Nuovo modello migliora l’analisi delle vibrazioni nei veicoli elettrici
Nel panorama dell’ingegneria automobilistica moderna, la ricerca del comfort di guida ha assunto una dimensione sempre più centrale, specialmente nel settore in rapida espansione dei veicoli elettrici (VE). Senza il rumore di fondo prodotto dai motori a combustione interna, i veicoli elettrici offrono un’esperienza di guida notevolmente più silenziosa. Tuttavia, questo silenzio, sebbene desiderabile, amplifica l’importanza di ogni minima vibrazione trasmessa dal powertrain al telaio e all’abitacolo. I sistemi di sospensione del motore, progettati per isolare queste vibrazioni, sono diventati un punto critico nella progettazione NVH (Noise, Vibration, Harshness). Un recente studio pubblicato sul Journal of Hunan University (Natural Sciences) da un team di ricercatori della South China University of Technology e della Guangzhou City University of Technology introduce un metodo innovativo che promette di rivoluzionare la precisione con cui gli ingegneri possono prevedere e ottimizzare le prestazioni di questi sistemi, affrontando una sfida fondamentale: l’incertezza e la correlazione dei parametri di progettazione.
Il lavoro, guidato dal professor Lü Hui, docente associato presso la School of Mechanical and Automotive Engineering della South China University of Technology, insieme ai colleghi Liao Zeyun, Li Changyu, Shangguan Wenbin e Xiao Guoquan, si concentra sul sistema di montaggio del powertrain (PMS). Questo sistema, composto da supporti in gomma o materiali compositi, ha il compito cruciale di assorbire le forze e le vibrazioni generate dal motore elettrico durante l’accelerazione, la decelerazione e la guida su strade irregolari. L’efficacia di un sistema di sospensione è spesso misurata dal suo “tasso di disaccoppiamento”, ovvero la capacità di confinare l’energia vibrante a un singolo asse (ad esempio, movimento verticale o rotazione) senza che si trasferisca ad altri. Un alto tasso di disaccoppiamento è sinonimo di una guida più morbida e silenziosa.
Il problema, tuttavia, risiede nella complessità del mondo reale. Durante la produzione e l’uso, i parametri chiave dei supporti, come la loro rigidezza dinamica nelle direzioni X, Y e Z, non sono valori fissi e perfettamente controllabili. Sono soggetti a variabilità dovuta a tolleranze di fabbricazione, differenze nei lotti di materiale, invecchiamento e variazioni di temperatura. Per anni, gli ingegneri hanno affrontato questa incertezza con modelli matematici semplici, noti come “modelli a intervallo”. Questi modelli definiscono un range massimo e minimo per ogni parametro, trattandoli come variabili indipendenti. Ad esempio, la rigidezza in direzione X di un supporto potrebbe essere definita tra 140 e 160 N/mm, mentre quella in direzione Y tra 170 e 190 N/mm, senza considerare come queste tre proprietà dello stesso componente siano legate tra loro.
Questo approccio tradizionale, sebbene pratico, presenta un’importante lacuna: ignora la correlazione intrinseca tra i parametri. In pratica, le tre componenti di rigidezza (X, Y, Z) di un singolo supporto in gomma non variano in modo casuale e indipendente. A causa delle proprietà del materiale e del processo di vulcanizzazione, se la rigidezza in una direzione è più alta del previsto, è molto probabile che lo siano anche le rigidezze nelle altre due direzioni. Questi parametri sono correlati. D’altra parte, i supporti montati a sinistra, a destra e anteriormente sul veicolo sono unità distinte; la correlazione all’interno di un singolo supporto non implica una correlazione tra supporti diversi. Modellare questa complessa struttura di dipendenza e indipendenza è stato un ostacolo per i metodi di analisi convenzionali.
Alcuni approcci più sofisticati, come i modelli probabilistici o quelli basati su ellissoidi multidimensionali e parallelepipedi, hanno cercato di catturare queste correlazioni. Tuttavia, i modelli probabilistici richiedono un’enorme quantità di dati statistici per essere accurati, dati spesso non disponibili nelle fasi iniziali del design. I modelli geometrici, invece, impongono una forma regolare (come un ellissoide perfetto) al dominio di incertidumbre. Nella realtà, i dati sperimentali formano nuvole di punti con contorni irregolari, che non si adattano perfettamente a queste forme idealizzate. L’uso di un modello con un confine troppo regolare può includere vaste “zone vuote” nel dominio di incertezza, regioni dove non esiste alcuna combinazione fisica reale di parametri. Questo porta a previsioni eccessivamente conservative sulla risposta del sistema, costringendo gli ingegneri a progettare in modo più robusto del necessario, con un conseguente aumento di peso, costo e complessità.
Per superare questi limiti, il team di Lü Hui ha sviluppato un nuovo framework di modellazione chiamato Modello di Insieme Convesso Poligonale (PCS, Polygonal Convex Set). L’innovazione centrale di questo approccio è la sua capacità di fondere due visioni dell’incertezza. Innanzitutto, utilizza l’Analisi delle Componenti Principali (PCA), una tecnica statistica che identifica le direzioni principali di variazione all’interno di un insieme di dati multidimensionali. Applicando la PCA ai dati di rigidezza dei supporti, il modello ruota il sistema di coordinate per allinearli con le strutture di correlazione reali dei dati, creando così un “modello a intervallo” in questo nuovo sistema di coordinate, che è molto più compatto di quello tradizionale.
