Artigo de método

Aumento de mobilidade inteligente usando modelagem de fluidos magnetoreológicos de alta fidelidade para desenvolvimento de controle de amortecedores adaptativos

DOI:

10.3791/68567

⸱

27 de junho de 2025

 ,  , 
1School of Vehicle and Mobility, Tsinghua University

Neste artigo

Resumo

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

Este protocolo detalha o desenvolvimento de um sistema de controle de amortecedor magnetoreológico (MR) com compensação de temperatura que combina modelagem de fluido magnetoreológico de alta fidelidade, preparação otimizada de fluidos e algoritmos de controle de compensação térmica adaptativa. A metodologia pode ser aplicada a suspensões automotivas para aumentar significativamente o conforto dos veículos elétricos.

Resumo

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

Com o surgimento de veículos elétricos (EVs) de alto desempenho que exigem sistemas de suspensão avançados capazes de fornecer precisão, alta saída de força e rápida adaptabilidade, os amortecedores magnetoreológicos (MR) são essenciais para obter controle de suspensão de resposta rápida. No entanto, sua sensibilidade à temperatura limita a confiabilidade sob condições extremas. Este protocolo apresenta uma abordagem sistemática para enfrentar esse desafio. Um fluido de RM de alto desempenho é sintetizado usando partículas de ferro carbonílico dispersas em um fluido transportador termicamente estável com agentes antidesgaste e antioxidantes. Propomos um modelo de Análise Linear Mista Exponencial (ELMA) e seu método de identificação de parâmetros, que pode ser considerado como uma alternativa superior ao modelo biplástico de Bingham. A estrutura ELMA é estendida para amortecedores MR, com algoritmos de compensação de temperatura melhorando a precisão do rastreamento de corrente em 3,98% e a precisão do rastreamento de força em 7,75% (pico: 19,92%). As simulações conjuntas CarSim/Simulink demonstram que os algoritmos Sky-hook e SH-ADD misto com compensação de temperatura reduzem a variação da aceleração vertical em 11,97% e a taxa de inclinação de pico em 41,78% nas estradas Classe D. Este protocolo une a física dos fluidos de RM ao controle adaptativo do amortecedor, oferecendo um fluxo de trabalho replicável para aprimorar os sistemas de suspensão EV em ambientes térmicos extremos.

Introdução

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

O rápido desenvolvimento de veículos elétricos (EVs) de alto desempenho nos últimos anos trouxe mais conveniência para a sociedade humana, bem como novos desafios e oportunidades para veículos convencionais. Por exemplo, eles exigem trens de força mais responsivos e precisos1 e sistemas de suspensão avançados capazes de fornecer precisão, saída de alta força e adaptabilidade rápida. Os amortecedores magnetoreológicos (MR) são ideais para atender a esses requisitos, utilizando fluidos magnetoreológicos - um material inteligente que altera rápida e reversivelmente suas propriedades reológicas (principalmente viscosidade e tensão de escoamento) na presença de um campo magnético 2,3,4,5,6 . Essa mudança controlável permite que o amortecedor magnetoresistivo regule com precisão a força de amortecimento. No entanto, explorar esse potencial requer modelagem precisa, especialmente porque manter um desempenho consistente e previsível sob as condições operacionais típicas de aplicações automotivas (por exemplo, a faixa de temperatura pode ser de -30 °C a +80 °C) continua sendo um grande desafio.

A pesquisa existente sobre amortecedores magnetorreológicos (MRDs) exibe limitações notáveis na caracterização sistemática de comportamentos dinâmicos por meio da análise de dados reológicos de fluido magnetorreológico (MRF) 4,6,7,8,9,10,11,12,13,14,15,16, 17,18,19. Embora esforços substanciais de modelagem paramétrica tenham sido documentados, eles servem predominantemente ao desenvolvimento de algoritmos de controle, em vez de aplicações práticas de projeto de engenharia 17,18,19. Além disso, os paradigmas de modelagem atuais frequentemente empregam suposições simplificadas que restringem sua generalização em diversas condições operacionais e configurações de dispositivos 20,21,22,23,24,25,26,27.

