적응형 댐퍼 제어 개발을 위한 고충실도 자기유변학적 유체 모델링을 사용한 스마트 모빌리티 부스팅

요약

이 프로토콜은 충실도가 높은 자기유변학적 유체 모델링, 최적화된 유체 준비 및 적응형 열 보상 제어 알고리즘을 결합한 온도 보상 MR(자기 유변학) 댐퍼 제어 시스템의 개발을 자세히 설명합니다. 이 방법론은 전기 자동차의 편안함을 크게 향상시키기 위해 자동차 서스펜션에 적용할 수 있습니다.

초록

정밀성, 높은 힘 출력 및 빠른 적응성을 제공할 수 있는 고급 서스펜션 시스템을 필요로 하는 고성능 전기 자동차(EV)가 등장함에 따라 MR(자기유변학) 댐퍼는 빠른 응답의 서스펜션 제어를 달성하는 데 매우 중요합니다. 그러나 온도 민감도는 극한 조건에서 신뢰성을 제한합니다. 이 프로토콜은 이러한 문제를 해결하기 위한 체계적인 접근 방식을 제시합니다. 고성능 MR 유체는 내마모성 및 항산화제와 함께 열적으로 안정적인 캐리어 유체에 분산된 카르보닐 철 입자를 사용하여 합성됩니다. 우리는 ELMA(Exponential Linear Mixed Analysis) 모델과 그 매개변수 식별 방법을 제안하며, 이는 이중 플라스틱 Bingham 모델보다 우수한 대안으로 간주될 수 있습니다. ELMA 프레임워크는 MR 댐퍼로 확장되어 온도 보상 알고리즘을 통해 전류 추적 정확도를 3.98%, 힘 추적 정확도를 7.75%(피크: 19.92%) 향상시킵니다. CarSim/Simulink 공동 시뮬레이션은 온도 보상 스카이훅 및 혼합 SH-ADD 알고리즘이 클래스 D 도로에서 수직 가속 편차를 11.97%, 최대 피치 속도를 41.78% 감소시킨다는 것을 보여줍니다. 이 프로토콜은 MR 유체 물리학을 적응형 댐퍼 제어에 연결하여 극한의 열 환경에서 EV 서스펜션 시스템을 향상시키기 위한 복제 가능한 워크플로를 제공합니다.

서론

최근 몇 년 동안 고성능 전기 자동차(EV)의 급속한 발전은 인간 사회에 더 많은 편의를 가져다 주었을 뿐만 아니라 기존 자동차에 새로운 도전과 기회를 가져왔습니다. 예를 들어, 보다 반응성이 뛰어나고 정밀한 파워트레인¹과 정밀성, 고출력 및 빠른 적응성을 제공할 수 있는 고급 서스펜션 시스템이 필요합니다. 자기유변학(MR) 댐퍼는 자기장이 존재할 때 유변학적 특성(주로 점도 및 항복 응력)을 빠르고 가역적으로 변화시키는 스마트 재료인 자기유변학적 유체를 활용하여 이러한 요구 사항을 충족하는 데 이상적으로 적합합니다 ^2,3,4,5,6. 이 제어 가능한 변화를 통해 자기 저항 댐퍼는 댐핑력을 정밀하게 조절할 수 있습니다. 그러나 이러한 잠재력을 활용하려면 특히 자동차 애플리케이션의 일반적인 작동 조건(예: 온도 범위가 -30°C에서 +80°C일 수 있음)에서 일관되고 예측 가능한 성능을 유지하는 것이 주요 과제로 남아 있기 때문에 정확한 모델링이 필요합니다.

MRD(magnetorheological damfers)에 대한 기존 연구는 MRF(magnetorheological fluid) 유변학적 데이터 분석을 통해 동적 거동을 체계적으로 특성화하는 데 있어 주목할만한 한계를 보입니다 4,6,7,8,9,10,11,12,13,14,15,16^, 17,18,19. 상당한 파라메트릭 모델링 노력이 문서화되었지만, 이는 실용적인 엔지니어링 설계 응용 프로그램보다는 제어 알고리즘 개발에 주로 사용됩니다 17,18,19. 더욱이, 현재의 모델링 패러다임은 다양한 작동 조건과 장치 구성에 걸쳐 일반화 가능성을 제한하는 지나치게 단순화된 가정을 사용하는 경우가 많습니다 20,21,22,23,24,25,26,27.

