Nuevo modelo mejora precisión en análisis de vibraciones de vehículos eléctricos
En el mundo de la ingeniería automotriz, especialmente en el ámbito de los vehículos eléctricos (VE), el control de las vibraciones y el ruido ha adquirido una relevancia sin precedentes. A diferencia de los vehículos con motor de combustión interna, que generan un ruido constante que enmascara muchas vibraciones, los vehículos eléctricos operan en un entorno acústico mucho más silencioso. Esta quietud, aunque deseable, revela con mayor claridad las pequeñas oscilaciones producidas por el tren motriz, lo que exige un diseño extremadamente preciso de los sistemas de montaje que aíslan estas vibraciones del chasis. Un avance significativo en este campo ha sido presentado por un equipo de investigación de la Universidad Tecnológica del Sur de China y la Universidad Tecnológica de la Ciudad de Guangzhou, cuyo trabajo, publicado en el Journal of Hunan University (Natural Sciences), introduce un modelo innovador que promete mejorar drásticamente la precisión en el análisis de las características inherentes de los sistemas de montaje de vehículos eléctricos.
El estudio, liderado por el Dr. Lü Hui, profesor asociado en la Escuela de Ingeniería Mecánica y Automotriz de la Universidad Tecnológica del Sur de China, junto con sus colegas Liao Zeyun, Li Changyu, Shangguan Wenbin y Xiao Guoquan, se centra en el sistema de montaje del tren motriz (PMS), una pieza fundamental para garantizar el confort acústico y táctil en un vehículo eléctrico. Este sistema, compuesto generalmente por tres o cuatro soportes de caucho o materiales compuestos, tiene la misión crítica de absorber y disipar las vibraciones generadas por el motor eléctrico y el sistema de transmisión, evitando que se transmitan a la carrocería y al habitáculo. La eficacia de este sistema se mide por su capacidad de «desacoplamiento», es decir, la habilidad de aislar cada modo de vibración (traslación en los ejes X, Y, Z y rotación alrededor de ellos) para que no interfieran entre sí. Un alto grado de desacoplamiento en la dirección vertical (Z) o en la dirección de avance (X) es esencial para una conducción suave y silenciosa.
Sin embargo, el diseño de estos sistemas enfrenta un desafío inherente: la incertidumbre. En la práctica de la ingeniería, los parámetros clave, como la rigidez dinámica de los soportes de caucho, no son valores fijos y exactos. Varían debido a tolerancias de fabricación, diferencias en los lotes de material, cambios de temperatura y envejecimiento. Tradicionalmente, los ingenieros han abordado esta incertidumbre mediante modelos de «intervalo», que definen un rango máximo y mínimo para cada parámetro, tratándolos como variables independientes. Por ejemplo, la rigidez en la dirección X de un soporte se modela como un valor entre 130 y 158 N/mm, la rigidez en Y entre 170 y 190 N/mm, y así sucesivamente, sin considerar que estas tres propiedades del mismo soporte están intrínsecamente ligadas entre sí.
Este enfoque tradicional, aunque simple, tiene una limitación crítica: ignora la correlación entre parámetros. En la realidad, las tres componentes de rigidez (X, Y, Z) de un solo soporte de caucho no varían de forma aleatoria e independiente. Debido a las propiedades del material y al proceso de vulcanización, si la rigidez en una dirección es más alta de lo normal, es muy probable que las rigideces en las otras dos direcciones también lo sean. Estos parámetros están correlacionados. Sin embargo, los soportes de la izquierda, derecha y delantero del vehículo son unidades independientes; la correlación dentro de cada soporte no implica una correlación entre soportes diferentes. Modelar esta compleja estructura de dependencia e independencia ha sido un obstáculo para los métodos de análisis convencionales.
Los métodos probabilísticos, que asignan distribuciones estadísticas a los parámetros, requieren grandes cantidades de datos de pruebas para ser precisos, datos que a menudo no están disponibles en las etapas iniciales del diseño. Otros modelos más avanzados, como los basados en elipses multidimensionales o hexaedros paralelos, intentan capturar estas correlaciones, pero imponen una forma geométrica muy regular al dominio de incertidumbre. En la práctica, los datos reales de pruebas de laboratorio o de producción forman nubes de puntos con formas irregulares, que no se ajustan perfectamente a una elipse o un paralelepípedo. Utilizar un modelo con una frontera demasiado regular puede incluir «espacios vacíos» en el dominio de incertidumbre, regiones donde no existe ninguna combinación física real de parámetros, lo que lleva a predicciones sobre la respuesta del sistema que son excesivamente conservadoras o, en el peor de los casos, inexactas.
Para superar estas limitaciones, el equipo de Lü Hui ha desarrollado un nuevo marco de modelado conocido como el modelo de Conjunto Convexo Poligonal (PCS, por sus siglas en inglés). La innovación central de este enfoque radica en su capacidad para combinar dos perspectivas de la incertidumbre. Primero, utiliza el Análisis de Componentes Principales (PCA), una técnica estadística que identifica las direcciones principales de variación en un conjunto de datos multidimensionales. Al aplicar PCA a los datos de rigidez de los soportes, el modelo rota el sistema de coordenadas para alinearlo con las estructuras de correlación reales de los datos, creando así un modelo de intervalo en este nuevo sistema de coordenadas, que es mucho más compacto que el modelo de intervalo tradicional.
