“康友树：聚焦CAE, AR/VR, 大数据, 物联网, 与 IT之自驾车关键开发技术”

7月1日-2日，由盖世太保汽车主办的“2021第四届世界自动驾驶论坛”在上海隆重举行。 本次论坛将聚焦自动驾驶感知、智能驾驶域控制器、芯片、计算平台、无人驾驶不同落地场景等自动驾驶关键技术进行讨论，以促进自动驾驶相关技术的更快发展和完整性。 以下是莎益博工程系统开发(上海)有限企业测试测量事业部部长康友树(/S2/) [/S2/]博士)/S2/)在这次大会上的发言。

莎益博工程系统开发(上海)有限企业测试测量事业部部长康友树

这是我们集团下的三个开发型子公司，maplesoft，其产品是maple、maplesim； 二是sigmetrix是汽车领域专门从事汽车公差质量分解的企业，可以降低单个零部件的精度要求，但组装后整体质量不会下降。 第三家是noesis企业，指导顾客优化设计参数，使汽车更加轻量化，油耗性能高，安全性能好。

我们企业的主要业务是在cae处理方案中，以汽车开发中的机械力学、热力学、流场、电磁场等为中心为设计提供决策。 包括为ar/vr技术、大数据处理方案、iot数据映射和ai服务、大企业提供it处理方案，我们将亲自与顾客一起进行工程方面的服务。

目前汽车电动化是一大趋势，我们在这方面进行了较为详细的研究。 例如，在车辆的轻量化、散热器的轻量化方面，通过将热传导部件复合材料化后轻量化，并将热传导性高的碳纤维与树脂混合，实现了与金属相当的热传导率。 从价格的角度来看，尽量不使用碳纤维，节约价格。

在电池系统上，随着汽车领域电动化的发展，电池冷却系统的设计也变得重要起来。 为了优化设计电池的冷却系统，也优化设计电池的充放电效率，我们建立了电池一维电模型，将其与1d化热模型相结合，可以更快地进行分析以达到合理的热平衡。

针对电池的电化学特征，从微观角度分解配比最佳的材料。 构成电极和隔板的材料由多种材料组成，内部结构非常多、复杂，因此通过模拟内部微观结构来检验其电特征和电特征，大大缩短了时间。 另外，由于实现了可视化，可以窥视电池内部，得到了比较高性能的处理方案。

关于电池管理的改善。 以前流传下来的电池管理主要由与电池连接的传感器进行管理，现在我们制作了一维电池数学模型和一维热模型，将其作为电池的数字双胎体放入控制器进行实时运算， 根据实际传感器返回的新闻实时修正了数字双胎体，使控制器能够预测数字双胎体先行运行中实际电池可能发生的故障事故，从而提前采取控制方面的策略。 这个技术是现在日本使用的非常好的技术，也想导入到中国

这是一项电动汽车中噪声可视化的听性研究，电机和机械声的分解目的之一是达到国家标准，希望将噪声降低到国家规定的范围内。 在设计阶段噪声可听化为设计提供了直观的手段，该处理方案构建了一系列电机驱动的噪声辐射、声学分析、声场分析并采取相应措施。 如果某制造商的车辆发出比较规则的声音或令人愉悦的声音，顾客会同意该声音，长期以来，对该车辆企业品牌度的认同度会提高。

我们也必须正确预测电子器件的寿命，特别是ecu、车载电子设备不仅可靠性高，还需要在产品开发的早期做出判断。 ansys sherlock技术基于可靠的物理原理，迅速、高精度地预测基板的热量和振动的原因，并对ecu的采用寿命进行可靠的判断。 可以基于pcb cad数据自动构建电路板布线模型和零件建模。 可以更迅速地建模，适合机械设计师和电气设计师的采用。

关于电信号噪声，目前电动汽车的自动驾驶多采用传感器和ecu等，这些信号相互干扰，因此必须分解电磁兼容性。 在模拟传感器噪声时，可以捕捉到电流·电压开关引起的信号迁移，另外，在噪声传递路径的分析中使用了三维电磁场的分析方法。

对自动驾驶的相关测试研究进行说明。 这是将大数据应用于自动驾驶控制系统测试的例子。 我们使用大量的场景进行自动驾驶系统的错误分解，但是这样的场景如果用包罗万象的方法分解控制器的性能，实际上非常花时间，同时也不准确。 利用集群技术进行自动分解，可以将大量的验证场景可视化，消除人为因素的变动，最终通过定性和定量进行判断。 另外，本技术采用贝叶斯互联网，用概率描述因果关系，用图形模型分析事故发生的原因和灵敏度。

这是评价车载摄像机热变形的例子。 车载照相机的光学系统中，塑料和玻璃不耐热，同时可能会因光源和太阳光的照射而变形。 镜头变形后，光的射出方向发生变化，无法维持本来的性能，从而导致检测错误。 在设计时，企业先进的光线跟踪技术以三维形式收集镜片内的光热吸收量，并以先进的结构力学的方法分解这些镜片的变形，预测镜片的性能下降对目前收集的数据的错误消息有多大的影响。

