随着新能源汽车的发展，对仿真技术的要求也越来越高。那么奇瑞汽车利用降阶模型在新能源汽车热管理仿真上做了哪些应用呢？本次内容主要从四个方面展开介绍：
1、 奇瑞汽车简介；
2、 热管理降阶模型开发的背景；
3、 高低温续航热管理降阶模型的开发以及应用；
4、 更多降阶模型应用经典案例
01、奇瑞汽车简介
奇瑞汽车成立于1997年，自成立以来始终坚持自主创新和正向研发的理念，因此不断推出市场满意的汽车产品。截至8月份，奇瑞汽车单月销量超过21万辆，1至8月份累计销量超过150万辆，同比增长41.9%。
今年，奇瑞集团首次跻身世界500强，排名第385位。目前，奇瑞拥有奇瑞、星途、捷途和ICAR四大品牌，各个品牌都有自己的明星产品，充分体现了奇瑞集团在汽车行业的成就以及丰富的实践经验的价值。
02、热管理降阶模型开发的背景
首先简单介绍热管理：它是从整车集成的角度出发，确保汽车的各个部件都运行在一个最佳的工作范围。
从用户的角度来说，直接受关联的是空调系统。除此之外关联比较密切的是发动机变速箱电驱电池的温度控制等。
对于不同类型的汽车，热管理复杂度有所差异，比如传统汽车的管理，包括发动机、变速箱、以及乘员舱的空调系统等会更复杂。纯电车型的管理更简单，主要是电驱电池和乘员舱的管理，但是对它的要求也会更高一些。还有最后一类：燃料电池热管理系统。不同类型汽车的热管理对象也有所差异，如下图所示。
背景一：集成仿真
整车管理的对象非常多，对应的工作也非常复杂。在做整车开发的时候，会有很多工程问题不能通过一个软件来完成，需要多个软件的耦合。但是多个软件的耦合会存在进行数据耦合的过程中，数据传递导致效率比较慢的问题。因此仿真时间比较久，无法满足工程效率的需求。
如果将耦合仿真的几个阶段（比如某一个模型或者全部的模型）用降阶模型替换，那整个仿真的效率就会大大提升。所以开展热管理降阶模型的第一个背景主要是集成仿真，提升模型的效率。
背景二：高低温续航降阶模型
电动汽车的管理相对简单，主要包括电驱动、电池和车厢的热舒适性。然而，电动汽车的热管理系统是研究最深入的类型之一。尽管电动汽车具备许多优点，但它们仍然面临显著的短板，即里程焦虑问题，这在使用过程中表现得尤为明显。
如图所示，中间那张是纯电汽车低温衰减的数据，右边那张是高温衰减的数据。
可以看出，纯电汽车在冬季的实际续航里程达成率低于夏季。为了增强纯电车型的市场竞争力，制造商通常会大幅降低能耗。因此，在开发过程中，开展高低温续航仿真实验，以提升整车产品的实际续航能力，是非常重要的。
我们曾做过一维仿真的case，用等效处理的方法需要4个小时。如果不是等效处理方式，大概需要一天半到2天。对于一维仿真来说，这个时间非常长。在高低温续航仿真实验中最重要的影响是空调系统。空调系统的收敛速度非常慢，如果把空调系统开发成降阶模型，那么效率就会提升的很明显。最终我们实现了从等效处理方法的4个小时降低到了20分钟。
这个时候大家可能会想，20分钟好像也挺久。没有完全发挥出降阶模型最大的优势，比如降到一分钟两分钟行不行。实际上也可以，但是做工程要考虑到工程实际。如果把精度提升，把时间降低到一两分钟，投入非常大，产出比不高。所以降低到20分钟就够了。
03、高低温续航热管理降阶模型的开发以及应用
高低温续航降阶模型的主要流程有四个阶段。
第一阶段：搭建整车热管理模型
这是所有的主机厂在整车开发的时候都有的，所以不会造成额外的工作量。纯电车型的整车热管理模型主要包括制冷剂系统、空调系统、电驱电池三大块。对于仿真效率限制比较大的是空调系统，因此把空调系统用加强模型替换了。而电驱电池系统，因为其收敛的速度很快，所以没有替换。这也是导致效率从4个小时提升到了20分钟，而没有提升到一两分钟的原因。
第二阶段：训练数据集
准备好了热管理模型之后，接下来就要准备训练数据集。
首先是参数的设计。对于空调系统，我们选定了九个核心的技术参数，主要有压缩机的转速、进风温度、风量以及各个参数。在做参数设计的时候，取值范围一定要包含在实际仿真的范围内，尽量不要出现外差的情况。
参数设计完之后，采用自动化的脚本来跑仿真模型，跑大量的case，然后把case的结果进行处理，得到训练数据集。
第三阶段：训练降阶模型
训练数据集得到之后，接下来将它训练得到降阶模型。我们之前也尝试过一些别的方法，但是最终发现Altair的romAI软件精度特别好，而且没有任何的技术瓶颈。
很多做工程的人对于人工智能以及编程的能力不是很强，但使用romAI可以看到一个完全可视化的界面，而且仿真设置参数就几个，非常简单易用；对比其他的方法，romAI精度也非常好，能达到3%到5%以内，满足我们的精度需求。
