的学习规则是使用最速下降法，通过反向传播误差来不断调整各层神经单元的权值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐含层和输出层，每一层都有一定数量的神经元节点组成。各层神经元之间的交互反应由激活函数来描述。具体如下：

ECU9包括第一BP神经网络模型和第二BP神经网络模型，其中：

第一BP神经网络模型用于以仿真的方式选取车辆碰撞信息和乘员信息为第一输入层输入向量、选取磁流变液阻尼力为第一输出层输出向量、选择所述第一输入层输入向量和第一输出层输出向量的样本数据以及利用该样本数据训练学习，以构建车辆碰撞信息、乘员信息与磁流变液产生的阻尼力之间的第一对应关系；以及用于接收碰撞信息采集单元5采集到的实际车辆碰撞信息和乘员信息采集单元7采集到的实际乘员信息，并根据所述第一对应关系，输出期望阻尼力值。

第二BP神经网络模型用于以试验的方式选取磁流变液产生的阻尼力和座椅本体相对于车辆地板的速度信息为第二输入层输入向量、选取磁流变液输入电流为第二输出层输出向量、选择所述第二输入层输入向量和第二输出层输出向量的样本数据以及利用该样本数据训练学习，以构建磁流变液产生的阻尼力、座椅本体相对于车辆地板的速度信息和磁流变液输入电流的第二对应关系，以及用于接收座椅信息采集单元8采集到的实际座椅信息和所述第一BP神经网络模型输出的期望阻尼力值，并根据所述第二对应关系，输出作用到磁流变液输入电流的控制量。

在一个实施例中，所述第一BP神经网络模型的第一对应关系和第二BP神经网络模型的第二对应关系都按照以下流程获得：

第一步，定义：输入层有n个神经元，隐含层有p个神经元，输出层有q个神经元，n、p和q均为正整数；

x＝(x₁,x₂,...,x_n)为所述输入层的输入向量；

hi＝(hi₁,hi₂,…,hi_p)为所述隐含层的输入向量；

ho＝(ho₁,ho₂,…,ho_p)为所述隐含层输出向量；

yi＝(yi₁,yi₂,…,yi_q)为所述输出层的输入向量；

yo＝(yo₁,yo₂,…,yo_q)为所述输出层输出向量；

d_o＝(d_1,d₂,…,d_q)为所述期望输出向量；

b_h为隐含层各神经元的阈值

b_o为输出层各神经元的阈值

w_ih为所述输入层与所述隐含层的连接权值；

w_ho为所述隐含层与所述输出层的连接权值；

μ₁、μ₂为学习率，其中0<μ₁<1,0<μ₂<1

f(x)为激活函数，

e为误差函数，

k＝1,2,…m为所述样本数据的个数；

第二步，网络的初始化及样本选取：

利用随机函数给各连接权值赋一个在区间(-1，1)内的随机数，设定误差函数e，给定计算精度ε和最大学习次数M；

选取第k个输入样本及期望输出：

x(k)＝(x₁(k),x₂(k),...,x_n(k))

d_o(k)＝(d₁(k),d₂(k),...,d_q(k))

第三步，计算各层神经元的输入和输出：

ho_h(k)＝f(hi_h(k)) h＝1,2,…,p

yo_o(k)＝f(yi_o(k)) o＝1,2,…q

第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数：

其中：

第五步，计算误差函数对输入层的各神经元的偏导数：

其中：

第六步，利用输出层各神经元的δ_o(k)和隐含层各神经元的输出来修正连接权值w_oh(k)：

第七步，利用隐含层各神经元的δ_h(k)和输入层各神经元的输入修正连接权：

第八步，计算全局误差：

第九步，判断网络误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回进入下一轮学习。

在一个实施例中，阻尼组件2中的阻尼板21的数量为三块，被构造成交叉且相互垂直。阻尼板21形成的结构类似于在十字交叉结构，因此，座椅本体1上下运动时：水平布置的阻尼板21起到了阻尼器的作用。座椅本体1左右、前后运动时：竖直布置的两块阻尼板21起到阻尼器的作用。

