能夠?qū)㈩l率相關阻尼器的測試數(shù)據(jù)作為機器學習實體的能力，從而允許通過虛擬整車模擬進行可靠的行駛預測。     

01    客戶背景

現(xiàn)代車輛懸架系統(tǒng)經(jīng)過精心設計号蒙，在保持良好的平順性和舒適性的同時，能夠滿足一流的操控性能——被動懸架在良好的行駛舒適性和良好的操控性能之間做出了妥協(xié)渣先。頻率選擇減振器（FSD）用于獲得最佳的乘坐和操縱性能物坝。本研究使用定量方法來確定懸架參數(shù)的范圍，以提高乘坐舒適性和操縱性能赫淋。被動阻尼器使用簡單的非線性曲線（力與速度）建模妖职，該曲線與FSD阻尼器模型的相關性不好。

在現(xiàn)代乘用車的發(fā)展過程中期庆，減振器的選擇在很大程度上涉及主觀測試歇懂。本文所提出的方法在模擬開發(fā)過程中更準確地預測了行駛和操縱性能。

需要一個系統(tǒng)來實時監(jiān)測和預測懸架支柱的性能耐陵。機器學習（ML）和人工智能（AI）已被應用于FSD阻尼器系統(tǒng)的建模和預測晃尖。然而，實現(xiàn)ML或AI以建模和預測SUV車輛中液壓氣動支柱的性能的工作尚未完成俏蛮。因此撑蚌，目前的這項工作將是開發(fā)ML和AI模型以解決這一問題。

為了實現(xiàn)這一目標嫁蛇，需要采用neighbours=3锨并，power=2的逆動力學求解器。我們使用ODYSSEE與Quasar Embedded的集成以及MATLAB Simulink進行ML/AI模型開發(fā)睬棚。然后第煮，我們比較了兩種ML/AI方法的結果∫值常總試驗數(shù)據(jù)的80%用于模型的開發(fā)和訓練包警。剩下的20%用于開發(fā)模型的測試和驗證撵摆。逆動力學模型顯示了FSD阻尼器系統(tǒng)性能預測的期望精度。本文研究結果表明害晦，機器學習方法改善了項目的行駛和操縱預測開發(fā)階段特铝，顯著縮短了測試時間。

02    使用ODYSSEE CAE學習測試數(shù)據(jù)

ODYSSEE CAE是一個獨特而強大的以CAE為中心的創(chuàng)新平臺壹瘟，允許工程師將機器學習鲫剿、人工智能、降階建模（ROM）和設計優(yōu)化應用于工作流程宽剪。它允許用戶通過實時預測建模锭鸣、優(yōu)化CAE模擬和物理測試數(shù)據(jù)，創(chuàng)建經(jīng)濟高效的數(shù)字孿生葵张，從而從現(xiàn)代數(shù)據(jù)科學技術中獲益局限。

Mahindra研究谷是Mahindra的研究中心，處于數(shù)字模擬創(chuàng)新的前沿哀擒，以確保每一款新產(chǎn)品的推出都經(jīng)過對各種車輛屬性的精心設計棵辟，為客戶提供愉快的體驗。

在本文的研究中讳董，工程師們希望在Adams Car汽車模型中加入懸架減振器渗蚁。阻尼器產(chǎn)生的力是阻尼器兩端之間的相對位移、相對速度和相對加速度的函數(shù)卿怀。因此卿裙，阻尼器可以通過使用測試數(shù)據(jù)或1D工具中的獨立系統(tǒng)模型在各種操作條件下測量上述四個量來表征。下表列出了輸入和輸出量的數(shù)據(jù)镣凯。每一行代表一個數(shù)據(jù)點，有三個輸入和一個輸出砍的。具體來說痹筛，輸入位于R^3空間中，而輸出位于R空間中廓鞠。學習一個封閉形式的響應面并實現(xiàn)它可能具有挑戰(zhàn)性帚稠。然而，在這種情況下開發(fā)的方法是通用的床佳，并且可擴展到N維輸入空間滋早。