따라서 우리는 까다로운 응용 분야를 위한 세 가지 주요 혁신을 통해 이러한 실질적 한계를 극복하는 것을 목표로 하는 통합 접근 방식을 제시합니다: 일반적인 자동차 온도 범위에서 열 안정성을 개선하기 위한 MR 유체 배합 최적화, 다양한 조건에서 거동을 캡처할 수 있는 새로운 ELMA(Exponential Linear Mixing Analysis) 모델 및 매개변수 식별 방법론 제안, 견고한 온도를 위한 온도 보상 알고리즘 개발 실시간 MRD 제어를 위한 보상 알고리즘. 목표는 신뢰할 수 있는 MRD 작동을 가능하게 하는 방법론을 제공하고 특히 열 변화를 해결하는 것입니다. 이 접근 방식은 통합 유체 안정성 최적화, 정확도 향상을 위한 고급 모델링 및 온도 보상 제어를 통해 이점을 제공합니다. 유변학적 실험은 ELMA 모델의 정확성을 검증하는 반면, 차량 역학 시뮬레이션은 다양한 온도에서 서스펜션 성능을 개선하는 온도 보상 전략의 효과를 입증하여 전기 자동차와 같은 응용 분야에서 MR 댐퍼의 실행 가능성을 향상시킵니다.

프로토콜

1. 맞춤형 저밀도 MR 유체의 합성

1. 다음 재료를 얻습니다 : 기유 PAO162 및 첨가제 : 유기 벤토나이트, 프로필렌 카보네이트, 계면 활성제 및 카르 보닐 철 분말.
2. 믹스를 준비하려면 아래 설명된 단계를 따르십시오.
   1. PAO162(MRF1용)를 500mL 스테인리스강 용기에 넣습니다. 용기를 50°C 수조에 담그고 10분 동안 평형을 이룹니다.
   2. 기유에 유기 벤토나이트를 첨가하고 기계식 교반기(예: IKA RW 20)를 사용하여 600rpm에서 20분 동안 저어줍니다. 프로필렌 카보네이트(PC)를 넣고 600rpm으로 10분 동안 저어줍니다. 계면활성제 T154A를 넣고 600rpm에서 5분 동안 저어줍니다.
   3. 점차적으로 혼합물에 CIP-SQ를 첨가하십시오. 교반 속도를 1,500rpm으로 높이고 1시간 동안 혼합합니다. 혼합하는 동안 온도를 모니터링하여 50 ± 2 °C를 유지하십시오. 실험 설정은 그림 1에 나와 있습니다.

2. ELMA 모델 개발

1. ELMA 모델 공식화의 경우 다음과 같이 표현된 ELMA 방정식을 정의합니다.
   
   여기서: = 전단 응력(Pa), = 동적 항복 응력(Pa), = 소성 점도(Pa·s), = ELMA 응력, 비선형 편차 크기(Pa) 정량화, = 임계 전단 속도()와 반비례 지수 감쇠 상수(s).
2. 주요 모델 기능을 정의합니다. 높은 전단 속도()에서는 ELMA를 Bingham 모델()로 단순화합니다. 낮은 전단 속도에서는 선형 거동과의 편차를 캡처하는 비선형 항()을 정의합니다. 정적 항복 응력을 로 정의합니다.
3. 데이터 준비 및 가중치를 지정하려면 전단 속도 테스트 프로토콜을 사용합니다.
   1. 레오미터를 사용하여 로그 전단 속도 스윕()을 수행합니다. 각 크기 순서에 대해 20개의 데이터 점을 수집합니다.
   2. 가중치 전략을 사용하고 외삽된 value()를 추가하여 전단 속도 목록을 확장합니다.
   3. 다음 방정식을 사용하여 inter-shear rate 거리를 계산합니다.
      
   4. 다음 방정식을 사용하여 가중치를 정규화합니다.
      
      여기서 는 평균 거리입니다.
4. 다음 매개변수 식별 알고리즘을 사용합니다(그림 2).
   1. 파라미터 공간의 선형화를 위해 ELMA 방정식을 다음과 같이 행렬 형식으로 다시 작성하십시오.
      
      여기서: = 측정된 전단 응력의 열 벡터, = 비선형 연산자에 의해 전단 속도 데이터를 매핑하여 생성된 행렬, = 매개변수 행렬 .
   2. 가중 최소 제곱 해를 사용하여 다음 방정식을 사용하여 해를 구합니다.
      
      여기서 는 가중치 의 대각 행렬입니다.
   3. b에 대해 비선형 최적화를 수행합니다. b를 작은 값(예: )으로 초기화합니다. MATLAB의 lsqnonlin 솔버를 사용하여 잔차 노름을 최소화합니다.
      
