Article de méthode

Amélioration intelligente de la mobilité à l’aide de la modélisation magnétorhéologique des fluides haute fidélité pour le développement d’un contrôle adaptatif des amortisseurs

DOI :

10.3791/68567

⸱

27 juin 2025

 ,  , 
1School of Vehicle and Mobility, Tsinghua University

Dans cet article

Résumé

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

Ce protocole détaille le développement d’un système de contrôle d’amortisseur magnétorhéologique (MR) compensé en température qui combine la modélisation des fluides magnétorhéologiques haute fidélité, la préparation optimisée des fluides et des algorithmes de contrôle adaptatifs de compensation thermique. La méthodologie peut être appliquée aux suspensions automobiles pour améliorer considérablement le confort des véhicules électriques.

Résumé

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

Avec l’essor des véhicules électriques (VE) haute performance qui nécessitent des systèmes de suspension avancés capables de fournir une précision, une force élevée et une adaptabilité rapide, les amortisseurs magnéto-rhéologiques (MR) sont essentiels pour obtenir un contrôle de suspension à réponse rapide. Cependant, leur sensibilité à la température limite la fiabilité dans des conditions extrêmes. Ce protocole présente une approche systématique pour relever ce défi. Un fluide IRM haute performance est synthétisé à l’aide de particules de fer carbonyle dispersées dans un fluide porteur thermiquement stable avec des agents anti-usure et des antioxydants. Nous proposons un modèle d’analyse mixte linéaire exponentielle (ELMA) et sa méthode d’identification des paramètres, qui peut être considérée comme une alternative supérieure au modèle biplastique de Bingham. Le cadre ELMA est étendu aux amortisseurs MR, avec des algorithmes de compensation de température améliorant la précision du suivi du courant de 3,98 % et la précision du suivi de la force de 7,75 % (pic : 19,92 %). Les simulations conjointes CarSim/Simulink démontrent que les algorithmes Sky-hook et SH-ADD mixtes compensés en température réduisent la variance d’accélération verticale de 11,97 % et le taux de tangage maximal de 41,78 % sur les routes de classe D. Ce protocole fait le lien entre la physique des fluides RM et le contrôle adaptatif des amortisseurs, offrant un flux de travail reproductible pour améliorer les systèmes de suspension des véhicules électriques dans des environnements thermiques extrêmes.

Introduction

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

Le développement rapide des véhicules électriques (VE) haute performance ces dernières années a apporté plus de commodité à la société humaine ainsi que de nouveaux défis et opportunités pour les véhicules conventionnels. Par exemple, ils ont besoinde groupes motopropulseurs plus réactifs et plus précis1 et de systèmes de suspension avancés capables d’offrir une précision, une force élevée et une adaptabilité rapide. Les amortisseurs magnétorhéologiques (MR) sont parfaitement adaptés pour répondre à ces exigences, en utilisant des fluides magnétorhéologiques - un matériau intelligent qui modifie rapidement et de manière réversible ses propriétés rhéologiques (principalement la viscosité et la limite d’élasticité) en présence d’un champ magnétique 2,3,4,5,6 . Ce changement contrôlable permet à l’amortisseur magnétorésistif de réguler avec précision la force d’amortissement. Cependant, l’exploitation de ce potentiel nécessite une modélisation précise, d’autant plus que le maintien de performances constantes et prévisibles dans les conditions de fonctionnement typiques des applications automobiles (par exemple, la plage de température peut être de -30 °C à +80 °C) reste un défi majeur.

Les recherches existantes sur les amortisseurs magnétorhéologiques (MRD) présentent des limites notables dans la caractérisation systématique des comportements dynamiques par l’analyse des données rhéologiques des fluides magnétorhéologiques (MRF) 4,6,7,8,9,10,11,12,13,14,15,16, 17,18,19. Bien que d’importants efforts de modélisation paramétrique aient été documentés, ceux-ci servent principalement au développement d’algorithmes de contrôle plutôt qu’à des applications pratiques de conception technique 17,18,19. De plus, les paradigmes de modélisation actuels utilisent souvent des hypothèses trop simplifiées qui limitent leur généralisabilité dans diverses conditions opérationnelles et configurations de dispositifs 20,21,22,23,24,25,26,27.