圖1. 用來訓練ODYSSEE模型的測試數(shù)據(jù)

學習步驟包括將上述測試數(shù)據(jù)輸入到ODYSSEE的Quasar求解器。求解器可以使用各種機器學習算法對數(shù)據(jù)進行迭代砌们，以查看哪種算法對手頭的數(shù)據(jù)表現(xiàn)最好杆麸，并生成機器學習參數(shù)。

從ODYSSEE Quasar學習的模型被打包為動態(tài)鏈接庫（.dll）形式浪感，并移植到Adams中進行車輛級模擬昔头。

03    嵌入到Adams Car中

通過Adams Car垂直產(chǎn)品饼问，工程團隊可以快速構建和測試整車和車輛子系統(tǒng)的功能虛擬原型。在Adams Car汽車垂直環(huán)境中工作揭斧，汽車工程團隊可以在各種道路條件下測試他們的汽車設計莱革，進行與他們通常在測試實驗室或測試跑道上進行的測試相同的測試，但只需很短的時間焊握。

在本研究中揣洁，車輛懸架系統(tǒng)中的阻尼器被實現(xiàn)為Adams的單個部分力，該力作為下支柱連接點和上支柱連接點之間的作用-反作用實體园赴。該力的值來自基于支柱端點之間測量的相對位移蚊来、相對速度和相對加速度的變量。這些值輸入用戶子程序（dll）汗歧，力值的輸出發(fā)送到阻尼器逢君。對于這一阻尼力的查詢發(fā)生在行進模擬的每一步中。該圖顯示了Adams環(huán)境中此操作的實現(xiàn)片段惶嗓。

圖2. 使用FSD測試數(shù)據(jù)生成ODYSSEE模型

圖3. 在Adams整車模型中嵌入ODYSSEE模型

圖4. 嵌入整車模型

04    

結  果

機器學習模型可以高精度地復制真實的阻尼器性能蒲妹。輸入機器學習算法的數(shù)據(jù)量越多，模型的性能就越好尸粒。下圖結果顯示了模型與真實測試數(shù)據(jù)相比的表現(xiàn)块透。

圖5. 實測阻尼器力和ODYSSEE預測值的對比

05    

結  論

Mahindra研究谷的車輛動力學團隊能夠使用Adams和ODYSSEE進行創(chuàng)新，在車輛模擬中實現(xiàn)與頻率相關的阻尼器事矾。如果沒有使用ODYSSEE CAE的Quasar求解器及其機器學習算法學習測試數(shù)據(jù)的能力巍碍，這項任務將非常繁瑣或完全不可能完成。

06    

客戶評價

使用ODYSSEE的頻率相關阻尼器建模有助于探索MBD模擬中阻尼器特性的傳統(tǒng)建模之外的問題甥材。這為我們引入更復雜的阻尼器特性并提高模擬模型的保真度提供了動力盯另。

（海克斯康工業(yè)軟件）

聲明：本網(wǎng)站所收集的部分公開資料來源于互聯(lián)網(wǎng)洲赵，轉載的目的在于傳遞更多信息及用于網(wǎng)絡分享鸳惯，并不代表本站贊同其觀點和對其真實性負責，也不構成任何其他建議叠萍。本站部分作品是由網(wǎng)友自主投稿和發(fā)布芝发、編輯整理上傳，對此類作品本站僅提供交流平臺苛谷，不為其版權負責辅鲸。如果您發(fā)現(xiàn)網(wǎng)站上所用視頻、圖片腹殿、文字如涉及作品版權問題独悴，請第一時間告知，我們將根據(jù)您提供的證明材料確認版權并按國家標準支付稿酬或立即刪除內(nèi)容赫蛇，以保證您的權益绵患！聯(lián)系電話：010-58612588 或 Email:editor@mmsonline.com.cn拔馆。