Applicazione delle Data Driven Techniques alla previsione della prestazione di comfort del sedile

Studi precedenti riportano e analizzano la relazione tra le valutazioni soggettive del comfort del sedile percepito e la distribuzione della pressione dell’interfaccia Body – Seat (IPD) o altre misurazioni oggettive (posturale). In questo lavoro abbiamo esplorato l’applicazione di tecniche di modellazione predittiva avanzate e potenti al problema sopra citato.

Due di diverse tecniche di inferenza basate sui dati sono state considerate e migliorate per questa specifica attività di analisi e modellazione: Rete neurale artificiale (ANN) e Metodo Parzen. Sulla base del potenziale di questi modelli predittivi, viene descritto il concetto del loro ruolo nel processo di sviluppo del prodotto.

Rispetto alla tradizionale analisi di regressione multivariata, la ANN e, in particolare, il modello Parzen presentano i seguenti importanti vantaggi intrinseci:

• Funzionalità di modellazione per relazioni non lineari
• Stima dell’affidabilità della previsione
• Rilevazione di distribuzioni multimodali

Un esperimento pilota preliminare è stato progettato e realizzato per fornire i dati necessari per stabilire e testare una versione semplificata del modello. Segnaliamo che lo studio qui presentato è dedicato all’analisi del comfort biomeccanico.

Sebbene sia il più importante, il comfort biomeccanico è solo uno dei componenti delle prestazioni di comfort complessive del sedile. È stato sviluppato un metodo per la specifica del modello su un set di dati disponibile. È stato anche definito un metodo per testare l’efficacia della predittività e l’accuratezza del modello.

I risultati preliminari sono incoraggianti e ci hanno permesso di raccogliere importanti indicazioni per ulteriori sviluppi. Sono state evidenziate le difficoltà nell’operare con dati quantitativi soggettivi.