Методическая статья

Интеллектуальное повышение мобильности с помощью высокоточного магнитореологического моделирования жидкостей для разработки адаптивного управления демпферами

DOI:

10.3791/68567

⸱

27 июня 2025 г.

 ,  , 
1School of Vehicle and Mobility, Tsinghua University

В этой статье

Краткое содержание

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

В этом протоколе подробно описывается разработка магнитореологической (MR) системы управления демпфером с температурной компенсацией, которая сочетает в себе высокоточное магнитореологическое моделирование жидкости, оптимизированную подготовку жидкости и адаптивные алгоритмы управления термокомпенсацией. Методология может быть применена к автомобильным подвескам, чтобы значительно повысить комфорт электромобилей.

Аннотация

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

С ростом популярности высокопроизводительных электромобилей (EV), которым требуются усовершенствованные системы подвески, способные обеспечить точность, высокое выходное усилие и быструю адаптируемость, магнитореологические (MR) демпферы имеют решающее значение для достижения быстрого управления подвеской. Однако их температурная чувствительность ограничивает надежность в экстремальных условиях. Данный протокол представляет собой системный подход к решению этой проблемы. Высокоэффективная МРТ-жидкость синтезируется с использованием частиц карбонильного железа, диспергированных в термически стабильной несущей жидкости с противоизносными агентами и антиоксидантами. Мы предлагаем модель экспоненциального линейного смешанного анализа (ELMA) и метод идентификации ее параметров, который можно рассматривать как превосходную альтернативу бипластической модели Бингема. Фреймворк ELMA расширен до демпферов MR, при этом алгоритмы температурной компенсации повышают точность отслеживания тока на 3,98% и точность отслеживания силы на 7,75% (пик: 19,92%). Совместное моделирование CarSim/Simulink показывает, что алгоритмы Sky-hook и Mixed SH-ADD с температурной компенсацией снижают дисперсию вертикального ускорения на 11,97% и пиковую скорость тангажа на 41,78% на дорогах класса D. Этот протокол соединяет физику жидкости МРТ с адаптивным управлением демпферами, предлагая воспроизводимый рабочий процесс для улучшения систем подвески электромобиля в экстремальных температурных условиях.

Введение

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

Быстрое развитие высокопроизводительных электромобилей (EV) в последние годы принесло больше удобств человеческому обществу, а также новые вызовы и возможности для обычных транспортных средств. Например, им требуются более отзывчивые и точные силовые агрегаты1 и усовершенствованные системы подвески, способные обеспечить точность, высокую отдачу и быструю адаптацию. Магнитореологические (MR) демпферы идеально подходят для удовлетворения этих требований, используя магнитореологические жидкости - умный материал, который быстро и обратимо изменяет свои реологические свойства (в первую очередь вязкость и предел текучести) в присутствии магнитного поля 2,3,4,5,6 . Это контролируемое изменение позволяет магниторезистивному демпферу точно регулировать силу демпфирования. Тем не менее, использование этого потенциала требует точного моделирования, особенно потому, что поддержание стабильной, предсказуемой производительности в типичных условиях эксплуатации автомобильных приложений (например, диапазон температур может составлять от -30 °C до +80 °C) остается серьезной проблемой.

Существующие исследования магнитореологических демпферов (МРТ) демонстрируют заметные ограничения в систематической характеристике динамических характеристик с помощью анализа реологических данных магнитореологической жидкости (МРФ) 4,6,7,8,9,10,11,12,13,14,15,16, 17,18,19. Несмотря на то, что значительные усилия по параметрическому моделированию были задокументированы, они в основном предназначены для разработки алгоритмов управления, а не для практических приложений инженерного проектирования 17,18,19. Кроме того, в современных парадигмах моделирования часто используются чрезмерно упрощенные предположения, которые ограничивают их обобщаемость в различных условиях эксплуатации и конфигурациях устройств 20,21,22,23,24,25,26,27.

