Neue Methode verbessert Genauigkeit bei E-Auto-Schwingungsanalyse
In der Welt der Elektromobilität gewinnt die Beherrschung von Vibrationen und Geräuschen eine immer größere Bedeutung. Ohne den schallmindernden Effekt eines Verbrennungsmotors treten die kleinsten Schwingungen des Antriebs deutlich hervor. Um ein komfortables Fahrgefühl zu gewährleisten, müssen Ingenieure die Dynamik von Antriebslagerungen mit höchster Präzision modellieren und vorhersagen. Ein Forschungsteam der Südchinesischen Technischen Universität und der Guangzhou City University of Technology hat hierfür einen entscheidenden Durchbruch erzielt. Ihre neuartige Analysemethode, veröffentlicht im Journal of Hunan University (Natural Sciences), ermöglicht eine realistischere und genauere Abschätzung der Unsicherheiten in der Auslegung von Antriebslagerungen und könnte die Art und Weise, wie Automobilhersteller NVH-Optimierungen (Noise, Vibration, Harshness) durchführen, nachhaltig verändern.
Die Studie, geleitet von Dr. Lü Hui, außerordentlicher Professor an der Fakultät für Maschinen- und Fahrzeugtechnik der Südchinesischen Technischen Universität, gemeinsam mit den Kollegen Liao Zeyun, Li Changyu, Shangguan Wenbin und Xiao Guoquan, konzentriert sich auf das Antriebslagerungssystem (PMS). Dieses System ist entscheidend dafür, die durch den Elektromotor und das Getriebe erzeugten Vibrationen vom Fahrzeugrahmen zu isolieren. Traditionell verlassen sich Ingenieure bei der Vorhersage der Systemeigenschaften – wie Eigenfrequenzen und Entkopplungsraten – auf vereinfachte Modelle. Diese behandeln unsichere Parameter, beispielsweise die Steifigkeit der Gummilager, oft als unabhängige Variablen mit festen Toleranzbereichen. In der Realität sind diese Parameter jedoch nicht nur unsicher, sondern auch miteinander verknüpft. Die Steifigkeiten in X-, Y- und Z-Richtung eines einzelnen Gummilagers können beispielsweise aufgrund von Material- und Fertigungstoleranzen gemeinsam variieren, während sie von den Werten anderer Lager unabhängig sind. Die Vernachlässigung dieser Korrelationen führt zu übermäßig konservativen oder ungenauen Vorhersagen, die letztendlich Komfort und Haltbarkeit beeinträchtigen.
Bisherige Ansätze zur Berücksichtigung von Unsicherheiten setzten auf probabilistische Modelle oder Intervallanalysen. Probabilistische Verfahren benötigen umfangreiche statistische Daten, die in frühen Entwicklungsphasen oft nicht verfügbar sind. Intervallmethoden hingegen sind einfacher, gehen aber von unabhängigen Parametern aus und können zu großen, unrealistischen Unsicherheitsbereichen führen, die physikalisch nicht mögliche Kombinationen einschließen. Fortgeschrittenere Modelle, wie mehrdimensionale Ellipsoide oder parallele Hexaeder, wurden vorgeschlagen, um Parameterkorrelationen abzubilden, setzen jedoch regelmäßige geometrische Grenzen voraus. In der Praxis bilden reale Parameterstichproben jedoch oft unregelmäßige Cluster, die diesen idealisierten Formen nicht entsprechen, was zu Ungenauigkeiten bei den prognostizierten Reaktionen führt.
Um diese Einschränkungen zu überwinden, stellte das Forschungsteam einen neuen Modellierungsansatz vor, der auf dem sogenannten Polygonal Convex Set (PCS)-Modell basiert und mit der Hauptkomponentenanalyse (PCA) und Monte-Carlo-Simulation kombiniert wird. Das PCS-Modell ist speziell dafür konzipiert, die doppelte Natur der Unsicherheit im PMS zu berücksichtigen: Einige Parameter sind innerhalb einer Gruppe korreliert (z. B. die drei Steifigkeitsrichtungen eines Lagers), während verschiedene Gruppen (z. B. verschiedene Lager) unabhängig bleiben. Durch die Anwendung der PCA identifiziert die Methode die Hauptvariationsrichtungen im Parameterraum und dreht das Koordinatensystem effektiv, um es an die natürliche Struktur der Daten anzupassen. Diese Transformation ermöglicht eine kompaktere und realistischere Darstellung des Unsicherheitsbereichs.
