基于PERA智能化解决方案的汽车悬架减震器协同优化
背景概述
本案例通过汽车悬架减振器优化这一典型工业场景，展示了PERA智能化解决方案与传统CAE工具（Adams Car）的深度协同能力。在现代自适应悬架系统中，阻尼特性可以根据路况和驾驶员偏好随时调整。然而，需要保持乘坐舒适性和车辆操控性之间的最佳平衡。PERA智能化解决方案通过多目标动态优化算法，实现了阻尼特性与路况、驾驶模式的智能匹配，突破了传统仿真中乘坐舒适性与操控性难以兼顾的瓶颈。
通过PERA独有的智能算法自适配技术（SmartSelection），系统可自动识别优化场景，并动态调整参数搜索策略。即使缺乏专业优化知识的工程师，也能通过智能生成的自动化工作流，快速获得满足复杂约束条件的最佳设计参数组合。
PERA智能化协同解决方案
智能驱动的自动化建模
整车的平顺性仿真在Adams/Car中实现。该模型具有以下特点：
• 基本模型 - 来自标准数据库 <acar_concept> 的“sedan_rwd”
• 轮胎-行驶相互作用模型：PAC 2002
• 总质量：1835公斤
• 非簧载质量：313公斤
创建了自动模拟和分析工作流程，以研究两种主要场景：固定条件下减震器的基本研究和代表性道路轮廓的平均性能。
崎岖的道路
• “整车分析”→“文件驱动事件”
• 行驶速度恒定：~90公里/小时
• 模拟时间：7秒
• 积分步数：700
• 单次计算时间：~ 1.5 分钟
图 1. 在崎岖道路上行驶
单个障碍
• “整车分析”→“赛道赛事”→“3D道路”
• 短、中、长障碍
• 行驶速度恒定
图 2. 穿越单个障碍物
PERA智能化解决方案调度Adams Car完成不同驾驶模式（如越野/城市）的并行仿真（图1、图2），完成多工况模拟。这些场景可以在优化研究中得到丰富或以不同的组合方式使用。乘客振动舒适度标准可以采用多种方式制定。自动化工作流程允许基于位移、加速度、力、频域能量密度分布等值引入任意复杂度的公式。
PERA智能化解决方案通过自适应接口与Adams/Car模型深度集成（见图3），构建包含1835kg整车质量、PAC 2002轮胎模型等特征的数字孪生体。
图 3. Adams/Car 中整车装配的 3D 模型
研究探讨的特征包括底盘绕横轴Y（俯仰）的角运动和加速度、底盘绕纵轴X（滚转）的角位移和加速度、和垂直底盘运动和沿 Z 轴的加速度。
比较响应的指标是值序列的均方根 (RMS)：
自动提取时频域特征（见图4），包括底盘俯仰/侧倾角加速度RMS值、悬架连接点垂直加速度频域能量分布等内容。对于每个特征，提取时间 f(t) 和频率 F(ω) 域中幅度的依赖关系，以供用户进行检查。
图 4. 时域和频域中绕纵轴 X（滚动）的加速度
动态更新减震器F(v)特性参数（如图5）。阻尼系数可变的阻尼器，其压缩/回弹反作用力与行程速度的相关性，可以通过分段线性曲线来描述。因此，模型的输入参数是分段线性相关性的参数。参数可以在较大范围内变化，以获得多样化的悬架行为。
图 5. 悬架减震器反作用力与行程速度依赖关系的参数化
由于阻尼器制造的工艺特点，依赖关系曲线应保持在一个特定的范围内。第 2 类和第 3 类约束可以表示为解析二次函数，因此总共有 8 个二次约束。
图 6. a) – 线段符号；b)、c) – 约束违反
实现模拟过程自动化，创建的工作流程利用 Adams Car 命令语言的功能，自动执行预处理命令、求解器调用和结果后处理。
图 7.模型更新自动化的工作流程
图 7中的工作流程步骤包括：
1. 更新阻尼器 F(v) 的特性。
2. 在Adams Car的脚本文件（cmd）中更新模拟参数，选择模拟类型，求解器设置（积分步数和模拟时间）。
3. 执行 Adams Car 命令脚本，调用后处理器。
4. 读取结果。
5. 输出参数的计算；RMS、FFT等。
该工作流程将作为下面参数和优化研究的模型。
智能参数探索