Assim, apresentamos uma abordagem integrada destinada a superar essas limitações práticas por meio de três inovações principais para aplicações exigentes: otimizar a formulação do fluido MR para melhorar a estabilidade térmica em faixas de temperatura automotivas típicas, propor um novo modelo de Análise de Mistura Linear Exponencial (ELMA) e metodologia de identificação de parâmetros capaz de capturar comportamentos sob diferentes condições e desenvolver algoritmos de compensação de temperatura para temperatura robusta algoritmos de compensação para controle de MRD em tempo real. O objetivo é fornecer uma metodologia que permita uma operação confiável do MRD, abordando especificamente as variações térmicas. A abordagem oferece vantagens por meio da otimização unificada da estabilidade do fluido, modelagem avançada para maior precisão e controle com compensação de temperatura. Experimentos reológicos validam a precisão do modelo ELMA, enquanto simulações de dinâmica de veículos demonstram a eficácia da estratégia de compensação de temperatura em melhorar o desempenho da suspensão em diferentes temperaturas, aumentando assim a viabilidade dos amortecedores MR para aplicações como veículos elétricos.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

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

1. Síntese de fluidos MR personalizados de baixa densidade

  1. Obtenha os seguintes materiais: óleo base PAO162 e aditivos: bentonita orgânica, carbonato de propileno, surfactante e pó de ferro carbonílico.
  2. Para preparar a mistura, siga as etapas descritas abaixo.
    1. Coloque o PAO162 (para MRF1) em um recipiente de aço inoxidável de 500 mL. Mergulhar o recipiente em banho-maria a 50 °C e equilibrar durante 10 min.
    2. Adicione bentonita orgânica ao óleo base e mexa a 600 rpm por 20 min usando um agitador mecânico (por exemplo, IKA RW 20). Adicione carbonato de propileno (PC) e mexa a 600 rpm por 10 min. Adicione o surfactante T154A e mexa a 600 rpm por 5 min.
    3. Adicione gradualmente CIP-SQ à mistura. Aumente a velocidade de agitação para 1.500 rpm e misture por 1 h. Monitore a temperatura para manter 50 ± 2 °C durante a mistura. A configuração experimental é mostrada na Figura 1.

2. Desenvolvimento do modelo ELMA

  1. Para a formulação do modelo ELMA, defina a equação ELMA expressa como:
    figure-protocol-1
    onde: figure-protocol-2 = Tensão de cisalhamento (Pa), figure-protocol-3 = Tensão de escoamento dinâmico (Pa), figure-protocol-4 = Viscosidade plástica (Pa·s), figure-protocol-5 = Tensão ELMA, quantificando a magnitude do desvio não linear (Pa), figure-protocol-6 = Constante de decaimento exponencial (s), inversamente relacionada à taxa de cisalhamento crítica (figure-protocol-7).
  2. Defina os principais recursos do modelo. Em altas taxas de cisalhamento (figure-protocol-8), simplifique o ELMA para o modelo de Bingham (figure-protocol-9). Em baixas taxas de cisalhamento, defina o termo não linear (figure-protocol-10) que captura desvios do comportamento linear. Defina a tensão de escoamento estático como figure-protocol-11.
  3. Para preparação e ponderação de dados, use o protocolo de teste de taxa de cisalhamento.
    1. Execute varreduras logarítmicas de taxa de cisalhamento (figure-protocol-12) usando um reômetro. Adquira 20 pontos de dados para cada ordem de magnitude.
    2. Use uma estratégia de ponderação e estenda a lista de taxas de cisalhamento adicionando um value(figure-protocol-13) extrapolado.
    3. Calcule as distâncias entre as taxas de cisalhamento usando a seguinte equação:
      figure-protocol-14
    4. Normalize os pesos usando a seguinte equação:
      figure-protocol-15
      onde figure-protocol-16 é a distância média.
  4. Use o seguinte algoritmo de identificação de parâmetros (Figura 2).
    1. Para linearização do espaço de parâmetros, reescreva a equação ELMA na forma de matriz da seguinte maneira:
      figure-protocol-17
      onde: figure-protocol-18 = Vetor de coluna de tensão de cisalhamento medida, figure-protocol-19 = A matriz gerada pelo mapeamento dos dados da taxa de cisalhamento por um operador não linear, figure-protocol-20 = Matriz figure-protocol-21de parâmetros .
    2. Use a solução de mínimos quadrados ponderados para resolver o figure-protocol-22 uso da seguinte equação:
      figure-protocol-23
      onde figure-protocol-24 é uma matriz diagonal de pesos figure-protocol-25.
    3. Execute a otimização não linear para b. Inicialize b com um valor pequeno (por exemplo, figure-protocol-26). Use o solucionador lsqnonlin do MATLAB para minimizar a norma residual:
      figure-protocol-27
      Itere até a convergência (tolerância: figure-protocol-28) ou iterações máximas (por exemplo, 1000).
  5. Use as métricas de validação a seguir.
    1. Para quantificação de erros, use a equação da soma dos erros quadrados (SSE), a equação do erro quadrático médio (RMSE) e . Equação R-quadrado (R2) conforme indicado abaixo.
      figure-protocol-29
      figure-protocol-30
      figure-protocol-31
  6. Implemente o fluxo de trabalho conforme descrito abaixo.
    1. Para aquisição de dados, realize testes reológicos sob temperaturas controladas (por exemplo, 40 °C, 70 °C) e campos magnéticos (0-1,07 T). Exporte dados de tensão de cisalhamento (figure-protocol-32) e taxa de cisalhamento (figure-protocol-33) para o MATLAB.
    2. Para ponderação e linearização, aplicar o esquema de pesagem descrito no passo 2.3. Construa figure-protocol-34 a matriz usando a inicial figure-protocol-35. Execute a otimização de parâmetros resolvendo o figure-protocol-36 uso de mínimos quadrados ponderados e otimize b usando mínimos quadrados não lineares.
    3. Para validação, compare as previsões do modelo com dados experimentais. Calcule o RMSE para avaliar a precisão.

