Artykuł metodologiczny

Inteligentne zwiększanie mobilności dzięki wysokiej jakości modelowaniu magnetoreologicznych płynów do rozwoju adaptacyjnego sterowania amortyzatorami

DOI:

10.3791/68567

⸱

27 czerwca 2025

 ,  , 
1School of Vehicle and Mobility, Tsinghua University

W tym artykule

Podsumowanie

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

Ten protokół szczegółowo opisuje rozwój systemu kontroli tłumików magnetoreologicznych (MR) z kompensacją temperatury, który łączy w sobie wysokiej jakości modelowanie płynów magnetoreologicznych, zoptymalizowane przygotowanie płynów i adaptacyjne algorytmy kontroli kompensacji termicznej. Metodologia ta może być stosowana do zawieszeń samochodowych w celu znacznego zwiększenia komfortu pojazdów elektrycznych.

Streszczenie

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

Wraz z rozwojem wysokowydajnych pojazdów elektrycznych (EV), które wymagają zaawansowanych systemów zawieszenia zdolnych do dostarczania precyzji, dużej siły wyjściowej i szybkiej adaptacji, amortyzatory magnetoreologiczne (MR) są kluczowe dla osiągnięcia szybkiej kontroli zawieszenia. Jednak ich wrażliwość na temperaturę ogranicza niezawodność w ekstremalnych warunkach. Protokół ten przedstawia systematyczne podejście do tego wyzwania. Wysokowydajny płyn MR jest syntetyzowany przy użyciu cząstek karbonylu żelaza zdyspergowanych w stabilnym termicznie płynie nośnym ze środkami przeciwzużyciowymi i przeciwutleniaczami. Proponujemy model wykładniczej liniowej analizy mieszanej (ELMA) i jego metodę identyfikacji parametrów, którą można uznać za lepszą alternatywę dla biplastycznego modelu Binghama. Struktura ELMA została rozszerzona na przepustnice MR, z algorytmami kompensacji temperatury poprawiającymi dokładność śledzenia prądu o 3,98% i dokładność śledzenia siły o 7,75% (szczyt: 19,92%). Wspólne symulacje CarSim/Simulink pokazują, że algorytmy Sky-hook i Mixed SH-ADD z kompensacją temperatury zmniejszają wariancję przyspieszenia pionowego o 11,97%, a szczytową prędkość pochylenia o 41,78% na drogach klasy D. Protokół ten łączy fizykę płynów MR z adaptacyjnym sterowaniem amortyzatorami, oferując powtarzalny przepływ pracy w celu ulepszenia systemów zawieszenia pojazdów elektrycznych w ekstremalnych warunkach termicznych.

Wprowadzenie

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

Szybki rozwój wysokowydajnych pojazdów elektrycznych (EV) w ostatnich latach przyniósł społeczeństwu ludzkiemu więcej wygody, a także nowe wyzwania i możliwości dla konwencjonalnych pojazdów. Na przykład wymagają bardziej responsywnych i precyzyjnych układów napędowych1 oraz zaawansowanych systemów zawieszenia, które są w stanie zapewnić precyzję, dużą siłę wyjściową i szybką adaptację. Tłumiki magnetoreologiczne (MR) idealnie nadają się do spełnienia tych wymagań, wykorzystując płyny magnetoreologiczne - inteligentny materiał, który szybko i odwracalnie zmienia swoje właściwości reologiczne (przede wszystkim lepkość i granicę plastyczności) w obecności pola magnetycznego2,3,4,5,6. Ta kontrolowana zmiana umożliwia amortyzatorowi magnetorezystancyjnemu precyzyjną regulację siły tłumienia. Wykorzystanie tego potencjału wymaga jednak dokładnego modelowania, zwłaszcza że utrzymanie stałej, przewidywalnej wydajności w typowych warunkach pracy w zastosowaniach motoryzacyjnych (np. zakres temperatur może wynosić od -30 °C do +80 °C) pozostaje poważnym wyzwaniem.

