Novo modelo aprimora análise de vibração em veículos elétricos
No universo da engenharia automotiva, especialmente no segmento em rápido crescimento dos veículos elétricos (VE), a conquista do conforto de condução alcançou uma dimensão cada vez mais central. Sem o ruído de fundo produzido pelos motores de combustão interna, os veículos elétricos oferecem uma experiência de condução notavelmente mais silenciosa. No entanto, este silêncio, embora desejável, amplifica a importância de cada mínima vibração transmitida do trem de força para o chassi e para o habitáculo. Os sistemas de montagem do motor, projetados para isolar essas vibrações, tornaram-se um ponto crítico no projeto NVH (ruído, vibração e dureza). Um estudo recente publicado no Journal of Hunan University (Natural Sciences) por uma equipe de pesquisadores da South China University of Technology e da Guangzhou City University of Technology introduz um método inovador que promete revolucionar a precisão com que os engenheiros podem prever e otimizar o desempenho desses sistemas, enfrentando um desafio fundamental: a incerteza e a correlação dos parâmetros de projeto.
O trabalho, liderado pelo professor Lü Hui, docente associado na School of Mechanical and Automotive Engineering da South China University of Technology, juntamente com seus colegas Liao Zeyun, Li Changyu, Shangguan Wenbin e Xiao Guoquan, concentra-se no sistema de montagem do trem de força (PMS). Este sistema, composto por suportes de borracha ou materiais compostos, tem a função crucial de absorver as forças e as vibrações geradas pelo motor elétrico durante a aceleração, a desaceleração e a condução em estradas irregulares. A eficácia de um sistema de montagem é frequentemente medida por sua “taxa de desacoplamento”, ou seja, a capacidade de confinar a energia vibracional a um único eixo (por exemplo, movimento vertical ou rotação) sem que ela se transfira para outros. Uma alta taxa de desacoplamento é sinônimo de uma condução mais suave e silenciosa.
O problema, no entanto, reside na complexidade do mundo real. Durante a produção e o uso, os parâmetros-chave dos suportes, como sua rigidez dinâmica nas direções X, Y e Z, não são valores fixos e perfeitamente controláveis. Eles estão sujeitos a variações devido a tolerâncias de fabricação, diferenças nos lotes de material, envelhecimento e variações de temperatura. Por anos, os engenheiros enfrentaram essa incerteza com modelos matemáticos simples, conhecidos como “modelos de intervalo”. Esses modelos definem um intervalo máximo e mínimo para cada parâmetro, tratando-os como variáveis independentes. Por exemplo, a rigidez na direção X de um suporte poderia ser definida entre 140 e 160 N/mm, enquanto a rigidez na direção Y seria entre 170 e 190 N/mm, sem considerar como essas três propriedades do mesmo componente estão interligadas.
Essa abordagem tradicional, embora prática, apresenta uma lacuna importante: ignora a correlação intrínseca entre os parâmetros. Na prática, as três componentes de rigidez (X, Y, Z) de um único suporte de borracha não variam de forma aleatória e independente. Devido às propriedades do material e ao processo de vulcanização, se a rigidez em uma direção for maior do que o esperado, é muito provável que as rigidezes nas outras duas direções também sejam. Esses parâmetros são correlacionados. Por outro lado, os suportes montados à esquerda, à direita e na frente do veículo são unidades distintas; a correlação dentro de um único suporte não implica uma correlação entre suportes diferentes. Modelar essa complexa estrutura de dependência e independência tem sido um obstáculo para os métodos de análise convencionais.
Algumas abordagens mais sofisticadas, como modelos probabilísticos ou aqueles baseados em elipsoides multidimensionais e paralelepípedos, tentaram capturar essas correlações. No entanto, os modelos probabilísticos exigem uma enorme quantidade de dados estatísticos para serem precisos, dados frequentemente indisponíveis nas fases iniciais do design. Os modelos geométricos, por sua vez, impõem uma forma regular (como um elipsoide perfeito) ao domínio de incerteza. Na realidade, os dados experimentais formam nuvens de pontos com contornos irregulares, que não se adaptam perfeitamente a essas formas idealizadas. O uso de um modelo com uma fronteira muito regular pode incluir vastas “zonas vazias” no domínio de incerteza, regiões onde não existe nenhuma combinação física real de parâmetros. Isso leva a previsões excessivamente conservadoras sobre a resposta do sistema, forçando os engenheiros a projetar de forma mais robusta do que o necessário, com um aumento consequente de peso, custo e complexidade.
Para superar essas limitações, a equipe de Lü Hui desenvolveu uma nova estrutura de modelagem chamada Modelo de Conjunto Convexo Poligonal (PCS, Polygonal Convex Set). A inovação central dessa abordagem é sua capacidade de fundir duas visões da incerteza. Primeiro, utiliza a Análise de Componentes Principais (PCA), uma técnica estatística que identifica as direções principais de variação dentro de um conjunto de dados multidimensionais. Ao aplicar a PCA aos dados de rigidez dos suportes, o modelo rotaciona o sistema de coordenadas para alinhá-lo com as estruturas de correlação reais dos dados, criando assim um “modelo de intervalo” nesse novo sistema de coordenadas, que é muito mais compacto do que o tradicional.