Par conséquent, nous présentons une approche intégrée visant à surmonter ces limitations pratiques grâce à trois innovations clés pour des applications exigeantes : l’optimisation de la formulation du fluide MR pour améliorer la stabilité thermique sur les plages de température typiques de l’automobile, la proposition d’un nouveau modèle d’analyse de mélange linéaire exponentiel (ELMA) et d’une méthodologie d’identification des paramètres capable de capturer les comportements dans différentes conditions, et le développement d’algorithmes de compensation de température pour une température robuste algorithmes de compensation pour le contrôle MRD en temps réel. L’objectif est de fournir une méthodologie qui permette un fonctionnement fiable de la MRD, en tenant compte spécifiquement des variations thermiques. L’approche offre des avantages grâce à l’optimisation unifiée de la stabilité des fluides, à la modélisation avancée pour une meilleure précision et au contrôle compensé en température. Des expériences rhéologiques valident la précision du modèle ELMA, tandis que des simulations de dynamique de véhicule démontrent l’efficacité de la stratégie de compensation de température pour améliorer les performances de la suspension à différentes températures, améliorant ainsi la viabilité des amortisseurs MR pour des applications telles que les véhicules électriques.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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

1. Synthèse de fluides MR basse densité sur mesure

  1. Obtenez les matériaux suivants : huile de base PAO162 et additifs : bentonite organique, carbonate de propylène, tensioactif et poudre de fer carbonyle.
  2. Pour préparer le mélange, suivez les étapes décrites ci-dessous.
    1. Placez le PAO162 (pour le MRF1) dans un récipient en acier inoxydable de 500 ml. Plongez le récipient dans un bain-marie à 50 °C et équilibrez-le pendant 10 min.
    2. Ajoutez de la bentonite organique à l’huile de base et remuez à 600 tr/min pendant 20 min à l’aide d’un agitateur mécanique (par exemple, IKA RW 20). Ajouter le carbonate de propylène (PC) et remuer à 600 tr/min pendant 10 min. Ajouter le tensioactif T154A et remuer à 600 tr/min pendant 5 min.
    3. Ajouter progressivement le CIP-SQ au mélange. Augmentez la vitesse d’agitation à 1 500 tr/min et mélangez pendant 1 h. Surveillez la température pour maintenir 50 ± 2 °C tout au long du mélange. Le dispositif expérimental est illustré à la figure 1.

2. Développement du modèle ELMA

  1. Pour la formulation du modèle ELMA, définissez l’équation ELMA exprimée comme suit :
    figure-protocol-1
    où : figure-protocol-2 = Contrainte de cisaillement (Pa), figure-protocol-3 = Limite d’élasticité dynamique (Pa), figure-protocol-4 = Viscosité plastique (Pa·s), figure-protocol-5 = Contrainte ELMA, quantifiant l’amplitude de l’écart non linéaire (Pa), figure-protocol-6 = Constante de décroissance exponentielle (s), inversement liée au taux de cisaillement critique (figure-protocol-7).
  2. Définissez les principales caractéristiques du modèle. À des taux de cisaillement élevés (figure-protocol-8), simplifiez ELMA en modèle de Bingham (figure-protocol-9). À de faibles taux de cisaillement, définissez le terme non linéaire (figure-protocol-10) qui capture les écarts par rapport au comportement linéaire. Définissez la limite d’élasticité statique comme figure-protocol-11.
  3. Pour la préparation et la pondération des données, utilisez le protocole d’essai de taux de cisaillement.
    1. Effectuer des balayages du taux de cisaillement logarithmique (figure-protocol-12) à l’aide d’un rhéomètre. Acquérez 20 points de données pour chaque ordre de grandeur.
    2. Utilisez une stratégie de pondération et étendez la liste des taux de cisaillement en ajoutant une valeur extrapolée (figure-protocol-13).
    3. Calculez les distances entre les taux de cisaillement à l’aide de l’équation suivante :
      figure-protocol-14
    4. Normalisez les poids à l’aide de l’équation suivante :
      figure-protocol-15
      où figure-protocol-16 est la distance moyenne.
  4. Utilisez l’algorithme d’identification des paramètres suivant (Figure 2).
    1. Pour la linéarisation de l’espace des paramètres, réécrivez l’équation ELMA sous forme matricielle comme suit :
      figure-protocol-17
      où : figure-protocol-18 = Vecteur de colonne de la contrainte de cisaillement mesurée, figure-protocol-19 = Matrice générée par la cartographie des données de taux de cisaillement par un opérateur non linéaire, figure-protocol-20 = Matrice figure-protocol-21de paramètres .
    2. Utilisez la solution des moindres carrés pondérés pour résoudre figure-protocol-22 à l’aide de l’équation suivante :
      figure-protocol-23
      où figure-protocol-24 est une matrice diagonale de poids figure-protocol-25.
    3. Effectuez une optimisation non linéaire pour b. Initialisez b avec une petite valeur (par exemple, figure-protocol-26). Utilisez le solveur lsqnonlin de MATLAB pour minimiser la norme résiduelle :
      figure-protocol-27
      Itérez jusqu’à la convergence (tolérance : figure-protocol-28) ou les itérations maximales (par exemple, 1000).
  5. Utilisez les métriques de validation suivantes.
    1. Pour la quantification des erreurs, utilisez l’équation de la somme des erreurs quadratiques (SSE), l’équation de l’erreur quadratique moyenne (RMSE) et . Équation R au carré (R2) comme indiqué ci-dessous.
      figure-protocol-29
      figure-protocol-30
      figure-protocol-31
  6. Implémentez le flux de travail comme décrit ci-dessous.
    1. Pour l’acquisition de données, effectuer des essais rhéologiques à des températures contrôlées (par exemple, 40 °C, 70 °C) et des champs magnétiques (0-1,07 T). Exportez les données de contrainte de cisaillement (figure-protocol-32) et de taux de cisaillement (figure-protocol-33) vers MATLAB.
    2. Pour la pondération et la linéarisation, appliquez le schéma de pesage décrit à l’étape 2.3. Construire une figure-protocol-34 matrice à l’aide de l’initiale figure-protocol-35. Effectuez l’optimisation des paramètres en résolvant l’utilisation figure-protocol-36 des moindres carrés pondérés et optimisez b à l’aide des moindres carrés non linéaires.
    3. Pour la validation, comparez les prédictions du modèle avec les données expérimentales. Calculer l’EQM pour évaluer la précision.

