CN115017605A - 汽车线束对耦合特性建模仿真预测方法、系统、计算机设备及存储介质 - Google Patents
汽车线束对耦合特性建模仿真预测方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115017605A CN115017605A CN202210488224.6A CN202210488224A CN115017605A CN 115017605 A CN115017605 A CN 115017605A CN 202210488224 A CN202210488224 A CN 202210488224A CN 115017605 A CN115017605 A CN 115017605A
- Authority
- CN
- China
- Prior art keywords
- port
- interference source
- voltage
- current
- interference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008878 coupling Effects 0.000 title claims abstract description 45
- 238000010168 coupling process Methods 0.000 title claims abstract description 45
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004088 simulation Methods 0.000 title claims description 26
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000012986 modification Methods 0.000 abstract description 2
- 230000004048 modification Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 230000001808 coupling effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供汽车线束对耦合特性建模仿真预测方法、系统、计算机设备及存储介质,包括采集实车端口数据;包括S参数、干扰源戴维南等效阻抗、干扰源端口往线束方向看的等效阻抗及干扰源端口的电流;步骤二、将步骤一中数据干扰源戴维南等效阻抗以及干扰源端口往线束方向看的等效阻抗以及干扰源端口的电流通过计算得到干扰源的戴维南等效电压;数据S参数通过转化得到Z参数步骤三、将步骤二中Z参数和干扰源的戴维南等效电压带入到预测公式中预测得到干扰源两端的端口电压和电流和敏感件两端的端口电压和电流;由原有定性经验判断转化为定量的客观判断,提升判断准确性,有效规避风险,降低项目后期整改及测试成本。
Description
技术领域
本发明属于汽车开发及验证领域,涉及汽车电磁性能建模仿真方法,具体涉及汽车线束对耦合特性建模仿真预测方法、系统、计算机设备及存储介质。
背景技术
随着汽车科技的发展,无论是传统燃油车还是电动车,随着智能网联、智能座舱的加持,装备越来越多、也越来越先进、功能越来越丰富,各种驾驶员辅助控制器、高频影音娱乐系统类电子电器控制器随之增多,电动车高压系统产品快速迭代,高压线束连接增多,市场上高压部件产品水平参差不齐,带来多更强的骚扰源。
对于上述高频器件在车上对敏感的车载接收系统也带来了越来越多的电磁兼容风险的挑战。整车空间有限,造型固定,线束布置和走向受到越来越多的约束,行业内随之而来的整车在研发和售后都体现出电磁兼容问题。统计显示其中线束耦合效应是典型的高频干扰源对射频接收类敏感器件的干扰类失效增多。耦合类电磁干扰问题,不易发现,测试实施也比较费时费力且测不准。
多端口理论是成熟的理论但是在预测电磁兼容方面应用多见于理论研究,通过建模理论结合软件计算程序实现量化可视化未见有此应用,所以亟需一种简单直观的风险预测方法。