No entanto, mesmo esse modelo baseado na PCA pode se estender além dos limites físicos dos parâmetros individuais. É aí que entra a segunda parte do método PCS: a interseção. O modelo PCS toma a interseção lógica entre o domínio de incerteza tradicional (um hipercubo que respeita os limites físicos de cada parâmetro) e o domínio de incerteza baseado na PCA (um paralelepípedo alinhado com as correlações). O resultado é um domínio de incerteza poligonal, com uma forma muito mais irregular e aderente, que contém todos os pontos de dados reais e exclui tanto as “zonas vazias” do modelo tradicional quanto as extensões não físicas do modelo PCA. Esse domínio mais realista permite uma estimativa muito mais precisa do intervalo de resposta do sistema, especialmente para métricas críticas como as taxas de desacoplamento.
Para demonstrar a eficácia de seu método, a equipe aplicou o modelo PCS a um estudo de caso real: o sistema de montagem de três pontos de um automóvel elétrico para o mercado de passageiros. Eles usaram os valores de rigidez dinâmica iniciais dos suportes esquerdo, direito e dianteiro como ponto central e definiram uma incerteza de ±10%. Através de simulações de Monte Carlo com um milhão de amostras, geraram dados sintéticos com diferentes níveis de correlação (baixa, média e alta) para simular diferentes cenários de produção. Em seguida, compararam as previsões do modelo PCS com as do modelo de intervalo tradicional e com o modelo de paralelepípedo multidimensional (MP).
Os resultados foram decisivos. Quando a correlação entre os parâmetros era baixa, os três modelos produziam resultados semelhantes. No entanto, à medida que a correlação aumentava, a superioridade do modelo PCS tornava-se evidente. O modelo de intervalo, incapaz de capturar as correlações, produziu os intervalos de resposta mais amplos e conservadores para as taxas de desacoplamento nas direções X, Z e θY (rotação do motor). O modelo MP mostrou uma leve melhoria, mas ainda continha regiões significativas de “espaço vazio”. Em contraste, o modelo PCS obteve um confinamento muito mais estreito da resposta.
Por exemplo, para a taxa de desacoplamento no eixo X (DX) sob forte correlação, o modelo de intervalo previu um intervalo de 45,67% a 81,69%. O modelo MP reduziu isso para 49,25%–79,67%. O modelo PCS, no entanto, obteve um intervalo significativamente mais restrito, de 59,77% a 75,75%. Essa redução na amplitude não representa apenas uma previsão mais precisa, mas também uma redução substancial na margem de erro, um elemento crucial para os engenheiros que buscam otimizar o design. Tendências semelhantes foram observadas para as direções Z e θY, com o modelo PCS sempre mostrando a maior redução no intervalo de incerteza.
Um dos resultados mais interessantes foi a assimetria com que a correlação influencia os limites superior e inferior da resposta. Em todas as direções, o limite inferior (o pior caso possível) da taxa de desacoplamento aumentou muito mais com a correlação do que o limite superior (o melhor caso possível) diminuiu. Isso sugere que a correlação entre os parâmetros tende a empurrar o sistema para um desempenho mínimo mais alto, reduzindo o risco de um comportamento NVH deficiente. A direção θY foi a mais sensível, com o limite inferior aumentando em quase 13% quando a correlação passou de zero para 0,9, destacando a importância de considerar os efeitos direcionais.
O estudo também revelou quais suportes têm o maior impacto no desempenho do sistema. Ao introduzir correlação em um único suporte de cada vez (com um coeficiente de 0,6), a equipe descobriu que o suporte direito e o dianteiro tinham a influência mais significativa. A correlação no suporte direito afetou fortemente o limite superior de DX, enquanto o suporte dianteiro teve um grande impacto nos limites inferiores de DX e DZ. Essa informação é inestimável para os projetistas: indica que um controle de qualidade mais rigoroso na consistência da rigidez dos suportes direito e dianteiro poderia gerar maiores melhorias no conforto geral do que tratar todos os suportes da mesma maneira.
As implicações dessa pesquisa são profundas para a indústria automotiva. Em um mercado de veículos elétricos onde a experiência de condução silenciosa e suave é um ponto de venda chave, mesmo pequenas melhorias na precisão da análise NVH podem se traduzir em vantagens competitivas significativas. Os fabricantes podem utilizar o modelo PCS para projetar sistemas de montagem mais robustos que mantenham um desempenho consistente apesar das variações de produção, reduzindo assim a necessidade de protótipos físicos caros e alterações de design tardias. Além disso, sua natureza não probabilística o torna ideal para as fases iniciais do design, onde os dados estatísticos completos podem não estar disponíveis.
Esse trabalho representa um passo adiante na evolução do design automotivo para uma abordagem cada vez mais baseada em dados e modelos. À medida que os veículos se tornam sistemas cada vez mais complexos, a capacidade de modelar com precisão a incerteza e a correlação torna-se uma ferramenta essencial para a inovação. O modelo PCS de Lü Hui e sua equipe não é apenas uma melhoria técnica; é um exemplo de como a pesquisa acadêmica rigorosa pode impulsionar progressos práticos que melhoram diretamente a experiência do usuário final na estrada.
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