Таким образом, мы представляем комплексный подход, направленный на преодоление этих практических ограничений с помощью трех ключевых инноваций для требовательных приложений: оптимизация рецептуры жидкости MR для улучшения термической стабильности в типичных диапазонах автомобильных температур, предложение новой модели экспоненциального линейного анализа смешивания (ELMA) и методологии идентификации параметров, способных фиксировать поведение в различных условиях, а также разработка алгоритмов температурной компенсации для устойчивой температуры. алгоритмы компенсации для управления МОБ в реальном времени. Цель состоит в том, чтобы предоставить методологию, обеспечивающую надежную работу MRD, особенно с учетом тепловых колебаний. Этот подход обеспечивает преимущества за счет унифицированной оптимизации стабильности жидкости, расширенного моделирования для повышения точности и управления с температурной компенсацией. Реологические эксперименты подтверждают точность модели ELMA, в то время как моделирование динамики автомобиля демонстрирует эффективность стратегии температурной компенсации в улучшении характеристик подвески при различных температурах, тем самым повышая жизнеспособность амортизаторов MR для таких приложений, как электромобили.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

1. Синтез специализированных жидкостей низкой плотности для МРТ

  1. Получите следующие материалы: базовое масло PAO162 и присадки: органический бентонит, пропиленкарбонат, поверхностно-активное вещество и порошок карбонильного железа.
  2. Чтобы приготовить смесь, выполните действия, описанные ниже.
    1. Поместите PAO162 (для MRF1) в сосуд из нержавеющей стали объемом 500 мл. Погрузите сосуд в водяную баню при температуре 50 °C и уравновесьте на 10 минут.
    2. Добавьте органический бентонит в базовое масло и перемешивайте при 600 об/мин в течение 20 минут с помощью механической мешалки (например, IKA RW 20). Добавьте пропиленкарбонат (ПК) и перемешивайте при 600 об/мин в течение 10 минут. Добавьте поверхностно-активное вещество T154A и перемешивайте при 600 об/мин в течение 5 минут.
    3. Постепенно добавляйте в смесь CIP-SQ. Увеличьте скорость перемешивания до 1 500 об/мин и перемешивайте в течение 1 часа. Следите за температурой 50 ± 2 °C во время смешивания. Экспериментальная установка показана на рисунке 1.

2. Разработка модели ELMA

  1. Для формулировки модели ELMA определите уравнение ELMA, выраженное как:
    figure-protocol-1
    где: figure-protocol-2 = Напряжение сдвига (Па), figure-protocol-3 = Динамическое напряжение текучести (Па), figure-protocol-4 = Пластическая вязкость (Па·с), figure-protocol-5 = Напряжение ELMA, количественно определяющее величину нелинейного отклонения (Па), figure-protocol-6 = Экспоненциальная константа затухания (с), обратно пропорциональная критической скорости сдвига (figure-protocol-7).
  2. Определите ключевые особенности модели. При высоких скоростях сдвига (figure-protocol-8) упростите ELMA до модели Бингема (figure-protocol-9). При низких скоростях сдвига определите нелинейный член (figure-protocol-10), который фиксирует отклонения от линейного поведения. Определите статический предел текучести как figure-protocol-11.
  3. Для подготовки данных и взвешивания используйте протокол испытаний скорости сдвига.
    1. Выполните логарифмическую развертку скорости сдвига (figure-protocol-12) с помощью реометра. Получение 20 точек данных для каждого порядка величины.
    2. Используйте стратегию взвешивания и расширьте список скоростей сдвига, добавив экстраполированное значение(figure-protocol-13).
    3. Рассчитайте расстояния между скоростями сдвига с помощью следующего уравнения:
      figure-protocol-14
    4. Нормализуем веса с помощью следующего уравнения:
      figure-protocol-15
      где figure-protocol-16 — среднее расстояние.
  4. Используйте следующий алгоритм идентификации параметров (рисунок 2).
    1. Для линеаризации пространства параметров перепишите уравнение ELMA в матричном виде следующим образом:
      figure-protocol-17
      где: figure-protocol-18 = Столбичный вектор измеренного напряжения сдвига, figure-protocol-19 = Матрица, полученная путем отображения данных о скорости сдвига нелинейным оператором, figure-protocol-20 = Матрица figure-protocol-21параметров .
    2. Используйте взвешенное решение по методу наименьших квадратов для решения следующего figure-protocol-22 уравнения:
      figure-protocol-23
      где figure-protocol-24 — диагональная матрица весов figure-protocol-25.
    3. Выполнение нелинейной оптимизации для b. Инициализируйте b с маленьким значением (например, figure-protocol-26). Используйте решатель lsqnonlin от MATLAB для минимизации нормы остаточного значения:
      figure-protocol-27
      Выполняйте итерации до сходимости (допуск: figure-protocol-28) или максимального количества итераций (например, 1000).
  5. Используйте следующие метрики проверки.
    1. Для количественной оценки ошибок используйте уравнение суммы квадратов ошибок (SSE), уравнение среднеквадратичной ошибки (RMSE) и уравнение . R-квадрат уравнения (R2), как показано ниже.
      figure-protocol-29
      figure-protocol-30
      figure-protocol-31
  6. Реализуйте рабочий процесс, как описано ниже.
    1. Для получения данных проводите реологические испытания при контролируемых температурах (например, 40 °C, 70 °C) и магнитных полях (0-1,07 Тл). Экспорт данных о напряжении сдвига (figure-protocol-32) и скорости сдвига (figure-protocol-33) в MATLAB.
    2. Для взвешивания и линеаризации применяйте схему взвешивания, описанную в шаге 2.3. Построение figure-protocol-34 матрицы с помощью начального figure-protocol-35. Выполните оптимизацию параметров, решив решение для figure-protocol-36 использования взвешенных методов наименьших квадратов, и оптимизируйте b с помощью нелинейных методов наименьших квадратов.
    3. Для проверки сравните прогнозы модели с экспериментальными данными. Вычислите RMSE для оценки точности.