发明内容
本发明的目的是提供一种汽车线束对耦合特性建模仿真及预测方法,由原有定性经验判断转化为定量的客观判断,提升判断准确性,有效规避风险,降低项目后期整改及测试成本。
本发明的目的通过如下技术方案实现:
一种汽车线束对耦合特性建模仿真预测方法,包括如下步骤:
步骤一、采集实车端口数据;包括S参数、干扰源戴维南等效阻抗ZsL、干扰源端口往线束方向看的等效阻抗R及干扰源端口的电流I;
步骤二、将步骤一中数据干扰源戴维南等效阻抗ZsL以及干扰源端口往线束方向看的等效阻抗R以及干扰源端口的电流I通过计算得到干扰源的戴维南等效电压UL;数据S参数通过转化得到Z参数,矩阵表示为ZsE为敏感设备戴维南等效输出阻抗;
步骤三、将步骤二中Z参数和干扰源的戴维南等效电压UL带入到预测公式中预测得到干扰源两端的端口电压和电流和敏感件两端的端口电压和电流;
作为本发明更优的技术方案,还包括步骤四、将步骤三中得到的预测得到干扰源两端的端口电压和电流和敏感件两端的端口电压和电流绘制生成图形,以图片形式保存。
作为本发明更优的技术方案,步骤一中所述的采集实车端口数据使用矢量网络分析仪、频谱仪以及电流钳工具。
作为本发明更优的技术方案,步骤二中首先将S参数、干扰源戴维南等效阻抗ZsL、干扰源端口往线束方向看的等效阻抗R及干扰源端口的电流I读入程序,
干扰源端口的电流I为.txt格式的数据文件,读入后进行单位转换以及数据保存;
干扰源戴维南等效阻抗ZsL及干扰源端口往线束方向看的等效阻抗R为.dat 格式数据文件,读入后将数据转为矩阵的形式;
输入总的端口数目、干扰源端口数目以及敏感件端口数目;其中默认干扰源端口编号为1,敏感件端口编号为2
作为本发明更优的技术方案,步骤二中将S参数转换为Z参数据具体如下:
其中,ZLL表示干扰源端口到干扰源端口之间的开路阻抗,ZEE表示敏感设备端口到敏感设备端口之间的开路阻抗,ZLE表示干扰源端口到敏感设备端口之间的开路阻抗,ZEL表示敏感设备端口到干扰源端口之间的开路阻抗;
采用测量散射参数S的方法,根据S参数和Z参数之间的转换关系,计算得到Z参数;S参数和Z参数的转换关系为Z=Z0·(E-S)-1(E+S);散射参数S利用多端口网络各个端口的入射电压波和出射电压波对端口的关系进行描述,端口的戴维南等效阻抗特性矩阵其中,ZsL为干扰源端口的等效阻抗,ZsE为敏感设备端口的等效阻抗,等效阻抗通过矢量网络分析仪测得。
作为本发明更优的技术方案,步骤二中干扰源的戴维南等效电压干扰源的戴维南等效电压计算公式为V=(Zs+R)·I。
作为本发明更优的技术方案,步骤二中预测公式通过如下步骤得到:
针对线束对进行端口建立整车级EMC二端口网络模型;设干扰源干扰电压为UL、干扰电流为IL,敏感设备的干扰电压为UE、干扰电流为IE。ZsL为干扰源端口的戴维南等效输出阻抗,ZsE为敏感设备端口的戴维南等效输出阻抗。
用戴维南等效电路表征的零部件端口特性与端口电压电流之间的关系为其中,I为干扰电流,Z为线束端开路阻抗矩阵,化简后可得: ZI=V-ZsLI,I·(Z+ZsL)=V;根据端口电压和电流的等式关系,可得到用戴维南等效电压、等效阻抗、线束端开路阻抗矩阵等参数表示的端口电压、电流公式:U=Z·(Z+ZsL)-1·V,I=(Z+ZsL)-1V,其中
本发明还有一个目的是提供一种汽车线束对耦合特性建模仿真预测系统,所述的预测系统包括:
获取单元,用于采集实车端口数据;包括S参数、干扰源戴维南等效阻抗ZsL、干扰源端口往线束方向看的等效阻抗R及干扰源端口的电流I;
数据读取和转化单元,用于计算得到干扰源的戴维南等效电压UL和转化得到Z参数;
预测单元:用于将Z参数和干扰源的戴维南等效电压UL带入到预测公式中预测得到干扰源两端的端口电压和电流和敏感件两端的端口电压和电流;
作为本发明更优选的技术方案,还包括存储单元,将计算得到的结果矩阵依次进行降维,存在数组中,得到U1,U2,i1,i2,选择任意所得预测结果,即可将图像显示在坐标区;选择电压保存或电流保存时,针对选中的电压或者电流,弹出一个新的figure文件,之后存储成所需图片格式。
本发明还有一个目的是提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现一种汽车线束对耦合特性建模仿真预测方法的步骤。
