干货 | GT-SUITE手动档离合器建模及壳体温度仿真

艾迪捷

2天前浏览9

概要

1）在GT-SUITE中建立整车模型和离合器热仿真模型；

2）以测试的驾驶循环踏板开度做为仿真模型的输入，计算循环工况的车速和发动机转速以及离合器壳体的温度；

3）仿真和测试结果的一致性说明，GT-SUITE软件可以准确预测离合器壳体温度的变化，可以用于摩擦片材料的选择，避免离合器过热

离合器温度仿真的必要性

离合器过热是离合器失效的首要因素，在产品开发前期，温度预测结果可以指导材料选型，避免产品失效。导致离合器过热的原因有。

车辆过载；
复杂的交通路况；
离合器频繁踩踏；
不当的换档选择；
恶劣的端部扭矩负载。

图1 离合器过热产生原因

图2是离合器端面磨损随温度变化情况，可以看出：

1.当温度大于200℃时，磨损率急剧增加；

2.摩擦材料的临界温度是400℃，当温度大于400℃时，摩擦片将产生永久损伤。

图2 离合器磨损随温度变化情况

模型仿真参数输入

图3 模型仿真所需参数

图3是整车及离合器建模所需材料参数，可以概括为：

车辆：整车质量信息、轮胎尺寸、滑行试验数据；
动力总成：发动机性能Map、发动机&传动系统惯量信息、主减速比、传动效率
离合器：离合器盘和离合器壳体的质量、表面积和材料，离合器尺寸，摩擦系数，传热系数；
驾驶和环境：驾驶循环、坡度和环境温度

GT-SUITE整车模型及离合器热仿真模型搭建

在GT-SUITE中，根据参数信息，搭建整车仿真模型，整车模型可以为离合器模型提供热边界，如图4所示：

图4 GT-SUITE整车模型

在GT-SUITE中，根据离合器信息，搭建离合器传热模型，如图5所示：

图5 离合器传热模型

试验路谱信息

图6 测试路谱数据

试验采集了某市高峰时段的路谱信息，如图6所示，该路谱有频繁的启停，因此容易导致离合器温度升高，产生过热现象。

仿真结果

图7 仿真计算和测试的路谱对比

模型仿真采用正向计算，即以试验采集的踏板位置为输入，计算车速，结果如图7所示。由对比结果可知，仿真的车速和发动机转速与测试结果一致性非常好。

图8 离合器壳体和端部的温度变化

离合器的热仿真模型可以对离合器壳体和离合器端面的温度进行仿真计算，计算结果如图8所示。

图9 离合器壳体仿真和测试温度对比

结论：

1.在GT-SUITE中可以搭建整车模型以及离合器详细的传热模型；

2.GT-SUITE计算的离合器壳体温度与试验一致性非常好，可以用以判断离合器在驾驶循环中是否有过热现象，也可以在离合器设计前期对摩擦片材料选择提供参考

参考文献:

Modeling of Clutch Housing and Facing Temperature for Estimating Clutch Life of a Manual Trans mission Vehicle