本实施例利用三维空间相互垂直的阻尼板，并结合利用BP神经网络算法对磁流变液式安全座椅进行控制，可实现空间中各方向上的阻尼变化控制，在面对不同的车辆碰撞时，ECU9在接收到车辆碰撞信息、乘员信息和座椅信息后，能够根据输入的各所述信息计算作用到磁流变液6的电流控制量，从而改变磁场强度，进而产生不同的阻尼力，实现在三维空间全方位约束座椅本体的位移，进而约束人体的位置，有效的防止人体下潜，提高对乘员的防护效果。

如图3所示，弹性密封连接构件3由弹性材料制成，且呈环状，内圈套设在阻尼组件2的连接板23外。弹性密封连接构件3具有供箱体4的顶部开口嵌入的周向槽31，以密封连接箱体4和阻尼组件2。弹性密封连接构件3还起到类似于弹簧的作用，用于对阻尼组件2产生拉力使之与阻尼组件2重力平衡，加上磁流变液6的浮力作用，使之悬浮在磁流变液6中。

在一个实施例中，所述车辆碰撞吸能控制装置还包括模数/数模转换器10、信号放大调理电路13和电流放大器14，其中：

模数/数模转换器10用于将碰撞时的加速度信息、座椅本体1与地板12之间的相对位移信息由模拟信号转化成数字信号以及用于将ECU9输出的电流控制量由数字信号转化成模拟信号，该模拟信号作用到磁流变液6，控制磁流变液6的阻尼特性。

信号放大调理电路13电连接在加速度传感器与ECU9之间以及位移传感器与ECU9之间，用于将采集到的加速度信息和座椅本体1与地板12之间的相对位移信息进行放大、整流和滤波后，然后通过模数/数模转换器10处理后输送给ECU9。

电流放大器14电连接在所述模数/数模转换器10和固定磁极板15之间，用于将ECU9输出的电流控制量放大后，输送给所述固定磁极板15。

箱体4的四个侧面分别设置绕有励磁线圈的固定磁极板15，固定磁极板15通过电流放大器14与模数/数模转换器10电连接，ECU9输出的电流控制量依次经由模数/数模转换器10、电流放大器14和固定磁极板15，作用到所述磁流变液6。

下面以汽车前碰撞为例，对本发明工作过程进行详细描述：

当乘员上车后，图像传感器对人体进行图像采集，并将乘员图像信息传到图像处理芯片，图像处理芯片基于图像边缘灰度突变的特性识别人体轮廓得到人体体型信息，人体体型信息被传输到ECU。当碰撞事故发生时，图像传感器会再次对乘员进行图像采集，该图像信息经图像处理芯片处理后得到人体的坐姿信息，并传输到ECU。与此同时，安装在车身的前部两侧、中部和尾部的碰撞加速度传感器，采集碰撞时的加速度信号经信号放大调理电路进行信号处理后传到模数转换器中进行数据转换，转换后的信号输入到ECU进行处理，根据处理后的加速度值大小判断事故的严重程度，根据碰撞加速度的方向判断事故发生的类型为前碰撞。

ECU接收到体型、坐姿、碰撞严重程度和碰撞类型这四个输入量后，ECU中的第一BP神经网络模型得到的期望阻尼力。

在碰撞发生的同时，位移传感器获得座椅本体相对于车辆地板的相对位移信息，该相对位移信息经信号放大调理电路进行信号处理后，传输到模数转换器中进行模数转换，模数转换后的信号输入到ECU，由ECU求导数处理后得到座椅本体相对于车辆地板之间的相对速度。

第一BP神经网络模型得到的期望阻尼力和座椅本体相对于车辆地板之间的相对速度作为输入向量输入到第二BP神经网络模型之中，输出电流控制量。电流控制量比例缩小后输出。

比例缩小后的电流控制量经经由模转换器进行数模转换后输入到电流放大器进行放大，之后电流输入到固定磁极板中的励磁线圈中，产生磁场，使磁流变液中的磁性颗粒从杂乱无章排列变为有序排列，控制磁流变液体的粘度为合适数值，改变交叉型阻尼板在磁流变液体中移动的难易程度，使座椅本体产生可接受的位移，约束人体的位置，有效的防止人体下潜，提高乘员的防护效果。