Die zentrale Innovation liegt im Zusammenspiel zweier Unsicherheitsmodelle: dem traditionellen Intervallmodell und dem PCA-basierten Intervallmodell. Das traditionelle Intervallmodell definiert einen Hyperwürfel, der alle möglichen Parameterwerte begrenzt, schließt aber oft riesige Bereiche ohne reale Datenpunkte – sogenannte „Leerräume“ – ein. Das PCA-basierte Modell ist zwar kompakter, kann jedoch in bestimmten Richtungen über die physikalischen Grenzen einzelner Parameter hinausgehen. Indem der Schnitt dieser beiden Modelle gebildet wird, erzeugt der PCS-Ansatz einen engeren, realistischeren Unsicherheitsbereich, der die tatsächlichen Stichprobendaten vollständig enthält, während nicht-physikalische Kombinationen ausgeschlossen werden. Dies führt zu einer genaueren Abschätzung der Systemreaktion, insbesondere für kritische Kenngrößen wie die Entkopplungsrate – ein Maß dafür, wie gut eine bestimmte Schwingungsart von anderen entkoppelt ist.
Zur Validierung ihrer Methode wandten die Forscher diese auf ein reales Beispiel an: ein dreipunktiges Lagerungssystem eines elektrischen Personenkraftwagens. Die Antriebseinheit hatte eine Masse von 70 kg, und die anfänglichen dynamischen Steifigkeitswerte der linken, rechten und vorderen Lager dienten als Ausgangswerte. Die Forscher führten eine Unsicherheit von ±10 % in die Steifigkeitswerte ein und erzeugten synthetische Stichprobendaten mit unterschiedlich starken Korrelationen – schwach (0,1), moderat (0,4) und stark (0,7) – um verschiedene Fertigungsszenarien zu simulieren. Mit einer Monte-Carlo-Simulation mit einer Million Stichproben verglichen sie die Leistung des vorgeschlagenen PCS-Modells mit der traditionellen Intervallanalyse und dem mehrdimensionalen parallelen Hexaeder (MP)-Modell.
Die Ergebnisse waren überzeugend. Bei schwacher Parameterkorrelation lieferten alle drei Modelle ähnliche Ergebnisse, wie erwartet. Mit zunehmender Korrelation wurden die Unterschiede jedoch deutlich. Das traditionelle Intervallmodell, unfähig, Korrelationen zu berücksichtigen, erzeugte die breitesten und konservativsten Reaktionsbereiche für die Entkopplungsraten in X-, Z- und θY-Richtung (Motorrotation). Das MP-Modell, wenn auch leicht besser, wies immer noch signifikante Leerräume in seinem Unsicherheitsbereich auf, was nur zu bescheidenen Verbesserungen der Vorhersagegenauigkeit führte. Im Gegensatz dazu zeigte das PCS-Modell eine deutlich engere Begrenzung der Reaktion und konnte den prognostizierten Bereich der Entkopplungsraten effektiv verkleinern, wenn die Korrelation zunahm.
Beispielsweise lag die X-Achsen-Entkopplungsrate (DX), die vom Intervallmodell prognostiziert wurde, bei starker Korrelation zwischen 45,67 % und 81,69 %. Das MP-Modell reduzierte diesen Bereich auf 49,25 %–79,67 %, eine bescheidene Verbesserung. Das PCS-Modell erreichte jedoch einen deutlich engeren Bereich von 59,77 %–75,75 %, was auf eine präzisere und realistischere Vorhersage hindeutet. Ähnliche Trends waren für die Z-Achsen- (DZ) und θY-Achsen- (DθY) Entkopplungsraten zu beobachten. Die Reduzierung der Obergrenze und die Erhöhung der Untergrenze spiegeln eine genauere Erfassung wider, wie korrelierte Steifigkeitsvariationen das dynamische Verhalten des Systems einschränken.
Eine der bedeutendsten Erkenntnisse war der unterschiedliche Einfluss der Korrelation auf die Obergrenze und die Untergrenze der Reaktion. In allen Richtungen stiegen die unteren Grenzen der Entkopplungsraten mit zunehmender Korrelation deutlicher an als die oberen Grenzen sanken. Dies deutet darauf hin, dass Parameterkorrelationen dazu neigen, das System in Richtung günstigerer (höherer) Mindestleistung zu drängen und so das Risiko einer schlechten NVH-Leistung zu verringern. Die θY-Richtung zeigte die größte Empfindlichkeit, wobei die Untergrenze um fast 13 % anstieg, als die Korrelation von null auf 0,9 stieg. Dies unterstreicht die Bedeutung, Richtungseffekte in der Auslegung zu berücksichtigen.
Die Studie untersuchte auch, welche Lager den größten Einfluss auf die Systemleistung haben. Indem sie die Korrelation nacheinander nur in einem Lager (mit einem Korrelationskoeffizienten von 0,6) einführten, stellten die Forscher fest, dass das rechte und das vordere Lager den stärksten Einfluss hatten. Insbesondere beeinflusste die Korrelation im rechten Lager stark die Obergrenze der X-Achsen-Entkopplungsrate, während das vordere Lager einen erheblichen Einfluss auf die Untergrenzen der X- und Z-Richtung hatte. Diese Erkenntnis ist entscheidend für Konstrukteure: Sie legt nahe, dass eine engere Qualitätskontrolle bezüglich der Steifigkeitskonsistenz der rechten und vorderen Lager größere Verbesserungen der Gesamt-NVH-Leistung bringen könnte, als wenn alle Lager gleich behandelt werden.
