Програмне забезпечення автомобільної інженерії

Продуктивність транспортного засобу пов'язана з загальними можливостями, ефективністю та функціональністю транспортного засобу, включаючи такі аспекти, як прискорення, дальність дії акумулятора, безпека, аеродинаміка та управління водою, вдосконалені системи допомоги водієві (ADAS), управління енергією та тепловим режимом, шум, вібрація та жорсткість (NVH) та акустика, міцність та довговічність, управління транспортним засобом та керованість транспортним засобом.

Інжиніринг автомобільної продуктивності керується вимогами бізнесу та забезпечує наскрізну оптимізацію системи за допомогою безперервного віртуального циклу тестування та моніторингу. Використовуючи a стратегія перемикання влівоВиробники автомобілів та постачальники прагнуть забезпечити кращу ділову цінність, виявляючи потенційні проблеми на початку циклу розробки. Використовуючи моделювання на початку процесу проектування та віртуально перевіряючи, чи відповідає продукція вимогам, вони можуть рано виявити проблеми та виправити їх у зрозумілому цифровому близнюку. Крім того, вони можуть досліджувати альтернативи дизайну раніше на етапі проектування, коли зміна дизайну є простішою та менш руйнівною.

Мультифізичне моделювання відноситься до аналізу множинних одночасних фізичних явищ системи або систем та взаємодій між ними. Керуючись вимогами споживачів та вимогами бізнесу, програмне забезпечення для автомобільної інженерії мультифізики має на меті швидше розробляти безпечні та високопродуктивні продукти. Це дозволяє моделювати складність, досліджувати можливості продуктів, що працюють в реальних умовах, і виявити потенційні проблеми на початку циклу розробки.

Візьмемо для прикладу розробка акумулятора автомобіля, проектні та інженерні команди повинні інтегрувати електрохімічну, електричну, теплову та конструкційну інженерію. Запуск ізольованих кампаній, орієнтованих на ці окремі атрибути, генерує зайві, а іноді суперечливі моделі та набори даних. Натомість використання мультифізичного підходу «все в одному» дозволяє зрозуміти, як саме будуть працювати компоненти при інтеграції з іншими, і гарантує, що навіть перший прототип працює за планом.

Час, коли автомобільні (системні) тестування проводилися на прототипах, давно минув. Сьогодні розвиток не зупиняється в кінці V-циклу. Натомість він продовжується у нескінченному циклі, використовуючи історичні дані, дані випробувань та дані транспортних засобів, що використовуються для створення моделей на основі випробувань, які визначають взаємозв'язок між характеристиками автомобіля та його продуктивністю.

Хорошим прикладом є тестування системи на основі моделі (МБСТ). MBST - це інженерна структура, яка використовує три ключові рішення: віртуальні моделі, віртуально-фізичні системи та фізичні прототипи. Він використовує тестові дані для побудови, перевірки та вдосконалення моделей моделювання, ідентифікує взаємодії через XIl у різних сценаріях та покращує тестові дані за допомогою моделей моделювання фізичних прототипів. Виробники, що використовують MBST, є більш ефективними, швидшими та уникають помилок при передачі даних або постобробці.

Ще одним видатним прикладом є віртуальне прототипування. Віртуальне прототипування - це ефективний метод тестування, який дозволяє досліджувати альтернативи складання транспортних засобів до створення фізичних прототипів. Він спеціально стосується продуктивності NVH та використовує аналіз шляху передачі на основі компонентів (TPA) для швидкої оцінки різних конструкцій, економлячи витрати, виявляючи та контролюючи проблеми рано.

Традиційні методи проектування та інженерії борються з сучасними складними робочими процесами. Використання штучного інтелекту (AI) а машинне навчання (ML) прискорює прийняття рішень, підвищуючи продуктивність інженерних команд та розробляючи інноваційні продукти за коротші терміни. Відповідаючи на будь-який етап циклу розробки, Simcenter пропонує основу для застосування штучного інтелекту для використання історичних даних, уникнення помилок, прискорення аналізу та впевненої оптимізації дизайну.

Наприклад, в системах автономних транспортних засобів AI та ML використовуються для вбудовування поведінки людини в машинне сприйняття. Хоча сучасні системи сприйняття автономних транспортних засобів майже відповідають сенсорним здібностям людини, особливо в стандартних умовах, вони не справляються в екстремальних погодних умовах та складних сценаріях. Сімцентри процес створення сценарію допомагає створювати критичні сценарії для виробників оригіналів та постачальників AV, забезпечуючи відповідність стандартам безпеки, таким як безпека передбачуваної функціональності (SOTIF).

Єдиним стійким способом інтеграції систем транспортних засобів є підхід до проектування та інженерії як цілісної екосистеми. Це дозволяє виробникам швидко переробляти та повторно використовувати робочий процес у міру зміни вимог та компромінувати атрибути між кількома доменами. На рівні процесу важливо відповідати вимогам, залишаючись на зв'язку з системою управління життєвим циклом продукту (PLM), щоб гарантувати, що зміни, внесені в одному домені, відображатимуться у всій системі. А підхід до системної інженерії на основі моделей (MBSE) в розробці транспортних засобів з'єднує системну інженерію з рештою організації розробки, покращуючи співпрацю та прийняття рішень.

Візьмемо приклад інженерія електроприводів. Електропривід складається з електродвигуна, коробки передач і силової електроніки. Кілька експертів з різних областей повинні працювати разом, щоб досягти ефективного, інтегрованого електричного приводу. Тому важливо залишити традиційні силоси розвитку в минулому та дозволити міжфункціональну та міждоменну системну інженерію. Тільки пов'язаний інженерний підхід з інтегрованими багаторазовими робочими процесами через застосування MBSE та цифрового близнюка надає виробникам програмний ланцюг інструментів автомобільної інженерії для управління спіральною складністю інженерії електромобілів - не тільки продукту, але й процесу розробки.