Artículo de método

Impulso inteligente de la movilidad mediante el modelado de fluidos magnetorreológicos de alta fidelidad para el desarrollo del control adaptativo de amortiguadores

DOI:

10.3791/68567

⸱

27 de junio de 2025

 ,  , 
1School of Vehicle and Mobility, Tsinghua University

En este artículo

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este protocolo detalla el desarrollo de un sistema de control de compuertas magnetorreológicas (MR) con compensación de temperatura que combina el modelado de fluidos magnetorreológicos de alta fidelidad, la preparación optimizada de fluidos y los algoritmos de control de compensación térmica adaptativa. La metodología se puede aplicar a las suspensiones automotrices para mejorar significativamente el confort de los vehículos eléctricos.

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Con el auge de los vehículos eléctricos (EV) de alto rendimiento que requieren sistemas de suspensión avanzados capaces de ofrecer precisión, alta producción de fuerza y rápida adaptabilidad, los amortiguadores magnetorreológicos (MR) son fundamentales para lograr un control de suspensión de respuesta rápida. Sin embargo, su sensibilidad a la temperatura limita la fiabilidad en condiciones extremas. Este protocolo presenta un enfoque sistemático para abordar este desafío. Un fluido de resonancia magnética de alto rendimiento se sintetiza utilizando partículas de hierro carbonilo dispersas en un fluido portador térmicamente estable con agentes antidesgaste y antioxidantes. Proponemos un modelo de Análisis Mixto Lineal Exponencial (ELMA) y su método de identificación de parámetros, que puede considerarse como una alternativa superior al modelo biplástico de Bingham. El marco ELMA se extiende a los amortiguadores MR, con algoritmos de compensación de temperatura que mejoran la precisión del seguimiento actual en un 3,98% y la precisión del seguimiento de fuerza en un 7,75% (pico: 19,92%). Las simulaciones conjuntas de CarSim y Simulink demuestran que los algoritmos Sky-hook y Mixed SH-ADD con compensación de temperatura reducen la variación de la aceleración vertical en un 11,97 % y la tasa de inclinación máxima en un 41,78 % en carreteras de clase D. Este protocolo une la física de fluidos de RM con el control adaptativo de los amortiguadores, ofreciendo un flujo de trabajo replicable para mejorar los sistemas de suspensión de los vehículos eléctricos en entornos térmicos extremos.

Introducción

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

El rápido desarrollo de los vehículos eléctricos (VE) de alto rendimiento en los últimos años ha traído más comodidad a la sociedad humana, así como nuevos desafíos y oportunidades para los vehículos convencionales. Por ejemplo, requieren trenes motrices más sensibles y precisos1 y sistemas de suspensión avanzados capaces de ofrecer precisión, salida de alta fuerza y adaptabilidad rápida. Los amortiguadores magnetorreológicos (MR) son ideales para cumplir con estos requisitos, ya que utilizan fluidos magnetorreológicos, un material inteligente que cambia rápida y reversiblemente sus propiedades reológicas (principalmente viscosidad y límite elástico) en presencia de un campo magnético 2,3,4,5,6 . Este cambio controlable permite que el amortiguador magnetorresistivo regule con precisión la fuerza de amortiguación. Sin embargo, explotar este potencial requiere un modelado preciso, especialmente porque mantener un rendimiento constante y predecible en las condiciones de funcionamiento típicas de las aplicaciones automotrices (por ejemplo, el rango de temperatura puede ser de -30 °C a +80 °C) sigue siendo un desafío importante.

La investigación existente sobre amortiguadores magnetorreológicos (MRD) exhibe limitaciones notables en la caracterización sistemática de comportamientos dinámicos a través del análisis de datos reológicos de fluidos magnetorreológicos (MRF) 4,6,7,8,9,10,11,12,13,14,15,16, 17,18,19. Si bien se han documentado importantes esfuerzos de modelado paramétrico, estos sirven predominantemente para el desarrollo de algoritmos de control más que para aplicaciones prácticas de diseño de ingeniería 17,18,19. Además, los paradigmas de modelado actuales con frecuencia emplean supuestos demasiado simplificados que restringen su generalizabilidad a través de diversas condiciones operativas y configuraciones de dispositivos 20,21,22,23,24,25,26,27.

