针对碰撞测试中的时序数据，开发了融合多尺度卷积与通道注意力机制的CNN_Enhanced模型。模型通过堆叠扩张卷积捕捉长程时序依赖，结合SEBlock动态强化关键特征通道，最终全连接层实现序列映射。
负责模型设计、优化与结果分析全流程，基于PyTorch设计基于单分支TCN与自注意力机制的深度学习模型，实现对头部伤害风险（HIC值）及碰撞曲线的高精度预测，准确率达93%，将相关车型迭代周期缩短30%，显著提升研发效率与碰撞安全分析能力。
项目背景：在汽车安全性能评估领域，碰撞测试中的头部伤害指数（HIC）是衡量乘员保护能力的重要指标。传统方法依赖物理仿真和实验数据分析，存在计算成本高、泛化性不足的痛点。随着传感器技术的普及，高频时序数据（如加速度、碰撞应力信号）为数据驱动的预测模型提供了可能。本项目旨在通过深度学习技术，构建端到端的时序预测模型，实现从实时传感器数据到HIC动态趋势的高效映射，为车辆安全设计优化提供智能支持。
图1 汽车碰撞HIC测试点位
技术路线：
（1）数据处理
将2000点个时序数据分割为前段输入与后段预测目标，确保模型学习输入到输出的直接映射关系。提供高斯滤波与滑动平均两种平滑方案，根据信号特性动态抑制高频噪声，保留有效趋势特征。通过升维操作将原始序列转换为适合卷积网络的张量结构，同时保持标签数据的原始分布特性，避免信息扭曲。
（2）模型架构设计
多尺度卷积组：通过堆叠卷积层捕获局部时序模式，形成初步特征表示。采用渐进式扩张率的卷积核，在不增加参数量的前提下扩大感受野，捕捉长程依赖关系。通过多级池化操作逐步降低序列分辨率，平衡计算效率与特征保留需求。
动态特征优化：在关键网络层嵌入SE模块，通过全局平均池化获取通道统计量，生成自适应权重强化重要特征通道。在卷积层后衔接激活函数，引入非线性表达能力，增强复杂模式的拟合能力。
输出映射层：采用全连接网络将高维特征空间映射到目标序列维度，通过端到端训练实现从抽象特征到物理量值的直接解码。
（3）训练优化方法
损失函数选择：采用SmoothL1Loss（Huber Loss），超参数beta=1.0，平衡L1的鲁棒性和L2的梯度稳定性。余弦退火调度器：T_max=50周期，实现学习率从0.0005震荡下降。
项目结果：
图2 真实VS预测结果对比
图3 HIC相对平均误差分布
图4 交付操作界面