Istniejące badania nad tłumikami magnetoreologicznymi (MRD) wykazują znaczące ograniczenia w systematycznym charakteryzowaniu dynamicznych zachowań za pomocą analizy danych reologicznych płynów magnetoreologicznych (MRF)4,6,7,8,9,10,11,12,13,14,15,16,17,18,19. Chociaż udokumentowano znaczne wysiłki w zakresie modelowania parametrycznego, służą one głównie rozwojowi algorytmów sterowania, a nie praktycznym zastosowaniom do projektowania inżynierskiego17,18,19. Co więcej, obecne paradygmaty modelowania często wykorzystują zbyt uproszczone założenia, które ograniczają ich możliwość uogólnienia na różne warunki operacyjne i konfiguracje urządzeń20,21,22,23,24,25,26,27.

Dlatego prezentujemy zintegrowane podejście mające na celu pokonanie tych praktycznych ograniczeń poprzez trzy kluczowe innowacje dla wymagających zastosowań: optymalizację formuły płynu MR w celu poprawy stabilności termicznej w typowych zakresach temperatur samochodowych, zaproponowanie nowego modelu Wykładniczej Liniowej Analizy Mieszania (ELMA) i metodologii identyfikacji parametrów zdolnych do uchwycenia zachowań w różnych warunkach, oraz opracowanie algorytmów kompensacji temperatury dla solidne algorytmy kompensacji temperatury do sterowania MRD w czasie rzeczywistym. Celem jest opracowanie metodologii, która umożliwi niezawodne działanie MRD, w szczególności w odniesieniu do zmian temperatury. Podejście to zapewnia korzyści dzięki ujednoliconej optymalizacji stabilności płynów, zaawansowanemu modelowaniu w celu zwiększenia dokładności i kontroli z kompensacją temperatury. Eksperymenty reologiczne potwierdzają dokładność modelu ELMA, podczas gdy symulacje dynamiki pojazdów wykazują skuteczność strategii kompensacji temperatury w poprawie osiągów zawieszenia w różnych temperaturach, zwiększając w ten sposób żywotność amortyzatorów MR w zastosowaniach takich jak pojazdy elektryczne.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

1. Synteza niestandardowych płynów MR o niskiej gęstości

  1. Otrzymać następujące materiały: olej bazowy PAO162 oraz dodatki: bentonit organiczny, węglan propylenu, środek powierzchniowo czynny i proszek karbonylowo-żelazowy.
  2. Aby przygotować mieszankę, wykonaj czynności opisane poniżej.
    1. Umieść PAO162 (dla MRF1) w naczyniu ze stali nierdzewnej o pojemności 500 ml. Zanurzyć naczynie w łaźni wodnej o temperaturze 50 °C i utrzymywać równowagę przez 10 minut.
    2. Dodać bentonit organiczny do oleju bazowego i mieszać z prędkością 600 obr./min przez 20 minut za pomocą mieszadła mechanicznego (np. IKA RW 20). Dodaj węglan propylenu (PC) i mieszaj z prędkością 600 obr./min przez 10 min. Dodać środek powierzchniowo czynny T154A i mieszać z prędkością 600 obr./min przez 5 minut.
    3. Stopniowo dodawać-SQ do mieszanki. Zwiększ prędkość mieszania do 1 500 obr./min i mieszaj przez 1 godzinę. Monitorować temperaturę, aby utrzymać temperaturę 50 ± 2 °C przez cały czas mieszania. Konfiguracja eksperymentalna jest pokazana w Rysunek 1.