                          

3. Implementação de controle de amortecedor com compensação de temperatura

  1. Desenvolvimento de modelo ELMA dependente da temperatura
    1. Para caracterização experimental de efeitos térmicos, estabeleça uma configuração de teste de amortecedor. Monte um amortecedor MR personalizado (curso: 75 mm, diâmetro do pistão: 50 mm) em uma servomáquina eletro-hidráulica. Conecte um termopar à superfície do amortecedor para monitoramento de temperatura em tempo real. Colocar o amortecedor numa câmara com temperatura controlada (-30 °C a 80 °C).
    2. Execute ciclos térmicos. Para cada temperatura (-30 °C, -20 °C, -10 °C,...,80 °C), aplique excitação senoidal em amplitude: 40 mm e frequência: 2.085 Hz. Meça a força de amortecimento nas correntes de excitação: 0 A, 1 A, 2 A, 3 A. Aguarde 60 min para estabilização da temperatura antes da aquisição de dados. A configuração experimental é mostrada na Figura 3.
    3. Para parametrização do modelo ELMA com dependência atual, use a seguinte equação:
      figure-protocol-37
      onde: figure-protocol-38 (tensão de escoamento dinâmico); figure-protocol-39 (coeficiente de amortecimento pós-escoamento);  figure-protocol-40 (magnitude do desvio não linear); figure-protocol-41 (constante de decaimento exponencial).
    4. Para ajuste quadrático, ajuste parâmetros figure-protocol-42, etc., a dados experimentais usando otimização de mínimos quadrados.
  2. Dimensionamento do fator de compensação de temperatura
    1. Introduza um fator de correção exponencial dependente da temperatura, figure-protocol-43 da seguinte forma
      figure-protocol-44
      Em que figure-protocol-45 = coeficiente de amortecimento pós-escoamento a 25 °C, figure-protocol-46 = constantes empíricas.
    2. Para determinar o coeficiente de amortecimento pós-escoamento modificado, ajuste o coeficiente de amortecimento para efeitos de temperatura e atualize o modelo ELMA para incluir a correção térmica usando as duas equações a seguir, respectivamente.
      figure-protocol-47
      figure-protocol-48
      A forma expandida das equações é
      figure-protocol-49
  3. Modelo inverso para controle de corrente em tempo real (Figura 4).
    1. Para fazer um modelo simplificado do tipo Bingham, negligencie o termo de desvio não linear para controle em tempo real da seguinte maneira.
      figure-protocol-50
      A forma expandida modificada é
      figure-protocol-51
    2. Para o cálculo atual, resolva a equação quadrática para figure-protocol-52:
      figure-protocol-53
      com coeficientes:
      figure-protocol-54
      figure-protocol-55
      figure-protocol-56
    3. Para fixação de corrente, aplique restrições a figure-protocol-57.
  4. Simulação e Validação
    1. Para geração de superfície de controle, execute o rastreamento de corrente com entradas: Força desejada (figure-protocol-58), velocidade do pistão (figure-protocol-59), temperatura (figure-protocol-60) e saída: Comando de corrente (figure-protocol-61). Execute o rastreamento de força com entradas: Comando de corrente (figure-protocol-62), velocidade do pistão (figure-protocol-63), temperatura (figure-protocol-64) e saída: força MRD (figure-protocol-65).
    2. Para métricas de validação, execute a precisão do rastreamento atual e calcule a melhoria em relação ao modelo não compensado (por exemplo, média de 3,98% a 80 °C). Realize a precisão do rastreamento de força e calcule a melhoria em relação ao modelo não compensado (por exemplo, média de 7,75% a 80 °C).
    3. Avalie o efeito de compensação de temperatura do indicador de suspensão do veículo. Use a suspensão típica de um quarto (Figura 5) para a simulação da correlação. O grupo Sky-hook com controle de compensação mostra uma redução na energia de 1,2504 para 1,1007 nas estradas Classe D, e o grupo SH-ADD misto com controle de compensação mostra uma diminuição na energia de 1,0565 para 0,9428 nas estradas Classe D. Após a compensação, o valor absoluto da taxa de pico de afinação do grupo Sky-hook diminuiu de 6,2775 para 4,0287, e o grupo SH-ADD misto diminuiu de 6,2776 para 3,6551.
  5. Fluxo de trabalho de implementação
    1. Para caracterização térmica, realizar testes de amortecedores em temperaturas (-30 °C a 80 °C). Exporte dados de força-velocidade para ajuste de parâmetros.
    2. Para parametrização do modelo, ajuste os parâmetros do modelo ELMA (figure-protocol-66, etc.) usando o lsqcurvefit do MATLAB. Determine figure-protocol-67 constantes (figure-protocol-68) por meio de regressão não linear.
    3. Para implantação de modelo inverso, implemente o modelo no Simulink com blocos de saturação para fixação de corrente.
    4. Para validação, verifique a precisão do rastreamento (Figura 6 e Figura 7). Compare as respostas compensadas e não compensadas do sistema de suspensão do veículo (Figura 8 e Figura 9).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