                          

3. Реализация управления заслонкой с температурной компенсацией

  1. Разработка температурно-зависимой модели ELMA
    1. Для экспериментального определения характеристик тепловых эффектов необходимо установить испытательную установку для демпферов. Установите специальный демпфер MR (ход: 75 мм, диаметр поршня: 50 мм) на электрогидравлическую сервомашину. Прикрепите термопару к поверхности демпфера для мониторинга температуры в режиме реального времени. Поместите заслонку в камеру с регулируемой температурой (от -30 °C до 80 °C).
    2. Выполните термоциклирование. Для каждой температуры (-30 °C, -20 °C, -10 °C,...,80 °C) примените синусоидальное возбуждение с амплитудой: 40 мм и частотой: 2,085 Гц. Измерьте силу демпфирования при токах возбуждения: 0 А, 1 А, 2 А, 3 А. Подождите 60 мин для стабилизации температуры перед сбором данных. Экспериментальная установка показана на рисунке 3.
    3. Для параметризации модели ELMA с текущей зависимостью используйте следующее уравнение:
      figure-protocol-37
      где: figure-protocol-38 (динамическое напряжение текучести); figure-protocol-39 (коэффициент демпфирования после предела текучести);  figure-protocol-40 (величина нелинейного отклонения); figure-protocol-41 (экспоненциальная константа затухания).
    4. Для квадратичной аппроксимации, аппроксимации параметров figure-protocol-42и т.д. к экспериментальным данным с использованием оптимизации по методу наименьших квадратов.
  2. Расчет коэффициента температурной компенсации
    1. Введите зависящий от температуры экспоненциальный поправочный коэффициент figure-protocol-43 следующим образом
      figure-protocol-44
      где figure-protocol-45 = Коэффициент демпфирования после выхода продукции при 25 °C, figure-protocol-46 = Эмпирические константы.
    2. Чтобы определить измененный коэффициент демпфирования после выхода продукта, отрегулируйте коэффициент демпфирования с учетом температурных эффектов и обновите модель ELMA, включив в нее термокоррекцию с использованием следующих двух уравнений соответственно.
      figure-protocol-47
      figure-protocol-48
      Разложенная форма уравнений имеет вид
      figure-protocol-49
  3. Обратная модель для управления током в реальном времени (рис. 4).
    1. Чтобы создать упрощенную модель в стиле Бингема, пренебрегайте членом нелинейного отклонения для управления в реальном времени следующим образом.
      figure-protocol-50
      Модифицированная развернутая форма имеет вид
      figure-protocol-51
    2. Для текущего вычисления решите квадратное уравнение для figure-protocol-52:
      figure-protocol-53
      с коэффициентами:
      figure-protocol-54
      figure-protocol-55
      figure-protocol-56
    3. Для текущего зажима примените зависимости к figure-protocol-57.
  4. Моделирование и валидация
    1. Для генерации поверхности управления выполните отслеживание тока с помощью входных данных: Желаемая сила (figure-protocol-58), скорость поршня (figure-protocol-59), температура (figure-protocol-60) и выход: Текущая команда (figure-protocol-61). Выполнение отслеживания силы с помощью входных данных: текущая команда (figure-protocol-62), скорость поршня (figure-protocol-63), температура (figure-protocol-64) и выход: сила MRD (figure-protocol-65).
    2. Для проверки метрик выполните текущую точность отслеживания и рассчитайте улучшение по сравнению с некомпенсированной моделью (например, в среднем 3,98% при 80 °C). Проведите контроль точности отслеживания силы и рассчитайте улучшение по сравнению с некомпенсированной моделью (например, среднее значение 7,75% при 80 °C).
