虛擬迭代
關注創建者：阿瓦隆號 創建時間：2019-06-27
虛擬迭代的視頻教程
adams car femfat-lab 動態載荷提取（虛擬迭代）
本文介紹adams car 和 femfat-lab虛擬迭代的具體原理、流程、方法。 完整版本和素材請聯系QQ:240986594
￥1 13分鐘 303播放
查看
虛擬迭代的實例教程
在疲勞耐久過程中，虛擬迭代技術得到廣泛應用，該技術的難點主要集中在如何調試模型從而保證迭代結果符合迭代判據，而造成該結果的原因主要有兩方面——載荷譜和動力學模型。 載荷譜的分析與處理 載荷譜的采集分析與處理關系到后續迭代的好壞，如何辨別載荷譜質量的好壞尤以及如何處理并得到高質量載荷譜的十分關鍵。 動力學模型的搭建 虛擬迭代需要建立高質量的模型，這里面的動力學參數要與實際一致，搭建后的模型要建立一定的校核標準，以便后續模型的迭代。 虛擬迭代的調試 一般迭代判定階段總是出現某些偽損傷（或RMS）對不上，此時就需要我們對模型進行重新調試。影響因素主要有：質量、慣量、剛度、阻尼參數。這里說起來容易，但實際處理起來相當困難，因此我們可以借助MI（Model Improve）模塊對模型進行自動調試。 這里對MI功能進行簡單介紹： 第一步：導入模型和輸入輸出 第二步：列出可能對結果有影響的參數，例如我們將質量、剛度作為可能的影響參數。 第三步：診斷參數的靈敏度 第四步：當質量、剛度參數中、質量參數靈敏度較高，我們就只需對質量參數進行調試即可，通過反復的優化最后可以得到較好的結果。
展開 之前我一直覺得VPG方式獲得的載荷譜是富有成效的，但是最近的一個項目與合作方共同處理了4套載荷譜，VPG和虛擬迭代各2套，不同的人通過VPG產生的載荷也是千差萬別，尤其是原地轉向，8子轉向等工況，方向盤的轉動幅度較大，模型需要不停的修正轉角，導致載荷譜的波動有時候不受控制，出現很離譜的錯誤。 ！虛擬迭代也是一樣，我迭代垂直位移，合作方用的是另一個方法，迭代DZ FX FY TX，我這邊迭代垂直位移時候，輪心的Fz總是和實驗采集的有較大差別，我原本是想調整一下模型的，希望彈簧位移，輪心力和加速度都可以逼近的很好。后來想到這個項目載荷譜這么多，也不差我這一個，又想起來過去在修改模型的時候，FZ的偽損傷可以很好，但是對于彈簧位移和加速度卻基本沒有影響，突然覺得這個力其實沒必要較真。 畢竟多體模型和車輛的差距還是很大的，為了彈簧位移和加速度，其他的信號不可避免的要取舍。 由于彈簧位移和加速度的二次積分關系，如果說加速度的胃損傷上不去，但是曲線的跟蹤很好，可以調整下多體的測量點，多半是彈簧哦測點和實車不太一樣。 如果信號突然出現峰值，可以看看是不是緩沖塊碰上了。或者就是毛刺，需要進一步迭代，或者數值處理下。
展開 現在載荷分解很多企業都用虛擬迭代來處理，認為迭代很符合實際。但是更為先進的肯定是VPG了，直接就放棄了路譜采集。 迭代由于受經驗的影響較大，因此必難以做到統一。一般來說，通過femfat調用adams求解器進行計算。路譜文件中最好要包含輪心的加速度，塔包的加速度，還有一些底盤的力，這些力大多用應變進行標定過。 附圖1就是確定求解的輸入和輸出，通過一系列操作，產生傳遞函數。圖2。 這里說的傳遞函數，一般就是Z向的強相關曲線，在頻率域中應該比較光滑為好。 最后就是產生初步驅動，設定迭代步數，軟件就會開始計算，并根據輸出和期望的對比，不斷調整。 如果偽損傷在1附近，那肯定是最佳了，時域上兩個曲線基本就重合。認為迭代效果好。
展開 車架迭代簡要說明（以6×4車型為例）：
輸入選擇6個軸頭垂向位移
輸出主要選擇6個車架垂向位移+6個軸頭加速度（期望信號）以及軸頭垂向力、車架端加速度、減振器受力（監測信號）等
期望信號以及監測信號盡量選擇與激勵相關度高的信號
調試：
以比利時路面為主，主要通過調試板簧剛度以及阻尼參數來得到較好的迭代效果。
以比利時路面為例，迭代結果如下圖所示：
比利時路
adm 調用的多體模型 res req 計算的結果文件 dde rde 驅動通道信息和響應通道信息 exp inv 反向傳遞函數 wdr 噪聲信號 xml 迭代流程文件 drv 進行迭代的驅動信號 fir 濾波設置 xlsx 損傷統計表格
虛擬迭代的相關專題、標簽、搜索
虛擬迭代的最新內容
3VPG彌補傳統耐久載荷短板
?
