一种采用基于滤波的时域数据增强方法的神经网络模型，用于预测振动不适感

《Ergonomics》：A neural network model with filtering-based time-domain data augmentation method for predicting vibration discomfort

振动舒适性评估与LSTM预测模型研究。针对多用途车辆第二排座椅振动引起的不适问题，通过四柱试验台采集座椅不同部件的三维时域加速度数据，构建LSTM神经网络预测模型。采用白噪声滤波数据增强方法提升样本量，实验表明仅使用靠背加速度可达到最佳预测精度（92.3%），而增加其他部件振动参数会降低模型性能。本研究建立了基于多源振动特征的乘员舒适性评估框架。

　　

摘要

本研究调查了多用途车辆（MPV）第二排座椅因振动而产生的不适感，并提出了一种基于深度学习的舒适度预测模型。实验在四柱测试平台上进行，收集了在三种方向上（靠背、座椅主体和扶手）的时域加速度数据，同时考虑了不同的座椅减震器设计和车辆运行条件。研究开发了一种长短期记忆（LSTM）神经网络，用于模拟客观振动特征与主观不适评分之间的非线性关系。为了增加样本量并提高模型的泛化能力，通过添加白噪声信号来匹配测量到的加速度的频谱特征，从而实现了数据增强策略。结果表明，使用三维靠背加速度作为输入时预测精度较高；然而，当扩展输入特征以包含其他座椅部件的振动信息时，预测性能会下降。本研究为建立座椅振动与乘员不适感之间的关系提供了一个模型框架。