案例通過汽車懸架減振器優(yōu)化這一典型工業(yè)場景，展示了PERA智能化解決方案與傳統(tǒng)CAE工具（Adams Car）的深度協(xié)同能力。在現(xiàn)代自適應懸架系統(tǒng)中，阻尼特性可以根據(jù)路況和駕駛員偏好隨時調整。然而，需要保持乘坐舒適性和車輛操控性之間的最佳平衡。PERA智能化解決方案通過多目標動態(tài)優(yōu)化算法，實現(xiàn)了阻尼特性與路況、駕駛模式的智能匹配，突破了傳統(tǒng)仿真中乘坐舒適性與操控性難以兼顧的瓶頸。

通過PERA獨有的智能算法自適配技術（SmartSelection），系統(tǒng)可自動識別優(yōu)化場景，并動態(tài)調整參數(shù)搜索策略。即使缺乏專業(yè)優(yōu)化知識的工程師，也能通過智能生成的自動化工作流，快速獲得滿足復雜約束條件的最佳設計參數(shù)組合。

PERA智能化解決方案

智能驅動的自動化建模

整車的平順性仿真在Adams/Car中實現(xiàn)。該模型具有以下特點：

? ?基本模型 - 來自標準數(shù)據(jù)庫 的“sedan_rwd”

? ?輪胎-行駛相互作用模型：PAC 2002

? ?總質量：1835公斤

? ?非簧載質量：313公斤

創(chuàng)建了自動模擬和分析工作流程，以研究兩種主要場景：固定條件下減震器的基本研究和代表性道路輪廓的平均性能。

崎嶇的道路

?“整車分析”→“文件驅動事件”

? ?行駛速度恒定：~90公里/小時

? ?模擬時間：7秒

? ?積分步數(shù)：700

? ?單次計算時間：~ 1.5 分鐘

圖 1. 在崎嶇道路上行駛

單個障礙

? ?“整車分析”→“賽道賽事”→“3D道路”

? ?短、中、長障礙

? ?行駛速度恒定

圖 2. 穿越單個障礙物

PERA智能化解決方案調度Adams Car完成不同駕駛模式（如越野/城市）的并行仿真（圖1、圖2），完成多工況模擬。這些場景可以在優(yōu)化研究中得到豐富或以不同的組合方式使用。乘客振動舒適度標準可以采用多種方式制定。自動化工作流程允許基于位移、加速度、力、頻域能量密度分布等值引入任意復雜度的公式。

PERA智能化解決方案通過自適應接口與Adams/Car模型深度集成（見圖3），構建包含1835kg整車質量、PAC 2002輪胎模型等特征的數(shù)字孿生體。

圖 3. Adams/Car 中整車裝配的 3D 模型

研究探討的特征包括底盤繞橫軸Y（俯仰）的角運動和加速度、底盤繞縱軸X（滾轉）的角位移和加速度、和垂直底盤運動和沿 Z 軸的加速度。

比較響應的指標是值序列的均方根 (RMS)：

自動提取時頻域特征（見圖4），包括底盤俯仰/側傾角加速度RMS值、懸架連接點垂直加速度頻域能量分布等內容。對于每個特征，提取時間 f(t) 和頻率 F(ω) 域中幅度的依賴關系，以供用戶進行檢查。

圖 4. 時域和頻域中繞縱軸 X（滾動）的加速度

動態(tài)更新減震器F(v)特性參數(shù)（如圖5）。阻尼系數(shù)可變的阻尼器，其壓縮/回彈反作用力與行程速度的相關性，可以通過分段線性曲線來描述。因此，模型的輸入?yún)?shù)是分段線性相關性的參數(shù)。參數(shù)可以在較大范圍內變化，以獲得多樣化的懸架行為。

圖 5. 懸架減震器反作用力與行程速度依賴關系的參數(shù)化

由于阻尼器制造的工藝特點，依賴關系曲線應保持在一個特定的范圍內。第 2 類和第 3 類約束可以表示為解析二次函數(shù)，因此總共有 8 個二次約束。

圖 6. a) – 線段符號；b)、c) – 約束違反

實現(xiàn)模擬過程自動化，創(chuàng)建的工作流程利用 Adams Car 命令語言的功能，自動執(zhí)行預處理命令、求解器調用和結果后處理。

圖 7.模型更新自動化的工作流程

圖 7中的工作流程步驟包括：

1. 更新阻尼器 F(v) 的特性。

2. 在Adams Car的腳本文件（cmd）中更新模擬參數(shù)，選擇模擬類型，求解器設置（積分步數(shù)和模擬時間）。

3. 執(zhí)行 Adams Car 命令腳本，調用后處理器。

4. 讀取結果。

5. 輸出參數(shù)的計算；RMS、FFT等。

該工作流程將作為下面參數(shù)和優(yōu)化研究的模型。

智能參數(shù)探索

PERA智能化解決方案通過設計空間探索模塊（DSE）實現(xiàn)參數(shù)智能篩選（見圖8）。通過參數(shù)研究，以確保模型足夠穩(wěn)定，并找到有助于最終確定優(yōu)化問題陳述的基本依賴關系。對于設計空間探索，自動化工作流程以復合塊的形式呈現(xiàn)，允許將復雜的工作流程作為單個塊納入外部循環(huán)，執(zhí)行多個并行計算并保存中間結果（數(shù)據(jù)緩存），以便在模擬中斷時重新啟動。