这是雷达传感器的检测手段。 可以建立雷达测试环境，用一种暗箱建立雷达测试环境，将检测到的雷达和模拟雷达关在暗箱里。 被测雷达发出发射波。 这相当于向车发送发送波。 模拟雷达接收后，通过数学计算，计算照射到虚拟场景某物体上的反射波。 我们通过模拟雷达将反射波发射到被测雷达上，在被测雷达接收到信号后进行逆运算，即可得到影像。 如果影像符合之前给他的虚拟影像，我就证明这个测试结束了。 我们可以在虚拟场景中拥有非常多的物体，经过大量测试后，我们可以知道这台雷达是否满足要求，是否可以搭载在车上。

此外，还构建了自动驾驶控制系统测试的场景。 自动驾驶控制系统的测试主要由车载ecu对输入传感器的新闻进行评价和决策，模拟多而复杂的道路环境。 我们的测试验证技术整合了控制逻辑、车辆模型、外部仿真程序、交通仿真程序，能够有效地分解adas控制器，ad控制器是否可靠。

虽然说是多行业模拟，但实际上车辆有刚性强度、电磁场、温度场、流场等各种物理现象发生。 在对其进行耦合分解时，使用ansys twin builder将三维模型缩小为一维，同时将降维后，与电子电路模型、simulink的控制模型进行组合求解耦合。

这是为eps开发的测试环境，按照以前流传下来的开发风格，通常在开发后期即实际车辆验证期间实施eps系统的判断。 我们在开发初期制造了这样的装置。 它包括外部环境、车辆模型、实时模拟器、模拟路面反作用力的电动机、系统间通信及监视，只要将eps系统置于我们的系统之上，就能够检测出eps系统是否满足设计要求。

我们还会遇到你面对的物体的性能参数，比如不知道轮胎的情况。 开发了确定轮胎参数的例子。 本例将比较实际车辆测试的结果和cae的结果。 cae相当于进行模拟。 如果实际测试结果和模拟结果差不多，这个轮胎参数就是你想要的物理参数。 使用我们的optimus优化检索技术，自动调整轮胎的模型参数，进行模拟。 实际结果与模拟结果的比对误差最小时，该组轮胎参数为接近真实的轮胎参数。

这是一个构建mbd集成支持环境的示例。 即使引入了采用自动代码生成的模型库开发方法，但由于模型和代码不统一，每个开发阶段都设有局部导入工具和开发流程不同的部门。 本例提供了mbd的综合支持环境，并为每个过程提供了标准化的无缝开发环境。 mbd综合支持环境包括自动代码生成支持、参数管理、sils/pils差分分解、模型自动验证等功能。

我们为车选择合适的材料。 汽车由车身、动力总成、行驶系统、内部设备等多种部件组成。 零件是用材料做的。 本公司集中材料全方位性能形成材料库，让客户选择与之相适应的材料，从而降低整车价格。

车辆腐蚀问题在任何国家都会发生，这是用大数据的观察方法以环境数据为例。 大数据包括从实际安装在全国各地汽车上的传感器获得的数据，以及气象条件下的环境数据。 我们对含有多种参数的大数据采用聚类技术，找出了汽车各部位引起腐蚀现象的主要原因。 我们在汽车上搭载了各种各样的传感器，其中重要的传感器是测量腐蚀电流的大气腐蚀检测器( acm )。 将其安装在车身、底盘等多个位置后，获取行驶速度、停车状态、天气条件等大量数据进行分解。 定量分析各数据集和实际发生腐蚀现象的部位和原因，可以分别采取比较有效的腐蚀防治措施

这是一种嵌入式处理方案，现在的汽车大量采用软件，但业内常说1000行代码有8行错误，所以标准化团体公布了iso 26262标准。 但是工程师需要花很多时间编写满足这些要求的高质量代码 我们可以使用ansys scade技术加快嵌入式软件的开发，以满足iso26262的要求。 它提供了重要的条件管理、模型库的设计、验证、校准/认证、代码生成和其他开发工具与平台的交互等功能。

这是一个虚拟现实的设计评审系统。 为了缩短工期，使用vr设计评审。 可在vr空之间采用三维cad数据和cae数据。 vr空之间的评审功能包括零件的移动操作、相互影响检查功能、尺寸测量功能等检查所需的功能。 它允许你远程参加，设计部门不在会议室，可以以网络形式参加审查。

为了检查汽车零部件的性能，需要使用振动台进行测试。 但是，在实物测试之前，需要充分研究设计的性能。 另外，在选择合适的振动试验规范时，大多依赖于技术人员个人的认识，因为根据各自选择的规范审查的结果可能有所不同。 本技术通过用cae再现激振试验机，优化设定，自动、有效地按规范进行检测，在试验前研究最佳规范的选择，可以大大缩短试验时间，抑制人为因素造成的偏差。