本发明还有一个目的是提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序时实现一种汽车线束对耦合特性建模仿真预测方法的步骤。
本发明提供的预测方法包含高压线束对间、低压线束系统间、高低压线束对间的耦合建模及仿真计算,同时采用计算程序,对数据进行处理,并生成可视化的电压电流的坐标图像,用于耦合干扰风险评估的一种方法。
本发明规范化出简单有效的建模计算及数据程序处理的预测方法,采用后可将线束耦合的看不见、摸不到的、测不准干扰电磁场转化为可量化的电端口电压电流,同时通过计算程序显示为量化的坐标图像。此方法简单高效直观,只需建好模型输入原始数据,程序自动计算生成图像,直接刻用于判断风险。
本发明解决的技术问题是整车线束因造型及车身结构等限值,线束布置难以完全避开干扰源及敏感件间的线束走向,为保证开发阶段识别车辆干扰源线束与敏感器件线束间的耦合效应带来的风险,通过建模分析及软件计算数据处理,简洁高效预测端口电压电流,辅助判断车辆线束对间耦合效应到来的电磁兼容风险,从而对车辆带来的电磁兼容风险识别。
本发明基于多端口网络理论,针对整车级EMC所存在问题进行预测,并通过仿真计算得到线束对的耦合特性,经过实车采集数据进行对比分析。同时采用线束对耦合仿真的程序,实现了EMC预测的仿真计算。程序中对于实验数据可以进行导入和保存,对计算结果进行存储,方便操作,且直观展现结果图,可实现端口电压电流的良好预测,从而有效对整车级EMC存在的问题,提前识别风险,降低后期车辆整改测试等成本,提升研发水平。
附图说明
参照附图,可直观了解本发明专利内容,附图仅仅用于说明的目的,并非限制本发明专利的保护范围。其中:
图1是线束对耦合仿真预测流程图;
图2是具体计算软件预测功能模块框图;
图3是二端口网络模型;
图4是在耦合路径未知的情况下二端口网络建模;
图5是干扰源等效电路模型。
具体实施方式
为使本发明专利要解决的技术问题、技术方案和优点更加清楚,下面结合附图对本发明专利做进一步详细的说明。
实施例1、一种汽车线束对耦合特性建模仿真预测方法,包括如下步骤:
步骤一、采集实车端口数据;包括S参数、干扰源戴维南等效阻抗ZsL、干扰源端口往线束方向看的等效阻抗R及干扰源端口的电流I;
步骤二、将步骤一中数据干扰源戴维南等效阻抗ZsL以及干扰源端口往线束方向看的等效阻抗R以及干扰源端口的电流I通过计算得到干扰源的戴维南等效电压UL;数据S参数通过转化得到Z参数,矩阵表示为ZsE为敏感设备戴维南等效输出阻抗;
步骤三、将步骤二中Z参数和干扰源的戴维南等效电压UL带入到预测公式中预测得到干扰源两端的端口电压和电流和敏感件两端的端口电压和电流;
在一些实施例中,还包括步骤四、将步骤三中得到的预测得到干扰源两端的端口电压和电流和敏感件两端的端口电压和电流绘制生成图形,以图片形式保存。
在一些实施例中,步骤一中所述的采集实车端口数据使用矢量网络分析仪、频谱仪以及电流钳工具。
在一些实施例中,步骤二中首先将S参数、干扰源戴维南等效阻抗ZsL、干扰源端口往线束方向看的等效阻抗R及干扰源端口的电流I读入程序,
干扰源端口的电流I为.txt格式的数据文件,读入后进行单位转换以及数据保存;
干扰源戴维南等效阻抗ZsL及干扰源端口往线束方向看的等效阻抗R为.dat 格式数据文件,读入后将数据转为矩阵的形式;
输入总的端口数目、干扰源端口数目以及敏感件端口数目;其中默认干扰源端口编号为1,敏感件端口编号为2
在一些实施例中,步骤二中将S参数转换为Z参数据具体如下:
其中,ZLL表示干扰源端口到干扰源端口之间的开路阻抗,ZEE表示敏感设备端口到敏感设备端口之间的开路阻抗,ZLE表示干扰源端口到敏感设备端口之间的开路阻抗,ZEL表示敏感设备端口到干扰源端口之间的开路阻抗;
采用测量散射参数S的方法,根据S参数和Z参数之间的转换关系,计算得到Z参数;S参数和Z参数的转换关系为Z=Z0·(E-S)-1(E+S);散射参数S利用多端口网络各个端口的入射电压波和出射电压波对端口的关系进行描述,端口的戴维南等效阻抗特性矩阵其中,ZsL为干扰源端口的等效阻抗,ZsE为敏感设备端口的等效阻抗,等效阻抗通过矢量网络分析仪测得。
