适用于SiL和Hill的更快速植物模型

适用于SiL和HiL的更快速 plant 模型

现代运动控制应用（如主动悬架、线控制动和集成车辆动力学）依赖于精确的被控对象模型来进行仿真和验证。其挑战在于，传统的基于物理的建模不仅构建速度慢，难以针对每个测试场景进行重新校准，而且往往难以准确反映工程师在实际测量中观察到的非线性行为。当团队希望在开发早期阶段提前开展验证工作，并尽早进行有意义的系统级仿真（SiL）和硬件在环（HiL）测试时，这便成为了一个真正的瓶颈。

主要挑战

手动建模工作量大

构建和更新基于物理原理的工厂模型不仅耗时较长，还需要深厚的领域专业知识，而且当需求发生变化时还会导致返工。

非线性行为缺口

手工构建的模型往往无法捕捉到测量数据中可见的实际系统效应。

变体开销

不同的测试目标需要不同的模型行为，但手动重新校准无法实现规模化。

延迟前置

缺乏支持实时处理的模型会拖慢 SiL 和 HiL 验证的进度。

一名工程师正在笔记本电脑上使用ETAS软件，该软件具备人工智能驱动的分析功能、机器学习以及面向汽车软件开发的工作流自动化可视化功能。

ETAS 工具链将 ASCMO 和 INCA-FLOW 整合为一个数据驱动的工作流，用于根据测量数据构建和校准系统模型。ASCMO 并非基于物理第一性原理推导模型，而是直接从路试或试验台数据中学习系统行为，并通过数据驱动的方法自动生成行为模型。这使得能够更快地创建复杂机电系统的精确虚拟模型，并能在同一方法框架下涵盖不同的模型变体。

一旦模型准备就绪，INCA-FLOW 即可针对特定目标行为（如舒适、运动或经济模式等特性）自动执行校准工作流。工程师可以定义可重复的工作流程，以调整模型参数并为不同的测试用例生成经过校准的变体，而无需每次都手动重建模型。生成的模型随后可以导出为 FMU（功能原型单元）等标准格式，或作为优化的 C 代码，从而可直接用于 SiL 和 HiL 环境，并在任何需要具备实时处理能力的被控对象模型的场合中重复使用。