    3. Оценка эффекта температурной компенсации индикатора подвески автомобиля. Используйте типичную четвертную суспензию (рис. 5) для моделирования корреляции. Группа Sky-HOOK с компенсационным управлением показывает снижение энергии с 1,2504 до 1,1007 на дорогах класса D, а смешанная группа SH-ADD с компенсационным управлением показывает снижение энергии с 1,0565 до 0,9428 на дорогах класса D. После компенсации абсолютное значение пиковой скорости тангажа в группе Sky-hook снизилось с 6,2775 до 4,0287, а в группе смешанных SH-ADD уменьшилось с 6,2776 до 3,6551.
  5. Процесс внедрения
    1. Для определения тепловых характеристик проведите испытания демпферов при температурах (от -30 °C до 80 °C). Экспорт данных о силе-скорости для подгонки параметров.
    2. Для параметризации модели подогнайте параметры модели ELMA (figure-protocol-66,и т. д.) с помощью MATLAB lsqcurvefit. Определите figure-protocol-67 константы (figure-protocol-68) с помощью нелинейной регрессии.
    3. Для развертывания обратной модели реализуйте модель в Simulink с блоками насыщения для текущего зажима.
    4. Для проверки проверьте точность отслеживания (Рисунок 6 и Рисунок 7). Сравните реакцию системы подвески автомобиля с компенсацией и без компенсации (Рисунок 8 и Рисунок 9).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Стратегия температурной компенсации, представленная в этом протоколе, ориентирована в первую очередь на магнитореологические демпферы, а управление компенсацией определяется на основе всесторонних испытаний на уровне демпфера в диапазоне зависимости тока, скорости и температуры. Тем не менее, мы также провели магнитореологические эксперименты, связанные с температурой жидкости, чтобы получить изображение, показанное на рисунке 10, когда температура выше 0 °C,...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

Протокол обеспечивает структурированный подход к решению проблемы температурной чувствительности магнитореологических (MR) демпферов с помощью трех взаимосвязанных инноваций: оптимизированного синтеза магнитореологической жидкости, моделирования экспоненциального линейного анализа смешивания (ELMA) и адаптивных алгоритмов температурной компенсации. Ключевые этапы включают градиентную гомогенизацию магнитореологической жидкости с последовательным добавлением присадок при контролируемой те...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Авторы не имеют финансовых интересов в продуктах, описанных в данной рукописи, и им больше нечего раскрывать.

Благодарности

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

Эта работа была поддержана Национальным фондом естественных наук Китая [гранты No 51761135124, 11672148, 52003142, 51775293]; и Государственная ключевая лаборатория НВХ транспортных средств и технологий безопасности [Номер гранта NVHSKI-202106]

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
воздушный компрессорDynairDA5002CS
порошок карбонильного железаBASFCIP-SQ
Электрогидравлическая машина для сервоусталостных испытанийDOCERPWS-1000
MATLABMathworksR2022b
Органический бентонит
INEOSPAO162
Реометр из карбоната пропиленаMACKLINPC
AntonPaarMCR702 
Поверхностно-активное веществоJinzhou XinxingT154A Платформа
контроля температурыPeltierH-PTD200
ELEMENTIS-поли-альфа-олефин

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Sky HookCarSim Simulink
Видео скоро будет доступно

Похожие статьи