2. Rozwój modelu ELMA

  1. Aby sformułować model ELMA, zdefiniuj równanie ELMA wyrażone jako:
    figure-protocol-1
    gdzie: figure-protocol-2 = Naprężenie ścinające (Pa), figure-protocol-3 = Dynamiczna granica plastyczności (Pa), figure-protocol-4 = Lepkość tworzywa sztucznego (Pa·s), figure-protocol-5 = naprężenie ELMA, kwantyfikujące wielkość odchylenia nieliniowego (Pa), figure-protocol-6 = Stała (s) zaniku wykładniczego, odwrotnie proporcjonalna do krytycznej szybkości ścinania (figure-protocol-7).
  2. Zdefiniuj kluczowe cechy modelu. Przy dużych szybkościach ścinania (figure-protocol-8), uprość ELMA do modelu Binghama (figure-protocol-9). Przy niskich szybkościach ścinania zdefiniuj nieliniowy składnik (figure-protocol-10), który rejestruje odchylenia od zachowania liniowego. Zdefiniuj statyczną granicę plastyczności jako figure-protocol-11.
  3. Do przygotowania i ważenia danych należy skorzystać z protokołu badania szybkości ścinania.
    1. Wykonaj logarytmiczne przemiatanie szybkości ścinania (figure-protocol-12) za pomocą reometru. Uzyskaj 20 punktów danych dla każdego rzędu wielkości.
    2. Użyj strategii ważenia i rozszerz listę szybkości ścinania, dodając ekstrapolowaną wartość(figure-protocol-13).
    3. Oblicz odległości międzystopniowe ścinania, korzystając z następującego równania:
      figure-protocol-14
    4. Normalizuj wagi, używając następującego równania:
      figure-protocol-15
      gdzie figure-protocol-16 to średnia odległość.
  4. Użyj następującego algorytmu identyfikacji parametrów (Rysunek 2).
    1. Aby zlinearyzować przestrzeń parametrów, należy ponownie zapisać równanie ELMA w postaci macierzy w następujący sposób:
      figure-protocol-17
      gdzie: figure-protocol-18 = Kolumnowy wektor zmierzonego naprężenia ścinającego, figure-protocol-19 = Macierz wygenerowana przez odwzorowanie danych szybkości ścinania za pomocą operatora nieliniowego, figure-protocol-20 = Macierz parametrów figure-protocol-21.
    2. Użyj rozwiązania ważonych najmniejszych kwadratów, aby rozwiązać figure-protocol-22 używając następującego równania:
      figure-protocol-23
      gdzie figure-protocol-24 to ukośna macierz wag figure-protocol-25.
    3. Wykonaj optymalizację nieliniową dla b. Zainicjuj b małą wartością (np. figure-protocol-26). Użyj solvera lsqnonlin MATLAB, aby zminimalizować normę resztkową:
      figure-protocol-27
      Iteruj aż do zbieżności (tolerancja: figure-protocol-28) lub maksymalnych iteracji (np. 1000).
  5. Użyj następujących metryk walidacji.
    1. Do kwantyfikacji błędu należy użyć równania sumy błędów kwadratowych (SSE), równania błędu średniokwadratowego (RMSE) i . Równanie R-kwadrat (R2), jak podano poniżej.
      figure-protocol-29
      figure-protocol-30
      figure-protocol-31
  6. Zaimplementuj przepływ pracy zgodnie z poniższym opisem.
    1. W celu pozyskania danych należy wykonać badania reologiczne w kontrolowanych temperaturach (np. 40 °C, 70 °C) i polach magnetycznych (0-1,07 T). Eksportuj dane naprężenia ścinającego (figure-protocol-32) i szybkości ścinania (figure-protocol-33) do MATLAB.
    2. W przypadku ważenia i linearyzacji należy zastosować schemat ważenia opisany w kroku 2.3. Skonstruuj figure-protocol-34 macierz przy użyciu początkowego figure-protocol-35. Przeprowadź optymalizację parametrów, rozwiązując dla figure-protocol-36 za pomocą ważonej metody najmniejszych kwadratów i optymalizuj b za pomocą nieliniowej metody najmniejszych kwadratów.
    3. W celu walidacji porównaj przewidywania modelu z danymi eksperymentalnymi. Oblicz RMSE, aby ocenić dokładność.