圖 8.參數(shù)研究工作流程

設計空間探索模塊 (DSE) 是用于實驗設計 (DoE) 和優(yōu)化研究的工具。嵌入式智能選擇技術會根據(jù)當前任務應用最合適的算法。

圖 9. 用于參數(shù)研究的 DSE 塊配置

基于相關性分析（見圖10），自動識別競爭目標參數(shù)（sigma_acc_disp_vert與sigma_acc_roll）。由于它們無法同時改進，所以這些參數(shù)可以作為優(yōu)化的目標。

圖 10.相關性分析

敏感性分析有助于了解哪些參數(shù)可以從考慮中刪除。圖11展示了通過敏感性分析來剔除冗余參數(shù)。

圖 11.敏感性分析

多目標優(yōu)化執(zhí)行

構建包含12 個參數(shù)、8個二次約束的可行域（見圖12），采用雙目標帕累托優(yōu)化策略，動態(tài)平衡垂直加速度與側傾角加速度的競爭關系。

圖 12. 優(yōu)化研究的可行域

基于優(yōu)化的兩個獨立目標獲得帕累托前沿，以便進一步選擇最合適的參數(shù)組合。除了 DSE 設置之外，工作流程保持不變，其中兩個輸出應切換為最小化類型。

圖 13. 用于優(yōu)化研究的 DSE 塊配置

由于將所有輸出都放入了響應列表中，因此可以使用這些列表設置，只需單擊幾下即可分析不同的問題。

結果

通過可視化工具自動生成帕累托前沿（見圖14），支持工程師交互式選取最優(yōu)解。

圖 14. 雙目標優(yōu)化的帕累托前沿

當比較這些點處的目標函數(shù)值時，不可能同時獲得所有標準的最優(yōu)值：當垂直加速度的均方根減小時，橫向滾轉加速度的均方根增大，反之亦然。

智能優(yōu)化算法在 600 次迭代中找到了 36 個帕累托前沿點，這意味著每個點大約需要 20 次迭代。相比之下，傳統(tǒng)方法則需要大約 3,600 次模型調用（每個點大約需要 100 次）。因此，借助我們的智能優(yōu)化算法，可以“一夜之間”完成解決方案，并在第二天早上更新報告即可估算結果?？梢暬ぞ呖梢岳L制與結果中每個點對應的依賴關系。

圖 15. 阻尼器特性沿帕累托邊界的質量變化

將初始配置與帕累托邊界的最優(yōu)點進行比較，我們發(fā)現(xiàn)優(yōu)化研究中獲得的所有最優(yōu)點均優(yōu)于初始配置。此外，如果考慮邊界中間的特定配置，我們可以得出，與初始配置相比，垂直過載擴展減少了 10%，側傾角加速度減少了 2%。

客戶價值

安世亞太的PERA智能化解決方案為汽車行業(yè)客戶構建了新一代智能研發(fā)范式，實現(xiàn)了從傳統(tǒng)CAE仿真向AI驅動的協(xié)同優(yōu)化平臺的戰(zhàn)略升級。在汽車底盤系統(tǒng)開發(fā)領域，該方案重新定義了懸架性能優(yōu)化的方法，將原本需要多學科專家協(xié)作、反復迭代的復雜過程，轉變?yōu)榛谥悄芑鉀Q方案的自主決策閉環(huán)優(yōu)化系統(tǒng)。這種轉變提升了單點問題的解決效率，還建立了覆蓋產品全生命周期的數(shù)字化優(yōu)化能力。

對于整車制造商而言，PERA智能化解決方案可以幫助實現(xiàn)研發(fā)體系的重構。通過將Adams Car等傳統(tǒng)工具融入智能化架構，企業(yè)得以突破原有工具鏈的局限性，在保持CAE方法嚴謹性的同時，獲得了AI算法的自適應優(yōu)化能力。這樣，工程團隊就能夠同時駕馭確定性仿真和概率性優(yōu)化，在處理懸架系統(tǒng)這類多目標權衡問題時，可以系統(tǒng)性地探索傳統(tǒng)方法難以觸及的設計空間最優(yōu)解。特別是在應對電動化底盤、主動懸架等新興技術領域時，智能化解決方案的快速適配能力將幫助降低企業(yè)的技術轉型風險。

面向汽車行業(yè)智能化轉型的大趨勢，PERA智能化解決方案提供了平滑演進的技術路徑。該架構在兼容企業(yè)現(xiàn)有的CAE工具鏈和標準流程的同時，還為引入數(shù)字孿生、自動駕駛等前沿技術預留了接口。這樣，客戶就能夠根據(jù)自身數(shù)字化成熟度，靈活選擇轉型節(jié)奏和重點領域，穩(wěn)步提升智能研發(fā)水平。PERA智能化解決方案對多物理場、多目標優(yōu)化的支持能力，將成為車企應對產品復雜度不斷增長的關鍵技術支撐。