如图，这是训练后的精度对比。左边是拟合的参数情况，基本上拟合精度达到了99.6%以上，部分参数能达到97%。对于空调系统也对比了几个case，从仿真模型和降阶模型的比较（右图）来看，基本上核心参数都做到了3%以内。完全符合我们的工程需求。
第四阶段：将模型放到集成模型中
降阶模型开发完之后，我们将这个模型放在集成模型中来完成高低温续航集成仿真。
如图，右上角的图案是开展高低温续航集成仿真时候的理论解释，主要包含热管理、动力性和热管理的控制策略之间的集成。左上角的图是实际中整车的热管理的控制策略，它是集成在Simulink里面的。看着比较简单，实际每一个模块里边内容非常多。
右上角框出来的模块是控制策略和整车热管理模型的交互，现在我们的热管理模型用水回路，电池回路用kuli，空调系统用了降噪模型替换。
所以降阶模型的应用其实也很简单，我们训练的模型是直接以FMU的格式导出到Simulink，然后直接加载FMU，调用降阶模型。
接下来看一下应用验证的情况。Soc、空气温度、鼓风机功率等数据在比较之后发现进度都非常好。在高低温续航关注的参数里，Soc是直接关联到续航里程的，是非常重要的参数，这里精度非常好。除此之外，高低温续航还有一些关键参数，比如压缩机风扇、鼓风机水泵等的功率。
将仿真和降阶模型两种路线的结果放在一起对比，发现除了快速降温阶段，比如赛车结束之后快速降温的阶段以及电池和成员舱双冷的工况下误差比较大，其他工况误差都小于3%，比较好的达到了实际的需求。时间也从4个小时降低到了20分钟。
然而，在快速降温和电池冷却阶段，误差仍然较大，超过了3%。经过分析，我们发现压缩机和风扇的转速是由控制策略决定的，其中与策略直接相关的重要参数是空调系统的高压。当空调系统高压升高时，风扇转速也会相应加快。
我们发现空调系统高压的相对误差在3%以内，绝对误差约为8%。而这一8%的误差通过策略放大后，会导致风扇转速发生变化，从而使快速降温和电池双冷阶段的误差超过5%。为了解决这个问题，我们进一步提升了空调系统高压的误差，从而有效地解决了这一问题。
所以在开发降阶模型的时候，有的参数不能仅仅关注相对误差，还要关注绝对误差，以此来保证模型精度。
04、更多降阶模型应用经典案例
前面讲的是高低温续航降阶模型案例，除了这个，我们目前也做了一些其他方面的应用。
案例一：热舒适性耦合
对于做整车热管理仿真来说，热舒适性非常重要，需要控制空调保持在一定的舒适性范围内。热舒适性仿真跟空调系统是强耦合的关系，所以在做这个工作的时候，两个软件的耦合跑一个case，物理时间是30分钟，我们会耗时大概6个小时。如果把空调系统替换掉，不用一维的软件，将降阶模型和热舒适性软件耦合，就能实现从6个小时降低到3个小时。效率提升没有高低温续航那么明显，主要是限制在热舒适性仿真没有被降阶掉，这也是未来的一个方向。
案例二：基于试验数据驱动的空调系统/部件模型开发
我们正在做的是基于数据驱动的空调系统部件的模型建模。在开展整车仿真的时候，很多数据都是供应商测的，有一定的边界条件，但是奇瑞现在的产品销往全球80多个国家和地区，有寒带的有热带的，最高温度可能超过50，最低的零下30度，整车实际的工作环境温度的区间非常广，但整车在开发的时候单体的性能只在一定的区间范围内。所以仿真就会出现外差的情况，也就会带来误差。
而我们又有很多整车的测试数据能覆盖实际的市场情况，所以需要把整车的实验数据用来建单体的模型，比如LTR低温散热器、高温散热器、冷凝器。这样能够避免外差带来的一些精度问题。
前面讲到空调系统是利用仿真的模型来产生训练集，然后建立降阶模型的，我们用整车测试的实验数据驱动建立空调系统模型，很多测试平台的空调系统，可能适用于不同的车型，所以将适应数据驱动建立空调系统模型，就能适用于其他平台的其他车型。
以上，就是目前奇瑞汽车在新能源汽车热管理仿真上的应用分享。
AI技术的发展正在改变世界，越来越多的人希望通过数据驱动实现高效决策。从原始数据到决策支持，如何进行高效的数据挖掘、专业分析和算法模型构建? 如何让这一过程更简单和自动化？
作为全球计算智能的领导者，Altair致力于消除数据挖掘的技术壁垒，构建高效的数据分析与AI平台。为此，Altair每年举办全球数据科学日直播会议（点击报名）。今年的会议将邀请全球高校教授和专家分享数据科学与AI的前沿见解，帮助更多用户掌握相关技术。
诚邀您报名参会，与我们一起开启数据智能与AI创新之旅。