Tuttavia, anche questo modello basato sulla PCA può estendersi oltre i limiti fisici dei parametri individuali. Ecco dove interviene la seconda parte del metodo PCS: l’intersezione. Il modello PCS prende l’intersezione logica tra il dominio di incertezza tradizionale (un ipercubo che rispetta i limiti fisici di ogni parametro) e il dominio di incertezza basato sulla PCA (un parallelepipedo allineato con le correlazioni). Il risultato è un dominio di incertezza poligonale, con una forma molto più irregolare e aderente, che contiene tutti i punti dati reali ed esclude sia le “zone vuote” del modello tradizionale che le estensioni non fisiche del modello PCA. Questo dominio più realistico consente una stima molto più precisa del range di risposta del sistema, soprattutto per metriche critiche come i tassi di disaccoppiamento.
Per dimostrare l’efficacia del loro metodo, il team ha applicato il modello PCS a un caso di studio reale: il sistema di montaggio a tre punti di un’automobile elettrica per il mercato dei passeggeri. Hanno utilizzato i valori di rigidezza dinamica iniziali dei supporti sinistro, destro e anteriore come punto centrale e hanno definito un’incertezza del ±10%. Attraverso simulazioni Monte Carlo con un milione di campioni, hanno generato dati sintetici con diversi livelli di correlazione (bassa, media e alta) per simulare diversi scenari di produzione. Hanno quindi confrontato le previsioni del modello PCS con quelle del modello a intervallo tradizionale e con il modello di parallelepipedo multidimensionale (MP).
I risultati sono stati decisivi. Quando la correlazione tra i parametri era bassa, i tre modelli producevano risultati simili. Tuttavia, all’aumentare della correlazione, la superiorità del modello PCS è diventata evidente. Il modello a intervallo, incapace di catturare le correlazioni, ha prodotto i range di risposta più ampi e conservativi per i tassi di disaccoppiamento nelle direzioni X, Z e θY (rotazione del motore). Il modello MP ha mostrato un leggero miglioramento, ma conteneva ancora regioni significative di “spazio vuoto”. Al contrario, il modello PCS ha ottenuto un confinamento molto più stretto della risposta.
Ad esempio, per il tasso di disaccoppiamento sull’asse X (DX) in condizioni di forte correlazione, il modello a intervallo ha predetto un range da 45,67% a 81,69%. Il modello MP lo ha ridotto a 49,25%–79,67%. Il modello PCS, tuttavia, ha ottenuto un range significativamente più ristretto, da 59,77% a 75,75%. Questa riduzione dell’ampiezza non rappresenta solo una previsione più precisa, ma anche una riduzione sostanziale del margine di errore, elemento cruciale per gli ingegneri che mirano a ottimizzare il design. Tendenze simili sono state osservate per le direzioni Z e θY, con il modello PCS che ha sempre mostrato la maggiore riduzione nell’intervallo di incertezza.
Uno dei risultati più interessanti è stato l’asimmetria con cui la correlazione influenza i limiti superiore e inferiore della risposta. In tutte le direzioni, il limite inferiore (il caso peggiore possibile) del tasso di disaccoppiamento è aumentato molto di più con la correlazione rispetto al limite superiore (il caso migliore possibile) che è diminuito. Questo suggerisce che la correlazione tra i parametri tende a spingere il sistema verso un rendimento minimo più elevato, riducendo il rischio di un comportamento NVH scadente. La direzione θY è stata la più sensibile, con il limite inferiore che è aumentato di quasi il 13% quando la correlazione è passata da zero a 0,9, sottolineando l’importanza di considerare gli effetti direzionali.
Lo studio ha inoltre rivelato quali supporti hanno il maggiore impatto sulle prestazioni del sistema. Introducendo la correlazione in un solo supporto alla volta (con un coefficiente di 0,6), il team ha scoperto che il supporto destro e quello anteriore avevano l’influenza più significativa. La correlazione nel supporto destro ha influenzato fortemente il limite superiore di DX, mentre il supporto anteriore ha avuto un grande impatto sui limiti inferiori di DX e DZ. Questa informazione è inestimabile per i progettisti: indica che un controllo qualità più rigoroso sulla coerenza della rigidezza dei supporti destro e anteriore potrebbe generare maggiori miglioramenti nel comfort generale rispetto a trattare tutti i supporti allo stesso modo.
Le implicazioni di questa ricerca sono profonde per l’industria automobilistica. In un mercato dei veicoli elettrici dove l’esperienza di guida silenziosa e morbida è un punto di vendita chiave, anche piccoli miglioramenti nella precisione dell’analisi NVH possono tradursi in vantaggi competitivi significativi. I produttori possono utilizzare il modello PCS per progettare sistemi di montaggio più robusti che mantengano prestazioni coerenti nonostante le variazioni di produzione, riducendo così la necessità di prototipi fisici costosi e modifiche di design tardive. Inoltre, la sua natura non probabilistica lo rende ideale per le fasi iniziali del design, dove i dati statistici completi potrebbero non essere disponibili.
Questo lavoro rappresenta un passo avanti nell’evoluzione del design automobilistico verso un approccio sempre più basato sui dati e sui modelli. Mentre i veicoli diventano sistemi sempre più complessi, la capacità di modellare con precisione l’incertezza e la correlazione diventa uno strumento essenziale per l’innovazione. Il modello PCS di Lü Hui e del suo team non è solo un miglioramento tecnico; è un esempio di come la ricerca accademica rigorosa possa guidare progressi pratici che migliorano direttamente l’esperienza dell’utente finale sulla strada.
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