Dowway Vehicle の CEO である Johnny Liu 著
公開: 2026 年 2 月 28 日
重要なポイント:
- 主な目標: 正確な荷重予測は、実際の運転条件を正確なコンポーネントの耐久性計算に直接結び付けます。
- 主な方法: エンジニアは、最良の結果を得るために、物理テスト測定、マルチボディ ダイナミクス (MBD) シミュレーション、およびハイブリッド テスト シミュレーション アプローチに依存しています。
- ハードルを克服する: チームは、数学のデカップリングと厳密なモデル キャリブレーションを使用して、混合力と移動経路の変更を処理します。
- 次は何ですか： より優れたセンサー、AI、およびデジタル ツインは、負荷予測をゼロの精度と完全なライフ サイクル トラッキングに向けて推進しています。
今日の車の購入者は、より安全で丈夫な車を長持ちさせたいと考えています。 この需要により、エンジニアは自動車の製造方法を再考するようになりました。 通常のドライブでは、車両は一度に多くの力を処理します。つまり、粗い道路、ハード ブレーキング、鋭いターン、エンジン トルクです。 これらの力は、フレーム、サスペンション、ドライブトレインを通過します。 最終的に、それらは個々の部品に衝突し、摩耗、裂け目、疲労を引き起こします。
古い方法では、これらの力または一般的な車両負荷を特定の部品に推測しました。 このアプローチは頻繁に失敗しました。 部品が重すぎて高価であるか、弱すぎて早く壊れた。 これを修正するために、業界は荷重分解による耐久性分析に正確な負荷予測を使用します。 このプロセスは、車両全体の力を利用して、パーツごとの正確なデータに分割します。 チームは、初期の設計から最終テストまで、このデータを使用します。
コアの概念と理論的基礎
リバース ロード トレースとデカップリング
自動車の負荷分解は逆方向に機能します。 実際の運転データを取得し、それを車の構造にトレースします。 結合された多方向の力 (横方向の旋削と混合された垂直バンプなど) は、部品ごとに個々の荷重コンポーネントに分離されます。 最終的な出力は、部品がその寿命にわたってどれだけの応力を受けるかをエンジニアに正確に伝える正確な信頼性負荷スペクトルです。
重要な理論上の柱
4 つのコア理論により、このプロセスが機能します。
- 荷重伝達理論: 力のバランスが取れています。 エネルギーは、その剛性と減衰に基づいてパーツを通過します。 これにより、路面の隆起がシャーシまでどのように移動するかを明確に把握できます。
- マルチボディ ダイナミクス (MBD) 理論: 車は動的に動く。 MBD モデルは、加速、ブレーキング、およびコーナリング中に運動学と運動学をシミュレートします。 これにより、任意の時点での正確な変位、速度、および力が計算されます。
- ロード デカップリング理論: 実際の負荷は乱雑で複雑です。 直交分解などの数学的方法は、これらの混合力を明確な単一次元のメトリックに分離します。
- 疲労累積損傷理論: エンジニアは、マイナー ルールやレインフロー カウントなどのルールを使用して、フォース データを予想寿命数に変換します。 これにより、分解データが現実と一致することが確認されます。
正確な負荷予測のための主流の方法論
エンジニアリング チームは、予算、タイムライン、および精度のニーズに基づいて、特定の方法を選択します。
1. 測定方法をテストします
このデータ駆動型のアプローチは、センサーを車に乗せて実世界の状況を捉えることができます。
- ワークフロー: テスト シナリオ (都市、高速道路、山) を定義します。 6 軸力センサーなどのセンサーを取り付けてキャリブレーションします。 DAQ システムを使用して動的データを記録します。 データをクリーンアップしてノイズを除去します。 最後に、数値を分解して、フォース バランス ルールに照らしてチェックします。
- 長所と 短所: 高精度。 アセンブリ エラーや突然のくぼみなど、現実世界の奇妙さをキャッチします。 ただし、お金がかかり、時間がかかります。 チームは主に後期検証に使用します。
2. シミュレーション分析方法
MBD と FEA を使用して、エンジニアはデジタル モデルを構築して、力を仮想的にテストします。
- ワークフロー: デジタル モデルを構築します。 仮想シナリオと境界条件を設定します。 ロード入力を適用します。 ソルバーの計算を実行します。 各パーツのデータを抽出し、疲労計算を実行します。