Mahindra| GT-SUITE .2017

来源：艾迪捷

人工智能 | IDAJ带您探索最具前景的深度学习模型——生成对抗网络（GAN）

摘要生成式对抗网络（GAN, GenerativeAdversarial Networks ）是一种深度学习模型，是近年来深度学习研究中最具前景的方法之一。模型通过构建两个模块：生成器（Generator）和判别器（Discriminator）的互相博弈学习产生高质量的图片输出，解决了图片生成的难题。本文将介绍生成对抗网络基本的工作原理，以及在工业设计领域的一些应用。介绍近年来，深度学习技术的发展有了长足的进步，相比于传统机器学习技术需要人为设定特征提取方法，而深度学习技术凭借更大的容量，可以自行学习特征提取而无需人工干预。见图1。图1. 深度学习和机器学习的区别常见的深度学习算法所训练的模型对于给出标量等数据有很好的效果，但是在给出高维张量并使得该张量组成的数据有意义的情况下，却做的不是很好，例如输出高质量的图片、音频以及视频。在这个方面基于生成对抗网络（GAN）所训练的模型就能生成出非常逼真的照片，图像甚至视频。说明下面将详细介绍生成对抗网络（GAN）的设计基本原理。生成对抗网络（GAN）由2个重要的部分构成，结构见图2：1. 生成器(Generator)：通过生成器模型生成数据（大部分是图像），目的是“骗过”判别器；2. 判别器(Discriminator)：判断收到图像是真实的还是生成器生成的，目的是找出生成器做的“假数据”图2. 生成对抗网络的结构下面详细介绍一下过程：第一阶段：固定「判别器D」，训练「生成器G」；让一个「生成器G」不断生成“假数据”，然后给这个「判别器D」去判断。一开始，「生成器G」的能力很弱，所以很容易被判别器识别出来。但是随着不断的训练，「生成器G」的能力不断提升，最终可以骗过了当前的「判别器D」。到了这个时候，「判别器D」的能力不足以给出判断，断是否为假数据的概率为50%。第二阶段：固定「生成器G」，训练「判别器D」，在这一阶段，继续训练「生成器G」已经没有意义。这时需要固定「生成器G」，然后开始训练「判别器D」。通过不断的给入真实的数据和「生成器G」生成的假数据，来训练「判别器D」提高了鉴别能力，最终可以准确的判断出所有的假图片。到这个时候，「生成器G」已经无法骗过「判别器D」。循环阶段一和阶段二，通过反复的迭代，「生成器G」和「判别器D」的能力都越来越强。最终得到了一个效果非常好的「生成器G」，我们就可以用它来生成我们想要的图片或者其他数据了。GAN结构的优势在能训练任何一种生成器网络，而其他的框架需要生成器网络有一些特定的函数形式。而GAN结构的问题在于训练困难，不稳定。生成器和判别器之间需要很好的同步，而在实际训练中很容易导致生成器的梯度消失，或者导致生成器只生成重复但“安全”的样本，使得多样性变差。通过给数据样本增加噪声以及通过变更分布评价的方法可以一定程度改善训练的情况，但是总体来说使用GAN这一方法，还是很依赖于工程人员对于模型以及工程问题的理解。应用下面介绍一些基于生成对抗网络结构的应用，通常来说，生成对抗网络虽然可以生成清晰的图片，但是图片输出的内容难以控制。这里为了输出期望的图片内容，需要在模型训练时加入控制的条件，这个结构叫做cGAN。图3为基于cGAN结构训练的模型用来做内燃机喷雾预测的案例，通过给定不同的输入条件，模型可以实时输出对应的喷雾形状分布。与实际的分布情况对比发现，趋势基本一致。图3. 内燃机燃油喷雾预测案例将训练好的模型打包并通过二次开发封装，可以把训练好的模型做成实际可用的工具。图4为基于上述模型开发而成的燃油喷雾预测工具互动界面，其中使用人员可以通过调整右侧的工具条来获得实时对应的喷雾输出情况，像这样类似的工具可以有效的协助设计人员提升效率。图4. 内燃机燃油喷雾预测交互界面上述应用案例的输入为给定的分布或数字，而在某些实际的应用中，希望通过研究不同的输入的图形而给出对应的输出的图形。在这种情况下，需要模型结构可以读取图片而给出相应的图片。实现这种条件需要用到一种结构叫做pix2pix，pix2pix结构是GAN模型的变形，可以把一张图片转换为类似的图片。非常适合用来计算不同结构形状所对应的输出参数分布。图5的案例为给定不同形状的电机转子，通过pix2pix模型训练后，用来预测对应形状磁通量分布的例子。如果训练的情况良好，生成的模型可以实时给出精度很高的预测结果，从而替代大量的CAE计算。图5. 电机转子磁通量分布预测案例上述的案例输出的图像为一个三维的张量，如果对于输出的图片增加一个时间维度，便可以输出一系列基于时间变化的图片组，从而生成一段视频。如图6所示。图6. 电子转子磁通量分布预测总结通过上述的案例可以发现，生成对抗网络的技术可以替代常规的CAE仿真计算，为工业设计人员提供快速的结果参考，从而帮助设计人员提高效率并节约时间。然而模型的训练过程却有一定难度，需要相应的经验和对理论的理解才能得到满意的结果。来源：艾迪捷