由于可接受位移的产生，有粘性的磁流变液会产生高速流动，其流经阻尼板孔时产生热量可以明显地消耗碰撞能量，减轻对人体的伤害，大大提高了汽车的碰撞安全性，达到明显地提高碰撞安全性的效果。类似的，侧碰、追尾等事故发生时，该座椅装置可以产生可接受的位移量，进而有效的吸收碰撞的能量，全面提高汽车的碰撞安全性。

本发明还提供一种车辆，所述车辆包括如上述各实施例所述的车辆碰撞吸能控制装置。

本发明还提供一种车辆碰撞吸能控制方法，所述车辆碰撞吸能控制方法包括：

步骤1，实时采集车辆碰撞信息、乘员信息和座椅本体相对于车辆地板的速度信息；

步骤2，构建两个BP神经网络模型，其具体包括：

步骤21，构建第一BP神经网络模型，以仿真的方式选取车辆碰撞信息和乘员信息为第一输入层输入向量、选取磁流变液阻尼力为第一输出层输出向量、选择所述第一输入层输入向量和第一输出层输出向量的样本数据以及利用该样本数据训练学习，以在第一BP神经网络模型中构建车辆碰撞信息、乘员信息与磁流变液产生的阻尼力之间的第一对应关系；

步骤22，构建第二BP神经网络模型，以试验的方式选取磁流变液产生的阻尼力和座椅本体相对于车辆地板的速度信息为第二输入层输入向量、选取磁流变液输入电流为第二输出层输出向量、选择所述第二输入层输入向量和第二输出层输出向量的样本数据以及利用该样本数据训练学习，以在第二BP神经网络模型中构建磁流变液产生的阻尼力、座椅本体相对于车辆地板的速度信息和磁流变液输入电流的第二对应关系；

步骤3，第一BP神经网络模型接收步骤1采集到的实际车辆碰撞信息和实际乘员信息，并根据其内构建好的第一对应关系，输出期望阻尼力值；

步骤4，第二BP神经网络模型接收步骤1采集到的实际座椅本体相对于车辆地板的速度信息，并根据其内构建好的第二对应关系，输出作用到磁流变液输入电流的控制量；

步骤5，利用步骤4得到的电流控制量控制磁流变液流经阻尼孔时的阻尼特性，以控制所述座椅本体的位移以及吸收能量。

在一个实施例中，步骤21和步骤22都按照以下流程获得：

第一步，定义：输入层有n个神经元，隐含层有p个神经元，输出层有q个神经元，n、p和q均为正整数；

x＝(x₁,x₂,...,x_n)为所述输入层的输入向量；

hi＝(hi₁,hi₂,…,hi_p)为所述隐含层的输入向量；

ho＝(ho₁,ho₂,…,ho_p)为所述隐含层输出向量；

yi＝(yi₁,yi₂,…,yi_q)为所述输出层的输入向量；

yo＝(yo₁,yo₂,…,yo_q)为所述输出层输出向量；

d_o＝(d₁,d₂,…,d_q)为所述期望输出向量；

b_h为隐含层各神经元的阈值

b_o为输出层各神经元的阈值

w_ih为所述输入层与所述隐含层的连接权值；

w_ho为所述隐含层与所述输出层的连接权值；

μ₁、μ₂为学习率，其中0<μ₁<1,0<μ₂<1

f(x)为激活函数，

e为误差函数，

k＝1,2,…m为所述样本数据的个数；

第二步，网络的初始化及样本选取：

利用随机函数给各连接权值赋一个在区间(-1，1)内的随机数，设定误差函数e，给定计算精度ε和最大学习次数M；

选取第k个输入样本及期望输出：

x(k)＝(x₁(k),x₂(k),...,x_n(k))

d_o(k)＝(d₁(k),d₂(k),...,d_q(k))

第三步，计算各层神经元的输入和输出：

ho_h(k)＝f(hi_h(k)) h＝1,2,…,p

yo_o(k)＝f(yi_o(k)) o＝1,2,…q

第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数：

其中：

第五步，计算误差函数对输入层的各神经元的偏导数：

其中：

第六步，利用输出层各神经元的δ_o(k)和隐含层各神经元的输出来修正连接权值w_oh(k)：

第七步，利用隐含层各神经元的δ_h(k)和输入层各神经元的输入修正连接权：

第八步，计算全局误差：

第九步，判断网络误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回进入下一轮学习。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。