                          

3. Mise en œuvre du contrôle des registres à compensation de température

  1. Développement d’un modèle ELMA dépendant de la température
    1. Pour la caractérisation expérimentale des effets thermiques, établissez un dispositif d’essai d’amortisseur. Montez un amortisseur MR personnalisé (course : 75 mm, diamètre du piston : 50 mm) sur une servomachine électro-hydraulique. Fixez un thermocouple à la surface du registre pour une surveillance de la température en temps réel. Enfermez le registre dans une chambre à température contrôlée (-30 °C à 80 °C).
    2. Effectuer des cycles thermiques. Pour chaque température (-30 °C, -20 °C, -10 °C,...,80 °C), appliquez une excitation sinusoïdale à l’amplitude : 40 mm et à la fréquence : 2,085 Hz. Mesurez la force d’amortissement aux courants d’excitation : 0 A, 1 A, 2 A, 3 A. Comptez 60 min pour la stabilisation de la température avant l’acquisition des données. Le dispositif expérimental est illustré à la figure 3.
    3. Pour paramétrer le modèle ELMA avec dépendance de courant, utilisez l’équation suivante :
      figure-protocol-37
      où : figure-protocol-38 (contrainte d’élasticité dynamique) ; figure-protocol-39 (coefficient d’amortissement après l’arrêt) ;  figure-protocol-40 (amplitude de l’écart non linéaire) ; figure-protocol-41 (constante de décroissance exponentielle).
    4. Pour l’ajustement quadratique, ajustez les paramètres figure-protocol-42, etc., aux données expérimentales en utilisant l’optimisation des moindres carrés.
  2. Conception du facteur de compensation de température
    1. Introduisez un facteur de correction exponentielle dépendant de la température, figure-protocol-43 comme suit
      figure-protocol-44
      Où figure-protocol-45 = Coefficient d’amortissement après l’élasticité à 25 °C, figure-protocol-46 = Constantes empiriques.
    2. Pour déterminer le coefficient d’amortissement modifié après l’abandon, ajustez le coefficient d’amortissement pour tenir compte des effets de la température et mettez à jour le modèle ELMA pour inclure la correction thermique à l’aide des deux équations suivantes, respectivement.
      figure-protocol-47
      figure-protocol-48
      La forme développée des équations est
      figure-protocol-49
  3. Modèle inverse pour le contrôle du courant en temps réel (Figure 4).
    1. Pour créer un modèle simplifié de type Bingham, négligez le terme de déviation non linéaire pour le contrôle en temps réel comme suit.
      figure-protocol-50
      La forme développée modifiée est
      figure-protocol-51
    2. Pour le calcul du courant, résolvez l’équation du second degré pour figure-protocol-52:
      figure-protocol-53
      avec coefficients :
      figure-protocol-54
      figure-protocol-55
      figure-protocol-56
    3. Pour le serrage de courant, appliquez des contraintes à figure-protocol-57.
  4. Simulation et validation
    1. Pour la génération de la surface de contrôle, effectuez le suivi du courant avec les entrées : Force souhaitée (figure-protocol-58), vitesse du piston (figure-protocol-59), température (figure-protocol-60) et sortie : Commande actuelle (figure-protocol-61). Effectuez le suivi de force avec les entrées : Commande actuelle (figure-protocol-62), vitesse du piston (figure-protocol-63), température (figure-protocol-64) et sortie : Force MRD (figure-protocol-65).
    2. Pour les mesures de validation, effectuez le suivi du courant avec précision et calculez l’amélioration par rapport au modèle non compensé (par exemple, 3,98 % en moyenne à 80 °C). Effectuer la précision du suivi de force et calculer l’amélioration par rapport au modèle non compensé (par exemple, 7,75 % en moyenne à 80 °C).
    3. Évaluer l’effet de compensation de la température de l’indicateur de suspension du véhicule. Utilisez une suspension quart typique (Figure 5) pour simuler la corrélation. Le groupe Sky-hook avec contrôle de compensation montre une réduction d’énergie de 1,2504 à 1,1007 sur les routes de classe D, et le groupe mixte SH-ADD avec contrôle de compensation montre une diminution d’énergie de 1,0565 à 0,9428 sur les routes de classe D. Après compensation, la valeur absolue du taux de tangage de crête du groupe Sky-hook est passée de 6,2775 à 4,0287, et celle du groupe mixte SH-ADD de 6,2776 à 3,6551.
  5. Flux de travail de mise en œuvre
    1. Pour la caractérisation thermique, effectuez des tests d’amortissement à différentes températures (-30 °C à 80 °C). Exportez les données force-vitesse pour l’ajustement des paramètres.
    2. Pour le paramétrage du modèle, ajustez les paramètres du modèle ELMA (figure-protocol-66,etc.) à l’aide de lsqcurvefit de MATLAB. Déterminez figure-protocol-67 les constantes (figure-protocol-68) via la régression non linéaire.
    3. Pour le déploiement d’un modèle inverse, implémentez le modèle dans Simulink avec des blocs de saturation pour le bridage de courant.
    4. Pour validation, vérifiez la précision du suivi (Figure 6 et Figure 7). Comparer les réponses compensées et non compensées du système de suspension du véhicule (figures 8 et 9).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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