      수렴(허용 오차: ) 또는 최대 반복(예: 1000)까지 반복합니다.
5. 다음 유효성 검사 메트릭을 사용합니다.
   1. 오차 수량화의 경우 제곱 오차의 합(SSE) 방정식, RMSE(제곱근 평균 오차) 방정식 및 를 사용합니다. R-제곱(R2) 방정식은 다음과 같습니다.
      
      
      
6. 아래 설명된 대로 워크플로우를 구현합니다.
   1. 데이터 수집의 경우 제어된 온도(예: 40°C, 70°C) 및 자기장(0-1.07T)에서 유변학적 테스트를 수행합니다. 전단 응력()과 전단 속도() 데이터를 MATLAB으로 내보냅니다.
   2. 가중치 및 선형화를 위해 2.3단계에서 설명한 가중치 체계를 적용합니다. 초기 를 사용하여 행렬을 구성합니다. 가중 최소제곱을 사용하여 해를 구 하여 파라미터 최적화를 수행하고 비선형 최소제곱을 사용하여 b를 최적화합니다.
   3. 검증을 위해 모델 예측을 실험 데이터와 비교합니다. RMSE를 계산하여 정확도를 평가합니다.

                          

3. 온도 보상 댐퍼 제어 구현

1. 온도에 따른 ELMA 모델 개발
   1. 열 효과의 실험적 특성화를 위해 댐퍼 테스트 설정을 설정합니다. 전기 유압식 서보 기계에 맞춤형 MR 댐퍼(스트로크: 75mm, 피스톤 직경: 50mm)를 장착합니다. 실시간 온도 모니터링을 위해 댐퍼 표면에 열전대를 부착합니다. 댐퍼를 온도 조절 챔버(-30 °C에서 80 °C)에 둘러쌉니다.
   2. 열 순환을 수행합니다. 각 온도(-30°C, -20°C, -10°C,...,80°C)에 대해 진폭: 40mm 및 주파수: 2.085Hz에서 사인파 여기를 적용합니다. 여기 전류에서 감쇠력을 측정합니다: 0A, 1A, 2A, 3A. 데이터 수집 전에 온도 안정화를 위해 60분 동안 기다립니다. 실험 설정은 그림 3에 나와 있습니다.
   3. 전류 종속성이 있는 ELMA 모델의 매개변수화에는 다음 방정식을 사용합니다.
      
      여기서: (동적 항복 응력); (항복 후 감쇠 계수);  (비선형 편차 크기);  (지수 감쇠 상수).
   4. 2차 피팅의 경우 매개변수 등을 최소 제곱 최적화를 사용하여 실험 데이터에 맞춥니다.
2. 온도 보상 계수 설계
   1. 다음과 같이 온도 의존적 지수 보정 계수 를 도입합니다
      
      여기서 = 25°C에서의 항복 후 감쇠 계수, = 경험적 상수.
   2. 수정된 항복 후 감쇠 계수를 결정하려면 온도 효과에 대한 감쇠 계수를 조정하고 다음 두 방정식을 각각 사용하여 열 보정을 포함하도록 ELMA 모델을 업데이트합니다.
      
      
      방정식의 확장된 형식은 다음과 같습니다.
      
3. 실시간 전류 제어를 위한 역 모델(그림 4).
   1. 단순화된 Bingham-like 모델을 만들려면 다음과 같이 실시간 제어에 대한 비선형 편차 항을 무시하십시오.
      
      수정된 확장 양식은 다음과 같습니다.
      
   2. 현재 계산을 위해 다음에 대한 2차 방정식을 풉니다.
      
      계수 사용:
      
      
      