3. Implementacja sterowania przepustnicą z kompensacją temperatury

  1. Opracowanie modelu ELMA w zależności od temperatury
    1. W celu eksperymentalnej charakterystyki efektów termicznych należy ustalić konfigurację do testowania przepustnic. Zamontuj niestandardowy amortyzator MR (skok: 75 mm, średnica tłoka: 50 mm) na serwomaszynie elektrohydraulicznej. Przymocuj termoparę do powierzchni przepustnicy, aby monitorować temperaturę w czasie rzeczywistym. Zamknąć przepustnicę w komorze o kontrolowanej temperaturze (od -30 °C do 80 °C).
    2. Wykonaj cykle termiczne. Dla każdej temperatury (-30 °C, -20 °C, -10 °C,...,80 °C) należy zastosować wzbudzenie sinusoidalne przy amplitudzie: 40 mm i częstotliwości: 2,085 Hz. Zmierz siłę tłumienia przy prądach wzbudzenia: 0 A, 1 A, 2 A, 3 A. Przed uzyskaniem danych odczekaj 60 minut na stabilizację temperatury. Konfiguracja eksperymentalna jest pokazana w Rysunek 3.
    3. Do parametryzacji modelu ELMA z zależnością prądu należy użyć następującego równania:
      figure-protocol-37
      gdzie: figure-protocol-38 (dynamiczna granica plastyczności); figure-protocol-39 (współczynnik tłumienia po uplastycznieniu); figure-protocol-40 (wielkość odchylenia nieliniowego); figure-protocol-41 (wykładnicza stała zaniku).
    4. W przypadku dopasowania kwadratowego dopasuj parametry figure-protocol-42, itd., do danych eksperymentalnych przy użyciu optymalizacji metodą najmniejszych kwadratów.
  2. Konstrukcja współczynnika kompensacji temperatury
    1. Wprowadź zależny od temperatury wykładniczy współczynnik korekcyjny, figure-protocol-43 w następujący sposób
      figure-protocol-44
      Gdzie figure-protocol-45 = współczynnik tłumienia po plastyczności przy 25 °C, figure-protocol-46 = Stałe empiryczne.
    2. Aby określić zmodyfikowany współczynnik tłumienia po plastyczności, dostosuj współczynnik tłumienia pod kątem wpływu temperatury i zaktualizuj model ELMA w celu uwzględnienia korekcji termicznej przy użyciu odpowiednio dwóch następujących równań.
      figure-protocol-47
      figure-protocol-48
      Rozszerzoną postacią równań jest
      figure-protocol-49
  3. Model odwrotny do sterowania prądem w czasie rzeczywistym (Rysunek 4).
    1. Aby utworzyć uproszczony model podobny do modelu Binghama, pomiń składnik odchylenia nieliniowego dla sterowania w czasie rzeczywistym w następujący sposób.
      figure-protocol-50
      Zmodyfikowana forma rozszerzona to
      figure-protocol-51
    2. Dla bieżących obliczeń rozwiąż równanie kwadratowe dla figure-protocol-52:
      figure-protocol-53
      o współczynnikach:
      figure-protocol-54
      figure-protocol-55
      figure-protocol-56
    3. W przypadku bieżącego clampowania zastosuj ograniczenia do figure-protocol-57.
  4. Symulacja i walidacja
    1. Aby wygenerować powierzchnię kontrolną, wykonaj śledzenie prądu za pomocą danych wejściowych: Żądana siła (figure-protocol-58), prędkość tłoka (figure-protocol-59), temperatura ( figure-protocol-60) i wyjście: Bieżące polecenie (figure-protocol-61). Wykonaj śledzenie siły za pomocą danych wejściowych: Bieżące polecenie (figure-protocol-62), prędkość tłoka (figure-protocol-63), temperatura ( figure-protocol-64) i wyjście: siła MRD (figure-protocol-65).
    2. W przypadku wskaźników walidacji należy przeprowadzić bieżącą dokładność śledzenia i obliczyć poprawę w stosunku do modelu nieskompensowanego (np. średnia 3,98% przy 80 °C). Przeprowadzić dokładność śledzenia siły i obliczyć poprawę w stosunku do modelu nieskompensowanego (np. średnia 7,75% przy 80 °C).
