应用实例 | 马恒达使用Adams与 ODYSSEE机器学习构建频率相关阻尼器准确预测行驶和操纵性能

能够将频率相关阻尼器的测试数据作为机器学习实体的能力，从而允许通过虚拟整车模拟进行可靠的行驶预测。

01客户背景

现代车辆悬架系统经过精心设计，在保持良好的平顺性和舒适性的同时，能够满足一流的操控性能——被动悬架在良好的行驶舒适性和良好的操控性能之间做出了妥协。频率选择减振器（FSD）用于获得最佳的乘坐和操纵性能。本研究使用定量方法来确定悬架参数的范围，以提高乘坐舒适性和操纵性能。被动阻尼器使用简单的非线性曲线（力与速度）建模，该曲线与FSD阻尼器模型的相关性不好。

在现代乘用车的发展过程中，减振器的选择在很大程度上涉及主观测试。本文所提出的方法在模拟开发过程中更准确地预测了行驶和操纵性能。

需要一个系统来实时监测和预测悬架支柱的性能。机器学习（ML）和人工智能（AI）已被应用于FSD阻尼器系统的建模和预测。然而，实现ML或AI以建模和预测SUV车辆中液压气动支柱的性能的工作尚未完成。因此，目前的这项工作将是开发ML和AI模型以解决这一问题。

为了实现这一目标，需要采用neighbours=3，power=2的逆动力学求解器。我们使用ODYSSEE与Quasar Embedded的集成以及MATLAB Simulink进行ML/AI模型开发。然后，我们比较了两种ML/AI方法的结果。总试验数据的80%用于模型的开发和训练。剩下的20%用于开发模型的测试和验证。逆动力学模型显示了FSD阻尼器系统性能预测的期望精度。本文研究结果表明，机器学习方法改善了项目的行驶和操纵预测开发阶段，显著缩短了测试时间。

02使用ODYSSEE CAE学习测试数据

ODYSSEE CAE是一个独特而强大的以CAE为中心的创新平台，允许工程师将机器学习、人工智能、降阶建模（ROM）和设计优化应用于工作流程。它允许用户通过实时预测建模、优化CAE模拟和物理测试数据，创建经济高效的数字孪生，从而从现代数据科学技术中获益。

Mahindra研究谷是Mahindra的研究中心，处于数字模拟创新的前沿，以确保每一款新产品的推出都经过对各种车辆属性的精心设计，为客户提供愉快的体验。

在本文的研究中，工程师们希望在Adams Car汽车模型中加入悬架减振器。阻尼器产生的力是阻尼器两端之间的相对位移、相对速度和相对加速度的函数。因此，阻尼器可以通过使用测试数据或1D工具中的独立系统模型在各种操作条件下测量上述四个量来表征。下表列出了输入和输出量的数据。每一行代表一个数据点，有三个输入和一个输出。具体来说，输入位于R^3空间中，而输出位于R空间中。学习一个封闭形式的响应面并实现它可能具有挑战性。然而，在这种情况下开发的方法是通用的，并且可扩展到N维输入空间。

图1. 用来训练ODYSSEE模型的测试数据

学习步骤包括将上述测试数据输入到ODYSSEE的Quasar求解器。求解器可以使用各种机器学习算法对数据进行迭代，以查看哪种算法对手头的数据表现最好，并生成机器学习参数。

从ODYSSEE Quasar学习的模型被打包为动态链接库（.dll）形式，并移植到Adams中进行车辆级模拟。

03嵌入到Adams Car中

通过Adams Car垂直产品，工程团队可以快速构建和测试整车和车辆子系统的功能虚拟原型。在Adams Car汽车垂直环境中工作，汽车工程团队可以在各种道路条件下测试他们的汽车设计，进行与他们通常在测试实验室或测试跑道上进行的测试相同的测试，但只需很短的时间。

在本研究中，车辆悬架系统中的阻尼器被实现为Adams的单个部分力，该力作为下支柱连接点和上支柱连接点之间的作用-反作用实体。该力的值来自基于支柱端点之间测量的相对位移、相对速度和相对加速度的变量。这些值输入用户子程序（dll），力值的输出发送到阻尼器。对于这一阻尼力的查询发生在行进模拟的每一步中。该图显示了Adams环境中此操作的实现片段。