- 長所と 短所: 高速で安価で、初期段階の設計に柔軟に対応できます。 マイナス面は、単純化されたモデルが複雑な現実世界の変数を見逃す可能性があることです。
3. テストシミュレーションの組み合わせ法
これが業界標準です。 これは、物理テストの高精度とデジタル シミュレーションの速度を融合させます。
- ワークフロー: 少量の物理ベースライン データを収集します。 デジタル モデルを構築します。 エラー マージンが 10% を下回るまで、物理データに対してモデルをキャリブレーションします。 何百もの仮想シミュレーションを実行します。 負荷を抽出します。 いくつかの物理テストを行って、最終的な数値を確認します。 最終的な耐久性負荷スペクトルを出力します。
- 長所と 短所: コストとパフォーマンスのバランスが最高です。 考えられるすべての運転シナリオを正確にカバーします。 物理テストとソフトウェア シミュレーションの両方に熟練したチームが必要です。
主な課題と解決策
耐久性分析のために正確な負荷予測を得るのは大変な作業です。 エンジニアが最大の問題を解決する方法は次のとおりです。
- 重度の多次元荷重結合: ホイールは一度に 3 方向からヒットします. 解決策: チームは、「直交分解 + モーダル デカップリング」戦略を使用します。 それらは荷重を異なる軸に投影し、成分の固有振動数を使用してノイズを除去します。
- 複雑な転送パス: 車がブレーキをかけるときと回るときの荷重経路が変わる. 解決策: エンジニアは、接続ノードをひずみゲージでマッピングし、キャリブレーションされたシミュレーションを使用してパスがどのように変化するかを追跡します。
- 精度制御: 小さなエラー スノーボール. 解決策: チームは、センサーの配置、モデル パラメーター、および最終的なリグ テストについて厳格な品質管理を実行します。
- さまざまな運転条件: 街で運転する車は、山の上で運転する車とは異なる摩耗. 解決策: マルチコンディション ロード フュージョン テクノロジー。 エンジニアは、実際の走行距離の統計に基づいて、さまざまな環境からの負荷スペクトルを比較検討します。
実際のエンジニアリング アプリケーション: サスペンション アームのケース スタディ
Dowway 車両は、乗用車のサスペンション アームに負荷分解プロジェクトを実行し、初期の疲労亀裂を防ぎました。
- 背景: アームは、垂直方向の道路への衝撃、横方向のステアリング、および縦方向のブレーキを処理します。 設計を修正するには、正確な負荷スペクトルが必要でした。
- 実装: 6 軸ホイール センサーとひずみゲージをテスト カーに搭載しています。 Adams/Car モデルを構築しました。 最初は、デジタル モデルは物理テストと比較して 15% ずれていました。 サスペンション ブッシングの剛性とジョイント クリアランスを調整しました。 エラーが にドロップされました 8%未満. 次に、8 つの異なる仮想シナリオを実行し、負荷を分離しました。 検証するために、最終的な 2 つの物理テストを実行しました。 デジタル データと物理データの間のエラーは、 7%未満。
- 影響: 検証済みのスペクトルを FEA ソフトウェアに供給しました。 古い疲労寿命は 2.8×10⁵ サイクルでした。 目標は 2.5×10⁵ 以上でした。 構造フィレットを最適化し、高応力領域に厚みを追加しました. 新しい疲労寿命は 3.5×10⁵ サイクルに達しました。 また、安全な場所から素材を切り取り、部品をより軽くします。 初期のひび割れは完全に止まりました。
将来の傾向
車がよりスマートになると、荷重分解が変化します。
- ほぼゼロのエラー: より小型で優れたセンサーと非常に詳細なデジタル モデルにより、予測誤差がほぼゼロに縮小されます。
- AI の速度: 機械学習アルゴリズムは、シミュレーションのセットアップ、モデルのキャリブレーション、およびデータ処理を人間よりもはるかに迅速に処理します。
- 閉ループ統合: テスト データ、デザイン ソフトウェア、およびライフ予測ツールは互いに直接通信し、新しいデータが入ってくると自動的にモデルを更新します。
- 完全なライフサイクル追跡: 道路上の車は、オンボード センサーを使用して、実際の摩耗や損傷を追跡します。 これにより、所有者は自分の車をいつ修理するかを把握し、次世代の車両世代の実際のデータをエンジニアに提供します。
よくある質問 (FAQ)
1. 耐久性と疲労解析における正確な負荷予測の役割は何ですか?