    3. Oceń efekt kompensacji temperatury wskaźnika zawieszenia pojazdu. Użyj typowego zawieszenia ćwiartkowego (Rysunek 5) do symulacji korelacji. Grupa Sky-hook z kontrolą kompensacji wykazuje zmniejszenie energii z 1,2504 do 1,1007 na drogach klasy D, a grupa mieszana SH-ADD z kontrolą kompensacji wykazuje spadek energii z 1,0565 do 0,9428 na drogach klasy D. Po kompensacji bezwzględna wartość szczytowej szybkości nachylenia w grupie Sky-hook zmniejszyła się z 6,2775 do 4,0287, a w grupie mieszanej SH-ADD zmniejszyła się z 6,2776 do 3,6551.
  5. Przepływ pracy implementacji
    1. W celu charakterystyki termicznej należy przeprowadzić testy przepustnic w różnych temperaturach (od -30 °C do 80 °C). Eksport danych siła-prędkość w celu dopasowania parametrów.
    2. Aby parametryzować model, dopasuj parametry modelu ELMA (figure-protocol-66,etc.) za pomocą lsqcurvefit MATLAB. Określ figure-protocol-67 stałe (figure-protocol-68) za pomocą regresji nieliniowej.
    3. W przypadku wdrożenia modelu odwrotnego zaimplementuj model w Simulink z blokami nasycenia dla bieżącego clampowania.
    4. W celu walidacji sprawdź dokładność śledzenia (Rysunek 6 i Rysunek 7). Porównaj reakcje układu zawieszenia pojazdu z kompensacją i bez kompensacji (Rysunek 8 i Rysunek 9).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Strategia kompensacji temperatury przedstawiona w tym protokole skupia się przede wszystkim na tłumikach magnetoreologicznych, a kontrola kompensacji jest określana na podstawie kompleksowych testów na poziomie przepustnicy w zakresie zależności prądu, prędkości i temperatury. Jednak przeprowadziliśmy również eksperymenty temperaturowe związane z płynem magnetoreologicznym, aby uzyskać obraz pokazany na Rysunek 10, gdy temperatura jest wyższa niż 0 °C, widzim...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Protokół zapewnia ustrukturyzowane podejście do wrażliwości temperaturowej tłumików magnetoreologicznych (MR) dzięki trzem powiązanym innowacjom: zoptymalizowanej syntezie płynów magnetoreologicznych, modelowaniu wykładniczej liniowej analizy mieszania (ELMA) oraz algorytmom adaptacyjnej kompensacji temperatury. Kluczowe etapy obejmują gradientową homogenizację płynu magnetoreologicznego z sekwencyjnym dodawaniem dodatków w kontrolowanej temperaturze (50 ± 2 °C) w celu zminimalizowania osadzania się cząstek. Oryginalna p...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy nie mają żadnych interesów finansowych w produktach opisanych w tym manuskrypcie i nie mają nic więcej do ujawnienia.

Podziękowania

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

Ta praca była wspierana przez Narodową Fundację Nauk Przyrodniczych Chin [numery grantów 51761135124, 11672148, 52003142, 51775293]; oraz Państwowe Kluczowe Laboratorium Technologii NVH i Bezpieczeństwa Pojazdów [Numer grantu NVHSKI-202106]

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
sprężarka powietrzaDynairDA5002CS
Karbonylowy proszekżelaza BASF-SQ
Elektrohydrauliczna serwomaszyna do badania zmęczeniaDOCERPWS-1000
MATLABMathworksR2022b
Bentonit organiczny
INEOSPAO162
Reometr z węglanu propylenuMACKLINPC
Anton PaarMCR702 
SurfaktantJinzhou XinxingT154A
platforma kontroli temperaturyPeltierH-PTD200
ELEMENTIS-Poli-alfa-olefina

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

T umiki magnetoreologicznemodelowanie cieczy MRkompensacja temperaturywyk adnicza analiza mieszana liniowasystemy zawieszeniapojazdy elektrycznealgorytm Sky Hookledzenie si yCarSim Simulink
Film wkrótce dostępny

Powiązane artykuły