关于雷达天线的分解。 在应用频带为毫米波的5g和adas天线的设计中，相控阵天线的辐射特性的判断非常重要。 相控阵天线由多个天线元件构成，天线尺寸、配置、元件数是重要的参数。 另外，考虑到旋转圆顶等天线盖的存在和天线多且处于复杂的车身形状的环境，在毫米波段等高频波段工作时，分析时的计算价格会增加。 通过对大型阵列天线的仿真模型进行单元化和重新采用，提高了设计效率，实现了大型阵列天线的快速、高精度分析。

现在我们开车的时候，远光灯不容易接通。 可能会击中对面的司机。 于是，我们有了矩阵光束前照灯系统。 我们利用先进的光学分解技术进行前照灯矩阵光束的设计，可以控制一些前灯的光，避开不能照射的区域。 这样，驾驶员就可以一直开启远光灯。

这是使用cae预测设备寿命的例子。 这张照片是一个又多又复杂的管道例子，这是一组严重受热的管道，人不容易进入那里检查。 配管上产生与热过程相关的各种应力，蓄积着内部磨损，但在各配管上安装传感器监视内部磨损并不现实。 通过在管道模型中输入热历史，可以使用cae模型准确地确定在管道的任意位置产生的各种应力。 此外，引入rom降维技术，可以大幅提高模拟速度，保持高精度。 这样，我们就可以对设备进行实时监控。 也可以用仿真器进行加速测试，用故障注入技术进行虚拟应力测试。

我们进行汽车的动力学分解。 这个数据量非常大，每次计算需要72个小时。 随着条件的变化，需要计算20次。 你等待结果的时间非常长。 作为从根本上处理这个问题的方法之一，有采用ai代理模型来加速模拟。 以现有的模拟数据和现有的测量数据作为训练数据，用人工智能的方法建立主体模型，重新分配边界条件。 这将大大提高计算速度。 例如，空在空气动力计算的情况下，计算时间从72小时缩短到10秒。

我们在生产技术上也下了一些力气。 这是轴承压入，为生产现场开发了数字分解系统，工人们在压入前知道压入后的合格率是多少，他反馈给了设计师，让设计师改变了其设计。

关于复合材料的设计实例。 为了轻量化，汽车多采用复合材料。 我们用高强度的碳纤维和树脂复合材料减轻产品的重量，同时也要求刚性。 复合材料在成型过程中存在很多问题，通过模拟树脂复合材料的成型过程和成型后的翘曲变形，可以导出最佳的成型条件和模具形状，减少试错所需的价格和时间。

ar增强现实技术是指设计师为工厂设计技术时，他需要先亲身体验。 这个设计技术能在实际的工厂中实行吗？ ar技术可以根据顾客现有的设计数据迅速制作ar目录，在生产训练现场也可以采用。 例如，在ar目录中准备操作教材，即使在生产线运转中也可以根据作业指导书进行培训。 当然，这些目录也适用于印前检查和定期维护。 另外，通过将生产现场的组装新闻反馈到设计中，进一步简化了设计和生产的协作流程。

量产方面，提供iot数据收集系统。 iot系统与运行中的工厂环境共存，系统架构中合理考虑了支持价格统计、物料配送记录、运营可靠性的各种数据。 它通过互联网连接到现场的生产设备上，另外为了测量的必要性，设备上新设置了特别的传感器。 如果需要，还可以考虑未来云部署的互联网配置，并提出可扩展的数据收集体系结构。

关于产品的维护，采用了采用ar增强现实进行业务支援的处理方案。 在汽车的维护、零件的组装和拆卸、制造设备的维护和检查作业中，作业者需要一边看着手册一边进行作业。 光靠二维手册很难知道三维位置，有可能因操作错误而发生事故。 将高端智能手机、平板电脑、智能相机一体化，镜头聚焦实物，操作指示叠加在实物上显示的ar扩展技术处理方案。 这样的话，就不会出现单手拿手册，单手操作设备的困境了。

它还提供了处理it的方法，包括提供数据存储技术。 如果在设计中采用cad/cae，或者在生产中采用各种数据，则会大量积累数据，产生数据容量和存储空之间等问题。 目前，云存储数据的大环境正在形成，但企业内部有许多敏感数据需要特别管理。 为了满足这些诉求，我们正在积极开展长时间、低价位的数据存储服务。 这是富士胶片企业的数据归档处理方案，是高速硬盘和磁带归档相结合的混合系统。 其标准容量为150tb，可以扩展到1.59 pb。 由于长期保存的可靠性高，客户公司数据保存的总持有价格大幅下降。

以上是我想分享给大家的重要技术。 大家如果对我们的技术有兴趣的话请联系我。 谢谢你。