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

A estratégia de compensação de temperatura apresentada neste protocolo concentra-se principalmente em amortecedores magnetoreológicos, e o controle de compensação é determinado a partir de testes abrangentes no nível do amortecedor em uma faixa de dependências de corrente, velocidade e temperatura. No entanto, também fizemos os experimentos de temperatura relacionados ao fluido magnetoreológico para obter a imagem mostrada na Figura 10, quando a temperatura é...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

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

O protocolo fornece uma abordagem estruturada para abordar a sensibilidade à temperatura dos amortecedores magnetoreológicos (MR) por meio de três inovações inter-relacionadas: síntese otimizada de fluidos magnetoreológicos, modelagem de análise de mistura linear exponencial (ELMA) e algoritmos adaptativos de compensação de temperatura. As principais etapas incluem a homogeneização baseada em gradiente do fluido magnetoreológico com adição sequencial de aditivos a uma temperatura control...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

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

Os autores não têm interesses financeiros nos produtos descritos neste manuscrito e não têm mais nada a divulgar.

Agradecimentos

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

Este trabalho foi apoiado pela Fundação Nacional de Ciências Naturais da China [números de concessão 51761135124, 11672148, 52003142, 51775293]; e o Laboratório Estadual de NVH Veicular e Tecnologia de Segurança [Número de concessão NVHSKI-202106]

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
compressor de arDynairDA5002CS
Carbonyl Iron PowderBASFCIP-SQ
Máquina de teste de fadiga servo eletro-hidráulicaDOCERPWS-1000
MATLABMathworksR2022b
Bentonita orgânica
INEOSPAO162
Carbonato de propilenoMACKLINPC
ReômetroAnton PaarMCR702 
SurfactanteJinzhou XinxingT154A
plataforma de controle de temperaturaPeltierH-PTD200
ELEMENTIS-Poly-alpha-olefin

Referências

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

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Amortecedores Magnetorreol gicosModelagem de Fluido MRCompensa o de TemperaturaAn lise Linear Mista ExponencialSistemas de Suspens oVe culos El tricosAlgoritmo Sky HookRastreamento de For aCarSim Simulink
Vídeo em breve

Artigos relacionados