將隨頻率變化阻尼器的測試數據納入機器學習模型中，大幅提升虛擬全車模擬時，乘坐體驗預測的準確性。
本文內容來自Passenger Vehicle Dynamics,Mahindra & Mahindra’s Automotive Division的案例，原文內容擷取重點寫在這裡。
現代車輛的被動懸吊系統都經過精心設計，在操控性能與乘坐舒適性找到一個最佳的平衡。這種傳統的懸吊系統常需在兩者之間妥協，難以達到最佳效果。為解決此問題，工程師引入頻率選擇阻尼器（FSD）它能根據行駛條件自動調整阻尼力，這樣能兼顧提升舒適性與操控性能。
本研究採用量化方法，確定FSD懸吊系統的參數範圍，以達到理想效果。傳統阻尼器模型依賴固定的非線性曲線，和FSD原理大不同，無法有其優勢。在傳統的汽車開發上，阻尼器主要是以”主觀測試評估”來選擇，我們的方法則在模擬階段就做評估，更準確預測性能。
那麼該怎麼做呢?我們需要一個系統能即時監控與預測懸吊性能。雖然機器學習（ML）和人工智慧（AI）已成功應用於FSD系統，但在SUV油氣懸吊的應用尚少。我們的研究會是這領域的先例，專注開發適用的ML和AI模型。
為達成目標，我們使用反向動力學求解器，並設定neighbours = 3，power = 2，利用 ODYSSEE（內建整合Quasar）和 MATLAB Simulink 進行機器學習與人工智慧模型的開發。所有的數據中，80%的數據用於模型開發和訓練，其餘20%用於測試和驗證。結果顯示，反向動力學模型在預測FSD系統性能方面具備理想準確度。研究證明，機器學習方法能顯著提升乘坐舒適性和操控性預測效率，並縮短測試時間，為未來汽車懸吊系統開發樹立新標竿。
使用 ODYSSEE CAE 學習測試數據
ODYSSEE CAE 是一個獨特且強大的CAE（計算機輔助工程）創新平台，讓工程師能夠將機器學習、人工智慧、降階模型（Reduced Order Modelling, ROM）以及設計優化應用於工作流程中。透過此平台，使用者可以利用現代數據科學技術，即時預測模型建立和優化，為CAE模擬和實體測試數據建立具有成本效益的數位雙生。
Mahindra Research Valley 致力於數位模擬的創新，確保每一款新產品在推出時，都是經過各種對車輛屬性的精心設計，以為顧客提供愉快的使用者經驗。
在這項研究中，工程師希望在 Adams Car 軟體所建立車輛模型中整合懸吊阻尼器。阻尼器會根據兩端的相對位移、相對速度及相對加速度來產生作用力。因此，可以透過在各種操作條件下使用測試數據或獨立系統模型，在一維工具中測量上述四個量來特徵化阻尼器。下表列出了輸入和輸出數據，每一行代表一個數據點，包含三個輸入和一個輸出。具體來說，輸入位於三維空間，而輸出則在單一空間。學習封閉形式的響應曲面並實施它，可能具有挑戰性。然而，所開發的方法在這種情況下是通用的，並且可以擴展到N維輸入空間。
學習步驟包括將上述測試數據輸入ODYSSEE的Quasar求解器。該求解器可以使用各種機器學習算法迭代數據，以找出最適合手頭數據的算法，並生成機器學習參數。從ODYSSEE Quasar學習到的模型會被打包成動態鏈接庫（.dll），並移植到 Adams 中進行車輛層級的模擬。
在 Adams Car 中執行
使用 Adams Car 垂直產品，工程團隊可以快速建立並測試完整車輛及其子系統的虛擬原型。在Adams車輛垂直環境中，汽車工程團隊可以在各種道路條件下測試他們設計的車輛，進行在實驗室或測試跑道上通常會執行的相同測試。因為是對虛擬原型測試，但所需時間卻大幅縮短。
在這項研究中，車輛懸吊系統中的減震器，在Adams中為單一元件力，作為在下支柱和上支柱連接點間的作用-反作用實體。這個力的數值來自於支柱端點間的相對位移、相對速度和相對加速度所計算出的變量。這些數值會輸入到使用者的副程式（user subroutine dll）中，然後將力的數值傳送至減震器。在每一步的模擬計算中，都會走做一次這樣的計算。
結果
這個機器學習模型能夠高精度模擬真實的阻尼器性能。當輸入機器學習演算法的數據量越多，模型的表現就越好。圖片展示了該模型與實際測試數據的比較結果。
結論
Mahindra Research Valley 的車輛動態團隊利用 Adams 和 ODYSSEE，將一個隨頻率變化的阻尼器應用於車輛模擬中。如果不使用 ODYSSEE CAE Quasar求解器及其機器學習算法來學習測試數據，這項工作會極其繁瑣，甚至難以達成。
原文內容: Mahindra accurately predicts ride and handling performance using frequency dependent damper modelling with Machine Learning