Sin embargo, incluso este modelo basado en PCA puede extenderse más allá de los límites físicos de los parámetros individuales. Aquí es donde entra la segunda parte del enfoque PCS: la intersección. El modelo PCS toma la intersección lógica entre el dominio de incertidumbre tradicional (un hiperrectángulo que respeta los límites físicos de cada parámetro) y el dominio de incertidumbre basado en PCA (un paralelepípedo alineado con las correlaciones). El resultado es un dominio de incertidumbre poligonal, con una forma mucho más irregular y ajustada, que contiene todos los puntos de datos reales y excluye tanto los «espacios vacíos» del modelo tradicional como las extensiones no físicas del modelo PCA. Este dominio más realista permite una estimación mucho más precisa del rango de respuesta del sistema, especialmente para métricas críticas como las tasas de desacoplamiento.
Para demostrar la eficacia de su método, el equipo aplicó el modelo PCS a un caso de estudio real: el sistema de montaje de tres puntos de un automóvil eléctrico de pasajeros. Utilizaron los valores de rigidez dinámica iniciales de los soportes izquierdo, derecho y delantero como puntos centrales y definieron una incertidumbre del ±10%. A través de simulaciones de Monte Carlo con un millón de muestras, generaron datos sintéticos con diferentes niveles de correlación (baja, media y alta) para simular escenarios de fabricación variados. Luego, compararon las predicciones del modelo PCS con las del modelo de intervalo tradicional y con el modelo de hexaedro paralelo multidimensional (MP).
Los resultados fueron concluyentes. Cuando la correlación entre los parámetros era baja, los tres modelos producían resultados similares. Sin embargo, a medida que la correlación aumentaba, la superioridad del modelo PCS se hizo evidente. El modelo de intervalo, que no puede capturar correlaciones, produjo los rangos de respuesta más amplios y conservadores para las tasas de desacoplamiento en las direcciones X, Z y θY (rotación del motor). El modelo MP mostró una ligera mejora, pero aún contenía regiones significativas de «espacio vacío». En contraste, el modelo PCS logró un confinamiento mucho más estrecho de la respuesta.
Por ejemplo, para la tasa de desacoplamiento en el eje X (DX) bajo una correlación fuerte, el modelo de intervalo predijo un rango de 45,67% a 81,69%. El modelo MP lo redujo a 49,25%–79,67%. El modelo PCS, sin embargo, logró un rango significativamente más ajustado de 59,77%–75,75%. Esta reducción en el rango no solo representa una predicción más precisa, sino también una reducción sustancial en el margen de error, lo que es crucial para los ingenieros que buscan optimizar el diseño. Tendencias similares se observaron para las direcciones Z y θY, con el modelo PCS mostrando siempre la mayor reducción en la amplitud del intervalo de incertidumbre.
Uno de los hallazgos más interesantes fue la asimetría en cómo la correlación afecta los límites superior e inferior de la respuesta. En todas las direcciones, el límite inferior (el peor caso posible) de la tasa de desacoplamiento aumentó mucho más con la correlación que el límite superior (el mejor caso posible) disminuyó. Esto sugiere que la correlación entre los parámetros tiende a empujar el sistema hacia un rendimiento mínimo más alto, reduciendo el riesgo de un comportamiento NVH (ruido, vibración y dureza) deficiente. La dirección θY fue la más sensible, con el límite inferior aumentando en casi un 13% cuando la correlación pasó de cero a 0,9, destacando la importancia de considerar los efectos direccionales.
El estudio también reveló cuáles soportes tienen el mayor impacto en el rendimiento del sistema. Al introducir correlación en un solo soporte a la vez (con un coeficiente de 0,6), el equipo descubrió que el soporte derecho y el delantero tenían la influencia más significativa. La correlación en el soporte derecho afectó fuertemente el límite superior de DX, mientras que el soporte delantero tuvo un gran impacto en los límites inferiores de DX y DZ. Esta información es invaluable para los diseñadores: indica que un control de calidad más estricto en la consistencia de la rigidez de los soportes derecho y delantero podría generar mayores mejoras en el confort general que tratar todos los soportes de la misma manera.
Las implicaciones de esta investigación son profundas para la industria automotriz. En un mercado de vehículos eléctricos donde la experiencia de conducción silenciosa y suave es un punto de venta clave, incluso pequeñas mejoras en la precisión del análisis NVH pueden traducirse en ventajas competitivas significativas. Los fabricantes pueden utilizar el modelo PCS para diseñar sistemas de montaje más robustos que mantengan un rendimiento consistente a pesar de las variaciones de producción, reduciendo así la necesidad de prototipos físicos costosos y cambios de diseño tardíos. Además, su naturaleza no probabilística lo hace ideal para las etapas iniciales del diseño, donde los datos estadísticos completos pueden no estar disponibles.
Este trabajo representa un paso adelante en la evolución del diseño automotriz hacia un enfoque más basado en datos y modelos. A medida que los vehículos se convierten en sistemas cada vez más complejos, la capacidad de modelar con precisión la incertidumbre y la correlación se convierte en una herramienta esencial para la innovación. El modelo PCS de Lü Hui y su equipo no es solo una mejora técnica; es un ejemplo de cómo la investigación académica rigurosa puede impulsar avances prácticos que mejoran directamente la experiencia del usuario final en el camino.
Lü Hui, Liao Zeyun, Li Changyu, Shangguan Wenbin, Xiao Guoquan, South China University of Technology, Guangzhou City University of Technology, Journal of Hunan University (Natural Sciences), DOI: 10.16339/j.cnki.hdxbzkb.2024185