在一些实施例中,步骤二中干扰源的戴维南等效电压干扰源的戴维南等效电压计算公式为V=(Zs+R)·I。
在一些实施例中,步骤二中预测公式通过如下步骤得到:
针对线束对进行端口建立整车级EMC二端口网络模型;设干扰源干扰电压为UL、干扰电流为IL,敏感件的干扰电压为UE、干扰电流为IE。ZsL为干扰源端口的戴维南等效输出阻抗,ZsE为敏感件端口的戴维南等效输出阻抗。
用戴维南等效电路表征的零部件端口特性与端口电压电流之间的关系为其中,I为干扰电流,Z为线束端开路阻抗矩阵,化简后可得: ZI=V-ZsLI,I·(Z+ZsL)=V;根据端口电压和电流的等式关系,可得到用戴维南等效电压、等效阻抗、线束端开路阻抗矩阵等参数表示的端口电压、电流公式:U=Z·(Z+ZsL)-1·V,I=(Z+ZsL)-1V,其中
本发明的实施例还提供一种汽车线束对耦合特性建模仿真预测系统,所述的预测系统包括:
获取单元,用于采集实车端口数据;包括S参数、干扰源戴维南等效阻抗ZsL、干扰源端口往线束方向看的等效阻抗R及干扰源端口的电流I;
数据读取和转化单元,用于计算得到干扰源的戴维南等效电压UL和转化得到Z参数;
预测单元:用于将Z参数和干扰源的戴维南等效电压UL带入到预测公式中预测得到干扰源两端的端口电压和电流和敏感件两端的端口电压和电流;
在一些实施例中,还包括存储单元,将计算得到的结果矩阵依次进行降维,存在数组中,得到U1,U2,i1,i2,选择任意所得预测结果,即可将图像显示在坐标区;选择电压保存或电流保存时,针对选中的电压或者电流,弹出一个新的figure文件,之后存储成所需图片格式。
本发明的实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现一种汽车线束对耦合特性建模仿真预测方法的步骤。
本发明的实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序时实现一种汽车线束对耦合特性建模仿真预测方法的步骤。
如图1所示,线束对耦合仿真预测流程图,针对线束对进行端口建模具体如下:为进行实车线束的仿真,在耦合路径未知的情况下,进行二端口网络建模,如图4所示,端口1表示干扰源端口,端口2表示敏感设备端口。此时表征传输路径的多端口网络单独作为耦合途径。由于用Z参数描述多端口网络特性时与端口特性无关,因此实现了整车耦合途径的建模与干扰源/敏感设备特性的分离。两个端口均用戴维南等效电路表征端口特性,其中,干扰源用等效干扰电压和等效输出阻抗串联的电路形式表征,敏感设备只用等效输出阻抗表征。整车级EMC二端口网络模型如图3所示。其中设干扰源干扰电压为UL、干扰电流为IL,敏感设备的干扰电压为UE、干扰电流为IE。ZsL为干扰源端口的戴维南等效输出阻抗,ZsE为敏感设备端口的戴维南等效输出阻抗。
用戴维南等效电路表征的零部件端口特性与端口电压电流之间的关系如为其中,I为干扰电流,Z为线束端开路阻抗矩阵,化简后可得 ZI=V-ZsLI,I·(Z+ZsL)=V;根据端口电压和电流的等式关系,联立ZI=V-ZsLI, I·(Z+ZsL)=V后可得到用戴维南等效电压、等效阻抗、线束端开路阻抗矩阵等参数表示的端口电压、电流公式,
U=Z·(Z+ZsL)-1·V
I=(Z+ZsL)-1V
从式预测公式可知,结合整车网络特性和零部件端口特性即可对线束对耦合进行预测。敏感设备上的干扰电压/电流与干扰源等效干扰电压之间的传递函数由整车网络特性和零部件等效输出阻抗组成,可通过控制耦合路径特性和干扰源/敏感设备的输出阻抗来调整传递函数。
根据计算流程采集端口参数具体如下:二端口网络的开路阻抗矩阵,即Z 参数矩阵。
其中,ZLL表示干扰源端口到干扰源端口之间的开路阻抗,ZEE表示敏感设备端口到敏感设备端口之间的开路阻抗,ZLE表示干扰源端口到敏感设备端口之间的开路阻抗,ZEL表示敏感设备端口到干扰源端口之间的开路阻抗。
采用测量散射参数S的方法,根据S参数和Z参数之间的转换关系,计算得到Z参数。S参数和Z参数的转换关系如下。
Z=Z0·(E-S)-1(E+S)
在此二端口网络中,S参数矩阵表示为