部品の耐久性は、時間の経過とともにかかる力に直接依存します。 耐久性分析では、これらの力を使用して、部品の長持ちを計算します。 負荷の予測が悪くなると、寿命の見積もりが悪くなり、予期しない失敗が発生します。 エンジニアは、実際のテスト データ、マルチボディ ダイナミクス、および統計スペクトルを使用して、必要な正確な入力を取得します。
2. 直接測定が難しい場合、エンジニアはどのようにして現実的な負荷を得ることができますか?
実際の道路ですべての部品をテストすることは、通常不可能です。 代わりに、エンジニアはハイブリッド方式を使用します。
- 仮想感知: 限られた物理センサー データをデジタル モデルと組み合わせて、到達しにくい場所にある力を推測します。
- シミュレーション: 仮想車両をデジタル環境で実行して、時間の経過とともに現実的な力データを生成します。
- データベース: 確立された業界標準の読み込みプロファイルをベースラインとして使用します。
3. 耐久性シミュレーションの負荷を予測するエンジニアリング方法は何ですか?
いくつかの信頼できるツールは、この作業を処理します。
- 有限要素解析 (FEA): 複雑な形状の正確な応力とひずみを計算します。
- マルチボディ ダイナミクス (MBD): 車全体がどのように動くかをシミュレートし、そのデータを FEA に送信する前に動く力を見つけます。
- 雨流サイクルのカウント: 膨大な量の力データを、明らかな疲労損傷の数値に変えます。
4. 機械学習は負荷予測を改善できますか?
はい。 物理学に基づいた機械学習モデルは、精度を迅速に向上させます。
- パターン抽出: AI は、デジタル モデルが苦労しているギャップを埋めるために、過去のテスト データに隠された傾向を見つけます。
- 物理情報通信ネットワーク: これらの AI モデルは、基本的な機械法則を学習するため、物理的に不可能な結果が得られません。
これらのツールをうまく機能させるには、高品質のデータが必要です。
5. 耐久性の負荷予測における主なハードルは何ですか?
最大の課題は次のとおりです。
- 実際の条件: すべてのドライバーとすべての道路は異なります。 その正確なミックスを捉えるのは大変です。
- データノイズ: センサーの読み方が悪いと、機械学習の予測が台無しになります。
- 複雑な読み込み: 力が異なる方向から同時に押したり引いたりしたときの損傷の計算は、数学的に困難です。
これらの問題を解決するには、実際の物理テスト、高度なシミュレーション、およびスマート データ処理を組み合わせる必要があります。
最終的な考え
車載信頼性の負荷分解により、複雑な現実世界のドライビングが直接正確な部品設計に接続されます。 混合力を明確な負荷スペクトルに分解することにより、このプロセスはチームが推測できなくなります。 これにより、部品が長持ちするのに十分な強度がありますが、コストを抑えるのに十分な軽量化が保証されます。
テスト シミュレーションの組み合わせアプローチのようなメソッドは、それを証明します 耐久性分析のための正確な負荷予測 絶対に必要です。 エンジニアが AI とライフ サイクル全体の追跡を統合するにつれて、このプロセスは安全で耐久性のある車両を構築するための基盤であり続けます。
著者について
ジョニー・リュー Dowway Vehicle の CEO であり、自動車の信頼性エンジニアリング、耐久性分析、およびシャーシ設計に関する長年の専門知識をもたらします。 彼は、最新の車両開発における複雑な負荷予測の課題を解決するために、実際の物理テストを使用して高度なシミュレーションを橋渡しすることを専門としています。