Por lo tanto, presentamos un enfoque integrado destinado a superar estas limitaciones prácticas a través de tres innovaciones clave para aplicaciones exigentes: optimizar la formulación del fluido MR para mejorar la estabilidad térmica en rangos de temperatura típicos de automóviles, proponer un nuevo modelo de Análisis de Mezcla Lineal Exponencial (ELMA) y una metodología de identificación de parámetros capaz de capturar comportamientos en diferentes condiciones, y desarrollar algoritmos de compensación de temperatura para una temperatura robusta algoritmos de compensación para el control de MRD en tiempo real. El objetivo es proporcionar una metodología que permita un funcionamiento fiable de la MRD, abordando específicamente las variaciones térmicas. El enfoque proporciona ventajas a través de la optimización unificada de la estabilidad del fluido, el modelado avanzado para mejorar la precisión y el control con compensación de temperatura. Los experimentos reológicos validan la precisión del modelo ELMA, mientras que las simulaciones dinámicas de vehículos demuestran la eficacia de la estrategia de compensación de temperatura para mejorar el rendimiento de la suspensión a diferentes temperaturas, mejorando así la viabilidad de los amortiguadores MR para aplicaciones como los vehículos eléctricos.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Síntesis de fluidos de resonancia magnética de baja densidad personalizados

  1. Obtener los siguientes materiales: aceite base PAO162 y aditivos: Bentonita orgánica, carbonato de propileno, tensioactivo y polvo de hierro carbonílico.
  2. Para preparar la mezcla, siga los pasos que se describen a continuación.
    1. Coloque PAO162 (para MRF1) en un recipiente de acero inoxidable de 500 mL. Sumerja el recipiente en un baño de agua a 50 °C y equilibre durante 10 minutos.
    2. Agregue bentonita orgánica al aceite base y revuelva a 600 rpm durante 20 minutos con un agitador mecánico (por ejemplo, IKA RW 20). Agregue el carbonato de propileno (PC) y revuelva a 600 rpm durante 10 min. Agregue el surfactante T154A y revuelva a 600 rpm durante 5 min.
    3. Agregue gradualmente CIP-SQ a la mezcla. Aumente la velocidad de agitación a 1.500 rpm y mezcle durante 1 h. Controle la temperatura para mantener 50 ± 2 °C durante la mezcla. La configuración experimental se muestra en la Figura 1.

2. Desarrollo del modelo ELMA

  1. Para la formulación del modelo ELMA, defina la ecuación ELMA expresada como:
    figure-protocol-1
    donde: figure-protocol-2 = Esfuerzo cortante (Pa), figure-protocol-3 = Límite elástico dinámico (Pa), figure-protocol-4 = Viscosidad plástica (Pa·s), figure-protocol-5 = Esfuerzo ELMA, cuantificando la magnitud de la desviación no lineal (Pa), figure-protocol-6 = Constante de decaimiento exponencial (s), inversamente relacionada con la velocidad crítica de cizallamiento (figure-protocol-7).
  2. Defina las características clave del modelo. A altas velocidades de cizallamiento (figure-protocol-8), simplifique ELMA al modelo de Bingham (figure-protocol-9). A velocidades de corte bajas, defina el término no lineal (figure-protocol-10) que captura las desviaciones del comportamiento lineal. Defina la tensión de fluencia estática como figure-protocol-11.
  3. Para la preparación y ponderación de datos, utilice el protocolo de prueba de velocidad de cizallamiento.
    1. Realice barridos logarítmicos de velocidad de cizallamiento (figure-protocol-12) utilizando un reómetro. Adquiere 20 puntos de datos para cada orden de magnitud.
    2. Utilice una estrategia de ponderación y amplíe la lista de velocidades de corte agregando un valor extrapolado(figure-protocol-13).
    3. Calcule las distancias entre cizallamientos utilizando la siguiente ecuación:
      figure-protocol-14
    4. Normalice los pesos usando la siguiente ecuación:
      figure-protocol-15
      donde figure-protocol-16 es la distancia media.
  4. Utilice el siguiente algoritmo de identificación de parámetros (Figura 2).
    1. Para la linealización del espacio de parámetros, reescriba la ecuación ELMA en forma de matriz de la siguiente manera:
      figure-protocol-17
      donde: figure-protocol-18 = Vector columna del esfuerzo cortante medido, figure-protocol-19 = La matriz generada mediante el mapeo de los datos de velocidad cortante mediante un operador no lineal, figure-protocol-20 = Matriz figure-protocol-21de parámetros .
    2. Usa la solución de mínimos cuadrados ponderados para hallar la figure-protocol-22 siguiente ecuación:
      figure-protocol-23
      donde figure-protocol-24 es una matriz diagonal de pesos figure-protocol-25.
    3. Realice una optimización no lineal para b. Inicialice b con un valor pequeño (por ejemplo, figure-protocol-26). Utilice el solucionador lsqnonlin de MATLAB para minimizar la norma residual:
      figure-protocol-27
      Iterar hasta la convergencia (tolerancia: figure-protocol-28) o las iteraciones máximas (por ejemplo, 1000).
  5. Utilice las siguientes métricas de validación.
    1. Para la cuantificación de errores, utilice la ecuación de suma de errores cuadrados (SSE), la ecuación de error cuadrático medio (RMSE) y . Ecuación R cuadrado (R2) como se muestra a continuación.
      figure-protocol-29
      figure-protocol-30
      figure-protocol-31
  6. Implemente el flujo de trabajo como se describe a continuación.
    1. Para la adquisición de datos, realice pruebas reológicas a temperaturas controladas (por ejemplo, 40 °C, 70 °C) y campos magnéticos (0-1,07 T). Exporte datos de esfuerzo cortante (figure-protocol-32) y velocidad de corte (figure-protocol-33) a MATLAB.
    2. Para la ponderación y la linealización, aplique el esquema de ponderación descrito en el paso 2.3. Construya figure-protocol-34 la matriz usando el archivo figure-protocol-35. Realice la optimización de parámetros resolviendo el figure-protocol-36 uso de mínimos cuadrados ponderados y optimice b utilizando mínimos cuadrados no lineales.
    3. Para la validación, compare las predicciones del modelo con los datos experimentales. Calcule el RMSE para evaluar la precisión.