La stratégie de compensation de température présentée dans ce protocole se concentre principalement sur les registres magnétorhéologiques, et le contrôle de compensation est déterminé à partir d’essais complets au niveau de l’amortisseur sur une gamme de dépendances de courant, de vitesse et de température. Cependant, nous avons également effectué les expériences de température liée au fluide magnétorhéologique pour obtenir l’image montrée à la figure 10, lor...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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

Le protocole fournit une approche structurée pour aborder la sensibilité à la température des registres magnétorhéologiques (MR) grâce à trois innovations interdépendantes : la synthèse optimisée des fluides magnétorhéologiques, la modélisation ELMA (Exponential Linear Mixing Analysis) et les algorithmes de compensation de température adaptatifs. Les étapes clés comprennent l’homogénéisation du fluide magnétorhéologique basée sur le gradient avec l’ajout séquentiel d’additifs à une tempé...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

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

Les auteurs n’ont aucun intérêt financier dans les produits décrits dans ce manuscrit et n’ont rien d’autre à divulguer.

Remerciements

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

Ce travail a été soutenu par la Fondation nationale des sciences naturelles de Chine [numéros de subvention 51761135124, 11672148, 52003142, 51775293] ; et le State Key Laboratory of Vehicle NVH and Safety Technology [Numéro de subvention NVHSKI-202106]

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
compresseur d’airDynairDA5002CS
Carbonyl Iron PowderBASFCIP-SQ
Machine d’essai de fatigue servo électro-hydrauliqueDOCERPWS-1000
MATLABMathworksR2022b
Bentonite organique
INEOSPAO162
Carbonate de propylèneMACKLINPC
RhéomètreAnton PaarMCR702  ;
TensioactifJinzhou XinxingT154A
Plate-forme de contrôle de la températurePeltierH-PTD200
ELEMENTIS-Poly-alpha-olefine

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Amortisseurs magn torh ologiquesmod lisation des fluides MRcompensation de temp ratureanalyse lin aire mixte exponentiellesyst mes de suspensionv hicules lectriquesalgorithme Sky Hooksuivi de forceCarSim Simulink
Vidéo bientôt disponible

Articles connexes