<address id="lvvvb"></address>
    <span id="lvvvb"><rp id="lvvvb"><i id="lvvvb"></i></rp></span>
    <big id="lvvvb"></big>

    <address id="lvvvb"></address>
    

      <dl id="lvvvb"><strike id="lvvvb"><delect id="lvvvb"></delect></strike></dl>

      <address id="lvvvb"></address>
      info
      西門子 Simcenter STAR-CCM+ 應用案例分享
      行業動態
      MORE...
      PTC
      應用案例
      MORE...
      技術前沿
      MORE...
      當前位置:首頁 數字化制造 正文
      設計仿真 | 馬恒達使用Adams與 ODYSSEE機器學習構建頻率相關阻尼器準確預測行駛和操縱性能
      轉載 :  zaoche168.com   2025年01月13日
      聯系企業

      能夠將頻率相關阻尼器的測試數據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

      現代車輛懸架系統經過精心設計,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。頻率選擇減振器(FSD)用于獲得最佳的乘坐和操縱性能。本研究使用定量方法來確定懸架參數的范圍,以提高乘坐舒適性和操縱性能。被動阻尼器使用簡單的非線性曲線(力與速度)建模,該曲線與FSD阻尼器模型的相關性不好。

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

      需要一個系統來實時監測和預測懸架支柱的性能。機器學習(ML)和人工智能(AI)已被應用于FSD阻尼器系統的建模和預測。然而,實現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。因此,目前的這項工作將是開發ML和AI模型以解決這一問題。

      為了實現這一目標,需要采用neighbours=3,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。然后,我們比較了兩種ML/AI方法的結果??傇囼灁祿?0%用于模型的開發和訓練。剩下的20%用于開發模型的測試和驗證。逆動力學模型顯示了FSD阻尼器系統性能預測的期望精度。本文研究結果表明,機器學習方法改善了項目的行駛和操縱預測開發階段,顯著縮短了測試時間。

      02 使用ODYSSEE CAE學習測試數據

      ODYSSEE CAE是一個獨特而強大的以CAE為中心的創新平臺,允許工程師將機器學習、人工智能、降階建模(ROM)和設計優化應用于工作流程。它允許用戶通過實時預測建模、優化CAE模擬和物理測試數據,創建經濟高效的數字孿生,從而從現代數據科學技術中獲益。

      Mahindra研究谷是Mahindra的研究中心,處于數字模擬創新的前沿,以確保每一款新產品的推出都經過對各種車輛屬性的精心設計,為客戶提供愉快的體驗。

      在本文的研究中,工程師們希望在Adams Car汽車模型中加入懸架減振器。阻尼器產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。因此,阻尼器可以通過使用測試數據或1D工具中的獨立系統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據。每一行代表一個數據點,有三個輸入和一個輸出。具體來說,輸入位于R^3空間中,而輸出位于R空間中。學習一個封閉形式的響應面并實現它可能具有挑戰性。然而,在這種情況下開發的方法是通用的,并且可擴展到N維輸入空間。

      圖1. 用來訓練ODYSSEE模型的測試數據

      學習步驟包括將上述測試數據輸入到ODYSSEE的Quasar求解器。求解器可以使用各種機器學習算法對數據進行迭代,以查看哪種算法對手頭的數據表現最好,并生成機器學習參數。

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

      03 嵌入到Adams Car中

      通過Adams Car垂直產品,工程團隊可以快速構建和測試整車和車輛子系統的功能虛擬原型。在Adams Car汽車垂直環境中工作,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,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。

      在本研究中,車輛懸架系統中的阻尼器被實現為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。該力的值來自基于支柱端點之間測量的相對位移、相對速度和相對加速度的變量。這些值輸入用戶子程序(dll),力值的輸出發送到阻尼器。對于這一阻尼力的查詢發生在行進模擬的每一步中。該圖顯示了Adams環境中此操作的實現片段。

      圖2. 使用FSD測試數據生成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。輸入機器學習算法的數據量越多,模型的性能就越好。下圖結果顯示了模型與真實測試數據相比的表現。

      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進行創新,在車輛模擬中實現與頻率相關的阻尼器。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據的能力,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建模之外的問題。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。

      品牌社區
      —— 造車工藝 ——
      —— 數字化制造 ——
      —— 智能駕駛 ——
      —— 新能源技術 ——
      —— 機器人技術 ——
      欧美日韩一本无线码专区|亚洲欧美另类专区|美日韩一区二区|gogo888亚洲肉体艺术
      <address id="lvvvb"></address>
        <span id="lvvvb"><rp id="lvvvb"><i id="lvvvb"></i></rp></span>
        <big id="lvvvb"></big>

        <address id="lvvvb"></address>
        

          <dl id="lvvvb"><strike id="lvvvb"><delect id="lvvvb"></delect></strike></dl>

          <address id="lvvvb"></address>