1.背景及意义

在新能源车辆在生活中的应用越来越广泛，对于新能源车辆的热管理重视程度也越来越大，如何准确、高效的进行热管理系统的分析在新能源车辆的开发中的重要性就越来越高了。

热管理系统快速分析的需求可以从以下三个方面进行说明。

模型的复杂程度快速增长，如下图所示：

面临的挑战也越来越多，各个部门之间相互联合也多。

对于控制的复杂程度也急速增长。

基于上述的三种情况，本文介绍基于GT-SUITE的平台软件如何实现热管理系统模型的实时化处理。

2.应用案例分析说明

基于上述的背景，在此以Through The Road Hybrid(TTR)车辆这一复杂的热管理系统为案例，利用GT-SUITE软件介绍从详细模型到实时化模型处理的流程进行说明。

主要的工作分为以下几步：

1)模型的准备

2)模型的简化

3)模型结果确认

4)实时化处理

根据实际的TTR整车结构，建立包含多个子系统的热管理模型，具体模型如下图所示。

在上述的模型的基础上，对模型的计算结果进行评估为后述的实时化打下基础。同时，对于模型的求解的状态进行确认。

首先，根据模型的计算结果进行模型有效性评估，采用下图所示的流程。确认整个热管理系统的流量、压力、传热量、流体属性等是否准确，如有必要进行适当的标定。

在计算结果满足要求的基础上，对于求解过程稳健性进行进一步的优化与调整。消除在求解过程中迭代步长过多，流体求解不收敛的情况。具体操作流程如下：

在模型的求解过程中，根据不同流体回路进行求解参数定义，如：时间步长、迭代次数、计算输出信息等。

在求解的信息过程中（查看*.out文件）确认不收敛的时间与相关部件的信息。

当然，也可从输出的结果MAP图中查找到这些信息，如下图所示：

当确认不收敛的相关信息后，一般从以下三个方面进行模型的调整，以改进求解的运算过程，主要有以下三个方面：

✅避免使用不匹配的部件

要特别关注以下几个部件是否合适。运行范围、工作区间是否合理？

✅避免系统内没有压力调节部件。为避免系统内的压力不合理的升高一般需要加入特定的部件。

✅尽量避免信号变化强烈的控制。采适当的信号传输与控制部件。如下图对比所示：

此算例在进行上述三个求解器的调整后，整个算例的运行速度变化如下：

最终的迭代次数的变化如下，满足要求。

为了进一步提高TTR热管理模型的运行速度，可以对模型进行进一步的简化处理。在模型计算结果中可以查看不同回路的CPU负荷情况。如下图所示：

可以从Report Table表格中查看CPU点比情况。

模型简化的第一步：把FEM 3D的模型简化为1D 集总质量块，如下图所示：

第二步，实现流体回路的缩减。

采用软件自带的流体回路转化工具，实现管路缩减的目的。

在上述转化完成后，采用软件自带的FRM转化工具进一步进行运行速度的加速处理。

在进行质量单元与流体转化的模型变化如下图所示：

为了进一步进行加速处理，可以把集成模型进行FMI分块化处理，然后可以利用计算机的并行计算能力，进一步加快整个模型的计算。工作原理如下图所示。

具体各个子系统的操作流程如下：

在GT的环境下，进行多个子FMI模型的联合仿真。并在运行时根据子模型的数目进行多核并行计算。具体设置如下图所示。

最终模型运行的速度达到如下所示的结果。

至此，此模型达到了RT应用的需求了。但是，对于新能源车的应用过程中，如果关心电池寿命或电池老化等仿真计算，可能需要以年为单位进行仿真计算，以上的速度还需进一步提升。因此，GT提供了对应的机器学习的方法以进一步加快计算速度。具体的操作流程如下：

利上述已经实时化的模型进行DOE计算，并在GT的优化工具中进行机器学习，达到最终训练出神经网络的模型操作流程如下所示：

最终机器学习的模型可以用于以年为单位的仿真分析。

小结：对于模型的简化的流程，大体可以分为以下几个步骤达到实时应用

实时化模型的结果确对比如下图所示：

从上述结果来看，实时化模型与详细模型有很好的一致性，完全满足就应用需求。

同时，在实时化模型的基础上，也可以进行基于设计的预测分析，最终详细模型与实时化模型预测的分析结果对比如下：

可以达到相同的预测功能。

正如前的背景说明中所说的一样，由于控制系统的复杂程度增加，对于HIL系统的应用实时化模型是必不可少的。可以把前面实时化的模型进行HIL应用。具体的操作流程如下图所示：

实时化模型与HIL系统集成的操作步骤如下：

3.总结

本文介绍利用GT-SUITE多物理场的平台特性，对TTR的车辆的热管理模型实现实时化处理的流程说明，为整车复杂热管理系统的快速、准确、可预测性的应用提供优秀的工具。