基于MATLAB/Simulink的汽车智能网联仿真测试平台--以预测性热管理为例

在汽车行业中，预测性热管理是提高能效和乘坐舒适性的关键技术之一。随着“降本增效”成为行业发展的主要目标，开发高效且成本低廉的热管理解决方案变得尤为重要。为此，我们采用了机器学习技术来开发预测性热管理算法。通过收集和分析大量的车辆运行数据，利用机器学习模型能够准确预测车辆在不同环境和运行条件下的热状态，从而优化热管理系统的控制策略，提高能效，同时保证乘客的舒适度。这一过程不仅提高了热管理系统的智能化水平，也为降低研发成本和提高研发效率提供了新的思路。

当“降本增效”成为汽车行业的主旋律时，汽车智能网联应用的研发过程也会面临这样的挑战。当我们仔细观察智能网联的研发过程，发现大部分的研发时间和资源投入都出现在前期概念验证和后期实车测试阶段。前期概念验证需要相对准确的仿真/设计模型，后期实车验证需要耗费大量实车/HIL测试资源。在本次演讲中，我们会以预测性热管理的应用进行案例分析，客观展示前述现象在研发过程中造成的研发成本增加问题。

为了解决上述问题，我们利用MATLAB^®/Simulink®打造一个仿真测试平台，可以低成本高效的完成上述两大任务，达到“降本增效”的最终目的。参会者将会学习到如何利用Simulink/Simscape™去搭建不同系统层级的仿真模型；也可以看到针对物理原理不清晰或者整车/零部件参数无法完全提供时，我们如何利用机器学习或者深度学习技术去还原被控对象的物理特性，这些技术也被用到了预测性热管理的预测算法之中；最后，这些用于仿真的被控对象模型还可以方便的生成代码，应用于后期的HIL测试中。

联合汽车电子已经在客户项目中逐步去试点应用这套仿真测试平台来提高汽车智能网联服务研发的总体效率；在未来，我们有理由相信有了基于MATLAB/Simulink的测试仿真平台，可以让我们的服务推广更具有商业优势。