                          

3. Implementación de control de amortiguador con compensación de temperatura

  1. Desarrollo de modelos ELMA dependientes de la temperatura
    1. Para la caracterización experimental de los efectos térmicos, establezca una configuración de prueba de amortiguadores. Monte un amortiguador MR personalizado (carrera: 75 mm, diámetro del pistón: 50 mm) en una servomáquina electrohidráulica. Conecte un termopar a la superficie del amortiguador para monitorear la temperatura en tiempo real. Encierre la compuerta en una cámara con temperatura controlada (-30 °C a 80 °C).
    2. Realizar ciclos térmicos. Para cada temperatura (-30 °C, -20 °C, -10 °C,...,80 °C), aplique excitación sinusoidal a amplitud: 40 mm y frecuencia: 2.085 Hz. Mida la fuerza de amortiguación a corrientes de excitación: 0 A, 1 A, 2 A, 3 A. Espere 60 minutos para la estabilización de la temperatura antes de la adquisición de datos. La configuración experimental se muestra en la Figura 3.
    3. Para la parametrización del modelo ELMA con dependencia de corriente, utilice la siguiente ecuación:
      figure-protocol-37
      donde: figure-protocol-38 (límite elástico dinámico); figure-protocol-39 (coeficiente de amortiguación posterior al límite elástico);  figure-protocol-40 (magnitud de la desviación no lineal); figure-protocol-41 (constante de decaimiento exponencial).
    4. Para el ajuste cuadrático, ajuste los parámetros figure-protocol-42, etc., a los datos experimentales mediante la optimización de mínimos cuadrados.
  2. Diseño del factor de compensación de temperatura
    1. Introduzca un factor de corrección exponencial dependiente de la temperatura, figure-protocol-43 como se indica a continuación
      figure-protocol-44
      Donde figure-protocol-45 = Coeficiente de amortiguamiento post-fluencia a 25 °C, figure-protocol-46 = Constantes empíricas.
    2. Para determinar el coeficiente de amortiguamiento posterior al límite elástico modificado, ajuste el coeficiente de amortiguamiento para los efectos de la temperatura y actualice el modelo ELMA para incluir la corrección térmica utilizando las dos ecuaciones siguientes, respectivamente.
      figure-protocol-47
      figure-protocol-48
      La forma expandida de las ecuaciones es
      figure-protocol-49
  3. Modelo inverso para el control de corriente en tiempo real (Figura 4).
    1. Para hacer un modelo simplificado similar al de Bingham, descuide el término de desviación no lineal para el control en tiempo real de la siguiente manera.
      figure-protocol-50
      La forma expandida modificada es
      figure-protocol-51
    2. Para el cálculo de la corriente, resuelva la ecuación cuadrática para figure-protocol-52:
      figure-protocol-53
      con coeficientes:
      figure-protocol-54
      figure-protocol-55
      figure-protocol-56
    3. Para la sujeción de corriente, aplique restricciones a figure-protocol-57.
  4. Simulación y validación
    1. Para la generación de superficie de control, realice el seguimiento de la corriente con las entradas: Fuerza deseada (figure-protocol-58), velocidad del pistón (figure-protocol-59), temperatura (figure-protocol-60) y salida: Comando de corriente (figure-protocol-61). Realice el seguimiento de la fuerza con las entradas: Comando de corriente (figure-protocol-62), velocidad del pistón (figure-protocol-63), temperatura (figure-protocol-64) y salida: Fuerza MRD (figure-protocol-65).
    2. En el caso de las métricas de validación, lleve a cabo la precisión del seguimiento actual y calcule la mejora en relación con el modelo no compensado (por ejemplo, una media del 3,98 % a 80 °C). Lleve a cabo la precisión del seguimiento de la fuerza y calcule la mejora en relación con el modelo no compensado (por ejemplo, 7,75% de media a 80 °C).
    3. Evalúe el efecto de compensación de temperatura del indicador de suspensión del vehículo. Utilice la suspensión de cuartos típica (Figura 5) para la simulación de la correlación. El grupo Sky-hook con control de compensación muestra una reducción de energía de 1,2504 a 1,1007 en carreteras de Clase D, y el grupo SH-ADD Mixto con control de compensación muestra una disminución de energía de 1,0565 a 0,9428 en carreteras de Clase D. Después de la compensación, el valor absoluto de la tasa de cabeceo máximo del grupo Sky-hook disminuyó de 6.2775 a 4.0287, y el grupo SH-ADD mixto disminuyó de 6.2776 a 3.6551.
  5. Flujo de trabajo de implementación
    1. Para la caracterización térmica, realice pruebas de amortiguación a todas las temperaturas (-30 °C a 80 °C). Exporte datos de fuerza-velocidad para el ajuste de parámetros.
    2. Para la parametrización del modelo, ajuste los parámetros del modelo ELMA (figure-protocol-66etc.) utilizando lsqcurvefit de MATLAB. Determine figure-protocol-67 las constantes (figure-protocol-68) mediante una regresión no lineal.
    3. Para el despliegue de modelos inversos, implemente el modelo en Simulink con bloques de saturación para la fijación de corriente.
    4. Para la validación, compruebe la precisión del seguimiento (Figura 6 y Figura 7). Compare las respuestas del sistema de suspensión del vehículo compensado y no compensado (Figura 8 y Figura 9).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La estrategia de compensación de temperatura presentada en este protocolo se centra principalmente en los amortiguadores magnetorreológicos, y el control de compensación se determina a partir de pruebas exhaustivas a nivel de amortiguador en un rango de dependencias de corriente, velocidad y temperatura. Sin embargo, también hicimos los experimentos de temperatura relacionados con fluidos magnetorreológicos para obtener la imagen que se muestra en la Figura 10