Die Implikationen dieser Forschung gehen über akademisches Interesse hinaus. Auf dem wettbewerbsintensiven Markt für Elektrofahrzeuge, wo die Erwartungen der Kunden an einen leisen und sanften Betrieb hoch sind, können selbst kleine Verbesserungen bei NVH zu signifikanten Vorteilen führen. Automobilhersteller, die in fortschrittliche Simulationswerkzeuge investieren, können die PCS-Methode nutzen, um robustere Lagerungssysteme zu konzipieren, die bei Produktionsvarianzen eine konsistente Leistung erbringen. Dies reduziert den Bedarf an kostspieligen physischen Prototypen und späten Konstruktionsänderungen und beschleunigt die Markteinführung.
Darüber hinaus eignet sich die nicht-probabilistische Natur der Methode besonders für frühe Entwicklungsphasen, in denen umfassende statistische Daten möglicherweise noch nicht verfügbar sind. Ingenieure können begrenzte Testdaten oder Expertenwissen nutzen, um Parameterbereiche und Korrelationen zu definieren, und dann das PCS-Modell anwenden, um den Konstruktionsraum effizienter zu erkunden. Dies unterstützt einen systematischeren Ansatz zur robusten Konstruktion, bei dem Unsicherheit nicht ignoriert, sondern aktiv gesteuert wird.
Die Forschung eröffnet auch Türen für zukünftige Arbeiten. Während die aktuelle Studie sich auf Steifigkeitsparameter konzentrierte, könnte der PCS-Ansatz auf andere unsichere Faktoren erweitert werden, wie Lagerpositionen, -winkel oder sogar Materialdämpfungseigenschaften. Außerdem könnte die Methode in Optimierungsroutinen integriert werden, um Lagereinrichtungen zu finden, die die Entkopplungsraten maximieren und gleichzeitig die Empfindlichkeit gegenüber Parametervariationen minimieren. Während sich Elektrofahrzeuge weiterentwickeln – mit schwereren Batterien, Motoren mit höherem Drehmoment und neuen Architekturen wie Skateboard-Plattformen – wird die Notwendigkeit einer fortschrittlichen Unsicherheitsanalyse nur zunehmen.
Aus einer breiteren Perspektive ist diese Arbeit ein Beispiel für den Wandel im Fahrzeugbau hin zu datengesteuerten, modellbasierten Konstruktionsverfahren. Während Fahrzeuge zu immer komplexeren Systemen aus Systemen werden, reichen traditionelle „Faustregel“-Ansätze nicht mehr aus. Stattdessen müssen Ingenieure fortschrittliche mathematische Werkzeuge nutzen, um die Wechselwirkungen zwischen Komponenten zu verstehen und zu steuern. Das PCS-Modell ist ein Schritt in diese Richtung und bietet eine differenziertere und realistischere Möglichkeit, Unsicherheiten zu handhaben.
Für Praktiker in der Industrie ist die Botschaft klar: Die Vernachlässigung von Parameterkorrelationen bei der Konstruktion von Lagerungssystemen kann zu suboptimaler Leistung und unnötiger Überdimensionierung führen. Durch die Anwendung fortschrittlicherer Unsicherheitsmodellierungstechniken wie dem PCS-Ansatz können Ingenieure ein besseres Gleichgewicht zwischen Leistung, Kosten und Zuverlässigkeit erreichen. Während sich die Elektromobilität weiterentwickelt, wird eine solche Präzision zu einem entscheidenden Wettbewerbsvorteil im Streben nach überlegenen Fahrerlebnissen werden.
Die Automobilindustrie steht an einer Weggabelung, an der Innovationen in Software, Materialien und Fertigung zusammenfließen, um neu zu definieren, was möglich ist. Diese Forschung der Südchinesischen Technischen Universität und der Guangzhou City University of Technology ist ein Beweis für die Kraft des interdisziplinären Denkens – die Verbindung von Maschinenbau, Datenwissenschaft und angewandter Mathematik, um ein reales Problem zu lösen. Sie unterstreicht die Bedeutung akademischer Forschung für den industriellen Fortschritt, insbesondere in aufstrebenden Bereichen wie der Elektromobilität.
Während weltweite Automobilhersteller einen Wettlauf um die Elektrifizierung ihrer Fahrzeugflotten führen, wird die Fähigkeit, ein Premium-NVH-Erlebnis zu liefern, ein entscheidender Faktor für die Akzeptanz durch die Verbraucher sein. Methoden wie die von Lü Hui und seinem Team entwickelte liefern die Werkzeuge, die benötigt werden, um diese Herausforderung zu meistern und sicherzustellen, dass das leise Versprechen von Elektrofahrzeugen auf der Straße vollständig erfüllt wird.
Lü Hui, Liao Zeyun, Li Changyu, Shangguan Wenbin, Xiao Guoquan, South China University of Technology, Guangzhou City University of Technology, Journal of Hunan University (Natural Sciences), DOI: 10.16339/j.cnki.hdxbzkb.2024185