应用实例 | 使用Adams与 ODYSSEE构建频率相关阻尼器准确预测行驶和操纵性能

能够将频率相关阻尼器的测试数据作为机器学习实体的能力，从而允许通过虚拟整车模拟进行可靠的行驶预测。

01客户背景

现代车辆悬架系统经过精心设计，在保持良好的平顺性和舒适性的同时，能够满足一流的操控性能——被动悬架在良好的行驶舒适性和良好的操控性能之间做出了妥协。频率选择减振器（FSD）用于获得最佳的乘坐和操纵性能。本研究使用定量方法来确定悬架参数的范围，以提高乘坐舒适性和操纵性能。被动阻尼器使用简单的非线性曲线（力与速度）建模，该曲线与FSD阻尼器模型的相关性不好。

在现代乘用车的发展过程中，减振器的选择在很大程度上涉及主观测试。本文所提出的方法在模拟开发过程中更准确地预测了行驶和操纵性能。

需要一个系统来实时监测和预测悬架支柱的性能。机器学习（ML）和人工智能（AI）已被应用于FSD阻尼器系统的建模和预测。然而，实现ML或AI以建模和预测SUV车辆中液压气动支柱的性能的工作尚未完成。因此，目前的这项工作将是开发ML和AI模型以解决这一问题。

为了实现这一目标，需要采用neighbours=3，power=2的逆动力学求解器。我们使用ODYSSEE与Quasar Embedded的集成以及MATLAB Simulink进行ML/AI模型开发。然后，我们比较了两种ML/AI方法的结果。总试验数据的80%用于模型的开发和训练。剩下的20%用于开发模型的测试和验证。逆动力学模型显示了FSD阻尼器系统性能预测的期望精度。本文研究结果表明，机器学习方法改善了项目的行驶和操纵预测开发阶段，显著缩短了测试时间。

02使用ODYSSEE CAE学习测试数据

ODYSSEE CAE是一个独特而强大的以CAE为中心的创新平台，允许工程师将机器学习、人工智能、降阶建模（ROM）和设计优化应用于工作流程。它允许用户通过实时预测建模、优化CAE模拟和物理测试数据，创建