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

El protocolo proporciona un enfoque estructurado para abordar la sensibilidad a la temperatura de los amortiguadores magnetorreológicos (MR) a través de tres innovaciones interrelacionadas: síntesis de fluidos magnetorreológicos optimizada, modelado de análisis de mezcla lineal exponencial (ELMA) y algoritmos de compensación de temperatura adaptativos. Los pasos clave incluyen la homogeneización basada en gradiente del fluido magnetorreológico con adición secuencial de aditivos a una tem...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores no tienen intereses financieros en los productos descritos en este manuscrito y no tienen nada más que revelar.

Agradecimientos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este trabajo contó con el apoyo de la Fundación Nacional de Ciencias Naturales de China [números de subvención 51761135124, 11672148, 52003142, 51775293]; y el Laboratorio Estatal Clave de NVH Vehicular y Tecnología de Seguridad [Número de subvención NVHSKI-202106]

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
compresor de aireDynairDA5002CS
Polvo de hierro carboniloBASFCIP-SQ
Servo electrohidráulico máquina de ensayos de fatigaDOCERPWS-1000
MATLABMathworksR2022b
Bentonita orgánicaELEMENTIS-Poli-alfa-olefina
INEOSPAO162
Carbonato de propilenoMACKLINPC
ReómetroAnton PaarMCR702 
SurfactanteJinzhou XinxingT154A
plataforma de control de temperaturaPeltierH-PTD200

