TWT GmbH 利用深度学习和多体仿真开发新的汽车悬架系统设计优化工作流
“正如预期那样，性能令人满意，这证明所有三个网络都可以很好地泛化用于新数据。虽然 Keras 神经网络能够近乎完美地拟合第一个峰值，但它对于图形的其余部分来说不够精确。混合神经网络是一种改进的神经网络，通常能够很好地拟合真实曲线。结果与预期相符，MATLAB 神经网络表现十分出色，其预测也极其准确。”
关键成果
- 采用 MATLAB 和 Simulink 的新工作流改进了悬架系统设计，有助于将侧倾角减少多达 50%
- 使用 Global Optimization Toolbox 将悬架系统仿真的优化时间从 16 天减至 5 分钟
- 针对多体仿真和深度学习建立了单一环境工作流
具有多体悬架系统的 Simscape 车辆模型和使用来自 Simscape 模型的合成数据训练的神经网络之间的仿真结果的比较。
TWT GmbH 科学与创新部的研究工程师利用仿真来优化汽车悬架系统设计。一直以来，优化过程需要运行数千次仿真，以探索多体模型在执行动作时的大量参数的范围。这些仿真是计算密集型仿真，包括紧密耦合、高度非线性效应，因此优化的结果可能需要数天才能得到。
在新工作流中，使用高保真 Simscape™ 模型生成训练数据，用于训练深度学习网络。然后，使用该网络评估悬架系统组件的变化并进行优化。在验证这种方法时，一位 TWT 工程师先自定义了从 MathWorks 下载的 Simscape 车辆模板示例。在 Simulink® 中使用该模型仿真标准的 ISO® 双车道变道动作后，该工程师使用 MATLAB® 执行了灵敏度分析，以减少训练输入参数数目，并使用拉丁超立方采样方法创建了试验设计。
通过使用 Deep Learning Toolbox™，他创建了一个网络，并使用莱文贝格-马夸特 (LM) 算法对其进行了训练。他还使用 Python® 执行了此步骤，但发现在 MATLAB 中实现 LM 算法可以更好地解决曲线拟合问题。最后，他使用 Global Optimization Toolbox 运行了优化。通过使用经过训练的深度学习网络，他可以进行推断并大幅减少确定一组特定参数所需的时间。这些参数可使车辆在执行动作期间的侧倾角最小。