   3. 현재 클램핑의 경우 에 구속조건을 적용합니다.
4. 시뮬레이션 및 검증
   1. 제어 표면 생성을 위해 입력(원하는 힘(), 피스톤 속도(), 온도() 및 출력(전류 명령)으로 전류 추적을 수행합니다. 입력으로 힘 추적을 수행합니다: 전류 명령(), 피스톤 속도(), 온도() 및 출력: MRD 힘().
   2. 검증 메트릭의 경우 현재 추적 정확도를 수행하고 보정되지 않은 모델(예: 80°C에서 평균 3.98%)을 기준으로 개선 사항을 계산합니다. 힘 추적 정확도를 수행하고 보상되지 않은 모델에 대한 개선 사항을 계산합니다(예: 80°C에서 평균 7.75%).
   3. 차량 서스펜션 표시기 온도 보상 효과를 평가합니다. 상관 관계 시뮬레이션을 위해 일반적인 quarter suspension(그림 5)을 사용합니다. 보상 제어가 있는 Sky-hook 그룹은 클래스 D 도로에서 에너지가 1.2504에서 1.1007로 감소한 것을 보여주고, 보상 제어가 있는 혼합 SH-ADD 그룹은 클래스 D 도로에서 에너지가 1.0565에서 0.9428로 감소함을 보여줍니다. 보상 후 스카이훅 그룹의 최대 피치 비율 절대값은 6.2775에서 4.0287로 감소했고, 혼합 SH-ADD 그룹은 6.2776에서 3.6551로 감소했습니다.
5. 구현 워크플로우
   1. 열 특성화를 위해 온도(-30°C에서 80°C)에 걸쳐 댐퍼 테스트를 수행합니다. 매개변수 피팅을 위한 힘-속도 데이터를 내보냅니다.
   2. 모델 파라미터화의 경우, MATLAB의 lsqcurvefit을 사용하여 ELMA 모델 파라미터( 등)를 피팅합니다. 비선형 회귀를 통해 상수()를 결정합니다.
   3. 역 모델 배포의 경우, 전류 클램핑을 위한 포화 블록을 사용하여 Simulink에서 모델을 구현합니다.
   4. 검증을 위해 추적 정확도를 확인합니다(그림 6 및 그림 7). 보상된 차량 서스펜션 시스템 응답과 보상되지 않은 차량 서스펜션 시스템 응답을 비교합니다(그림 8 및 그림 9).

결과

이 프로토콜에 제시된 온도 보상 전략은 주로 자기 유변학적 댐퍼에 초점을 맞추고 있으며, 보상 제어는 전류, 속도 및 온도 종속성 범위에 대한 댐퍼 레벨의 포괄적인 테스트를 통해 결정됩니다. 그러나 그림 10과 같은 이미지를 얻기 위해 자기유변학적 유체 관련 온도 실험도 수행했으며, 온도가 0°C보다 높을 때 온도에 따른 제로필드 항복 응력과 소성 점도의 변화 규칙이 기본적으로 동일하고 점도에 대한 제로필드 항복 응력의 영향이 적다는 것을 알 수 있습니다. 자기유변학적 유체의 제로필드 항복 응력은 요변성 제망 및 고체 입자와 같은 다양한 요인의 영향을 받으며 온도 효과의 메커니즘 및 모델링이 복잡하므로 본 논문은 넓은 온도 범위에서 자기유변학적 유체의 플라스틱 점도에 대한 온도 영향만 연구합니다. 이 프로토콜을 사용하여 얻은 결과는 자기유변학(MR) 댐퍼 시스템에 대해 제안된 지수 선형 혼합 분석(ELMA) 모델 식별...

토론

이 프로토콜은 최적화된 자기유변학적 유체 합성, 지수 선형 혼합 분석(ELMA) 모델링 및 적응형 온도 보상 알고리즘의 세 가지 상호 관련된 혁신을 통해 MR(Magnetorheological) 댐퍼의 온도 민감도를 해결하는 구조화된 접근 방식을 제공합니다. 주요 단계에는 입자 침착을 최소화하기 위해 제어된 온도(50 ± 2°C)에서 첨가제를 순차적으로 첨가하여 자기유변학적 유체의 기울기 기반 균질화가 포함됩니다. 원래 매개 변수 공간은 비선형 매핑 연산자를 사용하여 선형화되며, 이는 최적화할 매개 변수 공간의 차원을 줄이고 매개 변수 식별이 로컬 최적에 갇힐 확률을 줄이며, 비선형 매개 변수 b 를 결정하여 전역적으로 최적의 매개 변수 집합을 얻을 수 있습니다 이는 비선형 최소 제곱을 통해 비용 함수를 최소화합니다. 보상 제어를 위해 기하급수적 열 보정 계수가 제안되어 정확한 전류 추적 및 힘 추적을 가능하게 하고 차량 서스펜션 편안함 지수를 더욱 최...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
공기 압축기	Dynair	DA5002CS
카르보닐 철 분말	BASF	CIP-SQ
전기 유압식 서보 피로 시험기	DOCER	PWS-1000
MATLAB	Mathworks	R2022b
유기 벤토나이트	ELEMENTIS-Poly-alpha-olefin
	INEOS	PAO162
프로필렌 카보네이	MACKLIN	PC
레오미터	Anton Paar	MCR702
계면 활성제	Jinzhou Xinxing	T154A
온도 제어 플랫폼	펠티에	H-PTD200