PERA智能化解决方案通过设计空间探索模块（DSE）实现参数智能筛选（见图8）。通过参数研究，以确保模型足够稳定，并找到有助于最终确定优化问题陈述的基本依赖关系。对于设计空间探索，自动化工作流程以复合块的形式呈现，允许将复杂的工作流程作为单个块纳入外部循环，执行多个并行计算并保存中间结果（数据缓存），以便在模拟中断时重新启动。
图 8.参数研究工作流程
设计空间探索模块 (DSE) 是用于实验设计 (DoE) 和优化研究的工具。嵌入式智能选择技术会根据当前任务应用最合适的算法。
图 9. 用于参数研究的 DSE 块配置
基于相关性分析（见图10），自动识别竞争目标参数（sigma_acc_disp_vert与sigma_acc_roll）。由于它们无法同时改进，所以这些参数可以作为优化的目标。
图 10.相关性分析
敏感性分析有助于了解哪些参数可以从考虑中删除。图11展示了通过敏感性分析来剔除冗余参数。
图 11.敏感性分析
多目标优化执行
构建包含12 个参数、8个二次约束的可行域（见图12），采用双目标帕累托优化策略，动态平衡垂直加速度与侧倾角加速度的竞争关系。
图 12. 优化研究的可行域
基于优化的两个独立目标获得帕累托前沿，以便进一步选择最合适的参数组合。除了 DSE 设置之外，工作流程保持不变，其中两个输出应切换为最小化类型。
图 13. 用于优化研究的 DSE 块配置
由于将所有输出都放入了响应列表中，因此可以使用这些列表设置，只需单击几下即可分析不同的问题。
结果
通过可视化工具自动生成帕累托前沿（见图14），支持工程师交互式选取最优解。
图 14. 双目标优化的帕累托前沿
当比较这些点处的目标函数值时，不可能同时获得所有标准的最优值：当垂直加速度的均方根减小时，横向滚转加速度的均方根增大，反之亦然。
智能优化算法在 600 次迭代中找到了 36 个帕累托前沿点，这意味着每个点大约需要 20 次迭代。相比之下，传统方法则需要大约 3,600 次模型调用（每个点大约需要 100 次）。因此，借助我们的智能优化算法，可以“一夜之间”完成解决方案，并在第二天早上更新报告即可估算结果。可视化工具可以绘制与结果中每个点对应的依赖关系。
图 15. 阻尼器特性沿帕累托边界的质量变化
将初始配置与帕累托边界的最优点进行比较，我们发现优化研究中获得的所有最优点均优于初始配置。此外，如果考虑边界中间的特定配置，我们可以得出，与初始配置相比，垂直过载扩展减少了 10%，侧倾角加速度减少了 2%。
安世亚太的PERA智能化解决方案为汽车行业客户构建了新一代智能研发范式，实现了从传统CAE仿真向AI驱动的协同优化平台的战略升级。在汽车底盘系统开发领域，该方案重新定义了悬架性能优化的方法，将原本需要多学科专家协作、反复迭代的复杂过程，转变为基于智能化解决方案的自主决策闭环优化系统。这种转变提升了单点问题的解决效率，还建立了覆盖产品全生命周期的数字化优化能力。
对于整车制造商而言，PERA智能化解决方案可以帮助实现研发体系的重构。通过将Adams Car等传统工具融入智能化架构，企业得以突破原有工具链的局限性，在保持CAE方法严谨性的同时，获得了AI算法的自适应优化能力。这样，工程团队就能够同时驾驭确定性仿真和概率性优化，在处理悬架系统这类多目标权衡问题时，可以系统性地探索传统方法难以触及的设计空间最优解。特别是在应对电动化底盘、主动悬架等新兴技术领域时，智能化解决方案的快速适配能力将帮助降低企业的技术转型风险。
面向汽车行业智能化转型的大趋势，PERA智能化解决方案提供了平滑演进的技术路径。该架构在兼容企业现有的CAE工具链和标准流程的同时，还为引入数字孪生、自动驾驶等前沿技术预留了接口。这样，客户就能够根据自身数字化成熟度，灵活选择转型节奏和重点领域，稳步提升智能研发水平。PERA智能化解决方案对多物理场、多目标优化的支持能力，将成为车企应对产品复杂度不断增长的关键技术支撑。
来源：安世亚太