Referencias

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Deng, L., et al. Design of a Dual-Motor Powertrain with Magnetorheological Planetary Transmission for Electric Vehicles 2024-01-2636. SAE Technical Paper. , (2024).
  2. Seo, Y. P., et al. Searching for a stable high-performance magnetorheological suspension. Adv Mater. 30 (42), 1704769(2018).
  3. Hajalilou, A., Mazlan, S. A., Lavvafi, H., Shameli, K. Field responsive fluids as smart materials. , Springer. (2016).
  4. Gołdasz, J., Sapiński, B. Insight into magnetorheological shock absorbers. , Springer International Publishing. Switzerland. (2015).
  5. Zhu, X., Jing, X., Cheng, L. Magnetorheological fluid dampers: A review on structure design and analysis. J Intelligent Mater Syst Struct. 23 (8), 839-873 (2012).
  6. Yang, G., Spencer, B. Jr, Carlson, J., Sain, M. Large-scale mr fluid dampers: Modeling and dynamic performance considerations. Eng Struct. 24 (3), 309-323 (2002).
  7. Sheikh, H., Van Engelen, N. C., Ruparathna, R. A review of base isolation systems with adaptive characteristics. Structures. 38, 1542-1555 (2022).
  8. Guglielmino, E., Sireteanu, T., Stammers, C. W., Ghita, G., Giuclea, M. Semi-active suspension control: Improved vehicle ride and road friendliness. , Springer Science & Business Media. (2008).
  9. Zhu, Z., Zhang, X. Damping performance optimization of the magnetorheological damper with three parallel channels. Structures. 44, 1962-1973 (2022).
  10. Hadadian, A., Sedaghati, R., Esmailzadeh, E. Design optimization of magnetorheological fluid valves using response surface method. J Intelligent Mater Syst Struct. 25 (11), 1352-1371 (2014).
  11. Kazakov, Y. B., Morozov, N., Nesterov, S. Development of models of the magnetorheological fluid damper. J Magnetism Magnetic Mater. 431, 269-272 (2017).
  12. Bitman, L., Choi, Y. T., Wereley, N. M. Passive damping and isolation. Proc SPIE. 3045, (1997).
  13. Guo, P., Guan, X., Ou, J. Physical modeling and design method of the hysteretic behavior of magnetorheological dampers. J Intelligent Mater Syst Struct. 25 (6), 680-696 (2014).
  14. Guo, S., Yang, S., Pan, C. Dynamic modeling of magnetorheological damper behaviors. J Intelligent Mater Syst Struct. 17 (1), 3-14 (2006).
  15. Wereley, N. M., Pang, L., Kamath, G. M. Idealized hysteresis modeling of electrorheological and magnetorheological dampers. J Intelligent Mater Syst Struc. 9 (8), 642-649 (1998).
  16. Wang, D., Liao, W. Modeling and control of magnetorheological fluid dampers using neural networks. Smart Mater Struct. 14 (1), 111(2004).
  17. Wang, D., Liao, W. H. Magnetorheological fluid dampers: A review of parametric modelling. Smart Mater Struct. 20 (2), 023001(2011).
  18. Xu, Z. D., et al. Force tracking model and experimental verification on a novel magnetorheological damper with combined compensator for stay cables of bridge. Structures. 32, 1971-1985 (2021).
  19. Bui, Q. D., Bai, X. X., Nguyen, Q. H. Dynamic modeling of mr dampers based on quasi-static model and magic formula hysteresis multiplier. Eng Struct. 245, 112855(2021).
  20. Batterbee, D., Sims, N. Active and Passive Smart Structures and Integrated Systems. Proc SPIE. 12043, 360-370 (2008).
  21. Liu, Y., et al. Smart Structures and Materials 2003: Industrial and Commercial Applications of Smart Structures Technologies. Proc SPIE. 5054, 332-340 (2003).
  22. Wilson, N. L., Wereley, N. M., Choi, Y. -T., Hiemenz, G. J., Hu, W. Active and Passive Smart Structures and Integrated Systems 2009. Proc SPIE. 7288, 318-327 (2009).
  23. Priya, C. B., Gopalakrishnan, N. Temperature dependent modelling of magnetorheological (mr) dampers using support vector regression. Smart Mater Struct. 28 (2), 025021(2019).
  24. Choi, S. B. Thermal conductivity and temperature dependency of magnetorheological fluids and application systems-a chronological review. Micromachines. 14 (11), 2096(2023).
  25. Zhu, H., Rui, X., Yang, F., Zhu, W., Jiang, M. Influence of temperature and internal leakage on magnetorheological damper. Int J Mech Syst Dynamics. 4 (4), 487-496 (2024).
  26. Influence of Temperature on the MR Squeeze-Mode Damper. Gołdasz, J., Sapinski, B. Proc 2019 20th Int Carpathian Cont Conf, , 1-6 (2019).
  27. Yu, J., Dong, X., Wang, X., Pan, C., Zhou, Y. Asymmetric dynamic model of temperature-dependent magnetorheological damper and application for semi-active system. Front Mater. 6, 227(2019).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Amortiguadores magnetorreol gicosModelado de fluidos MRCompensaci n de temperaturaAn lisis lineal mixto exponencialSistemas de suspensi nVeh culos el ctricosAlgoritmo Sky HookSeguimiento de fuerzaCarSim Simulink
Video próximamente

Artículos relacionados