編輯
傳統解決整車疲勞破壞的方案
整車強度耐久屬性開發在項目前期CAE的仿真迭代需要虛擬載荷的輸入，零部件及系統試驗驗證過程中同樣需要強度耐久載荷的輸入，耐久屬性開發需要確保CAE虛擬仿真/零部件及系統臺架試驗/整車道路試驗有強關聯性，VPG虛擬試驗長載荷技術正好彌補了傳統方法的短板。
通過仿真，可控制各攝像頭位置與視角，并生成可重復、可驗證的圖像和標定數據，適用于整車項目開發初期的快速迭代。虛擬標定不僅提高了標定效率，還支持在方案切換、批量測試、相機布局驗證等場景中自動生成對齊標注，降低人力投入，提升系統上線速度。
在實際開發中，AVM對圖像畸變建模、拼接精度、投影映射等有較高要求，傳統方法依賴人工標定與測試，周期長、靈活性差。
（5）環境與耐久測試
- 道路載荷數據采集：用于車輛耐久性測試，結合虛擬迭代技術加速臺架試驗。
- 疲勞分析：預測結構在長期振動下的壽命。
（6）報告與自動化
- 自定義報告生成：一鍵導出符合企業標準的測試報告。
- 腳本與API支持：可通過VB、Python等編程語言實現自動化測試流程。
2.
這一創新舉措不僅顯著加快了產品的上市進程，減少了物理原型的使用，還能通過迭代虛擬測試實現輪胎與車輛的同步開發，有力地促進了與OEM的合作。此外，新模擬器的投入使用，將助力普利司通朝著可持續發展目標大步邁進，減少物理測試次數，降低材料浪費。據普利司通預計，每年可節省多達 12,000 條試驗輪胎，這將大幅削減二氧化碳排放量和原材料消耗。
之前我一直覺得VPG方式獲得的載荷譜是富有成效的，但是最近的一個項目與合作方共同處理了4套載荷譜，VPG和虛擬迭代各2套，不同的人通過VPG產生的載荷也是千差萬別，尤其是原地轉向，8子轉向等工況，方向盤的轉動幅度較大，模型需要不停的修正轉角，導致載荷譜的波動有時候不受控制，出現很離譜的錯誤。 ！
伴隨著開發經驗的不斷豐富，這些工況也被持續地完善和修正，最終與產品開發的設定目標具有較好的一致性；②虛擬迭代載荷分解方法，該方法需要建立除輪胎以外的整車多體動力學模型，以實測道路載荷譜為輸入，通過迭代計算獲取輪心激勵，當彈簧位移、輪心加速度等目標變量與實測數據一致時，便可以提取零部件的邊界載荷［9］；③基于虛擬試驗場的載荷分解方法，通過掃描實際路面、搭建整車多體系統動力學模型等步驟建立全仿真環境，進而開展載荷分解工作
如前所述，使用SPEO進行了近50次虛擬模擬迭代來解決指針厚度和斜率/坡度問題，以及LED-指針方向問題。要建立50個物理原型的指針將會耗費太多的時間和金錢，從而使努力白費。此外，模擬產生的數據比物理測試更有價值。
當大陸集團制造出物理指針原型時，其性能與SPEOS的模擬非常吻合，該集團設計的這種時尚的模擬車速表投入生產，讓一些經典汽車愛好者非常高興。
各子系統建模的簡要說明：
轉向系統、動力及其傳動系統可以簡化處理，只做配重即可。
前后橋注意建立限位塊，限位塊高度與實際車輛轉態保持一致。
車架必須柔性化處理。
考慮計算效率，前后板簧做簡化處理，重點保證其剛度值。
搭建完整車模型后，需要對整車進行校核，校核質量、慣量、軸核，滿載狀態前后弧高，滿載狀態前后限位高度。
注:前期輸入直接決定后續的結果，因此輸入精度一定要高。
動力學模型的搭建 虛擬迭代需要建立高質量的模型，這里面的動力學參數要與實際一致，搭建后的模型要建立一定的校核標準，以便后續模型的迭代。 虛擬迭代的調試 一般迭代判定階段總是出現某些偽損傷（或RMS）對不上，此時就需要我們對模型進行重新調試。影響因素主要有：質量、慣量、剛度、阻尼參數。這里說起來容易，但實際處理起來相當困難，因此我們可以借助MI（Model Improve）模塊對模型進行自動調試。
其次我們要了解一下為什么要采用虛擬迭代，這是因為如果直接在整車上面加載六分力，車會翻，但實際上測試時候車不會翻，這是因為整車建模的精度與實際總是存在一些差異，導致車會翻，為了解決這個問題，我們采用虛擬迭代的方式，將垂向力迭代代成垂向位移，這樣車就不會翻了。
最后我們發現，虛擬路面似乎較為簡單，但是這里有幾個難點：輪胎、路面。輪胎一般通過試驗獲取參數，可以在Adams中擬合得到所需輪胎。