散射参数S利用多端口网络各个端口的入射电压波和出射电压波对端口的关系进行描述,可以通过仿真得到,也可以通过网络分析仪直接测得。端口的戴维南等效阻抗特性可用矩阵Zs表示,如下。
其中,ZsL为干扰源端口的等效阻抗,ZsE为敏感设备端口的等效阻抗,等效阻抗通过矢量网络分析仪测得。
已知敏感设备的戴维南等效电压为0,干扰源的戴维南等效电压由测量得到的戴维南等效阻抗和线束电流计算得到。
根据图5的干扰源等效电路模型,可得干扰源的戴维南等效电压计算公式如下:
V=(Zs+R)·I
其中,ZsL为干扰源戴维南等效阻抗,R为干扰源端口往线束方向看的等效阻抗,利用矢量网络分析仪测得ZsL和R,用电流钳测得干扰源端口的电流I。
在获得整车网络特性后,即可将所获参数带入预测公式中进行预测,分别得到干扰源和敏感设备的端口电压和端口电流。
在计算软件中导入采集数据进行仿真计算,运行计算软件程序得出仿真结果并与实车数据对比分析。
如图2所示,具体预测功能模块框图:
将实车数据输入计算软件;利用矢量网络分析仪、频谱仪以及电流钳等工具,分别在实车上采集端口S参数、端口内阻抗、线束阻抗以及线束干扰电流等。其中S参数为线性采集,采集阻抗的单位为欧姆,将频谱仪采集电流数据的.set格式转换为.txt格式。
将S参数、端口阻抗、线束电流读入程序;输入端口的S参数,S参数为.dat 格式的数据文件,设置读取路径,将S参数读入,并提取有效数据,将数据转为矩阵格式,保存S参数的对应频点。
输入实车采集的端口电流,电流为.txt格式的数据文件,读入电流中的有效数据,进行单位转换以及数据保存。
输入端口内阻抗以及线束阻抗,阻抗为.dat格式数据文件,设置读取路径,将阻抗参数导入,提取有效数据,将数据转为矩阵的形式,以便计算。
输入总的端口数目、干扰源端口数目以及敏感件端口数目。其中默认干扰源端口编号为1,敏感件端口编号为2,后期Z开路阻抗矩阵的转换,端口戴维南等效电压的计算以及端口耦合电压电流的计算均与此对应。
将数据通过软件转换成所需参数;由于测量端口阻抗需要开路的实验条件,测量难度大且容易出现误差,所以采用测量散射参数S的方法,根据S参数和 Z参数之间的转换关系,计算得到Z参数。
程序自动带入预测公式;
程序计算耦合电压电流;将干扰源以及敏感件端分别进行戴维南等效,通过干扰源内阻、干扰源线束端阻抗、以及干扰源线束电流,直接计算得到干扰源端戴维南等效电压,进行后续计算。
已经得到所需的各实车参数,以及转换后的开路阻抗矩阵,此时输入干扰电压、干扰电流的预测公式,即可得到干扰源和敏感件两端的预测电压和电流。其中U1和i1分别表示干扰源两端的端口电压和电流,U2和i2分别表示敏感件两端的端口电压和电流。
将计算得到的结果矩阵依次进行降维,存在数组中,得到U1,U2,i1,i2,选择任意所得预测结果,即可将图像显示在坐标区。
程序保存预测数据。选择电压保存或电流保存时,可针对选中的电压或者电流,弹出一个新的figure文件,之后可手动存储成所需图片格式。
本发明主要基于多端口理论,针对整车级线束对间耦合问题进行建模及仿真计算,结合计算软件进行预测,从而获得线束对端口电压电流的水平,来评估干扰源线束对射频接收类敏感器件通过线束耦合效应带来的电磁兼容风险。通过多端口理论建模计算结合计算软件数据处理计算及图形绘制,可将看不见摸不到的且不容测量的电磁影响转化为可测量可量化的端口电压电流,且通过计算软件将数据生成曲线坐标图形,可直观比对。提升线束耦合类风险评估的效率和准确度,有原有定性经验判断转化为定量的客观判断,提升判断准确性,从而有效规避风险,降低项目后期整改及测试成本。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多种实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种汽车线束对耦合特性建模仿真预测方法,其特征在于:包括如下步骤:
步骤一、采集实车端口数据;包括S参数、干扰源戴维南等效阻抗ZsL、干扰源端口往线束方向看的等效阻抗R及干扰源端口的电流I;
步骤二、将步骤一中数据干扰源戴维南等效阻抗ZsL以及干扰源端口往线束方向看的等效阻抗R以及干扰源端口的电流I通过计算得到干扰源的戴维南等效电压UL;数据S参数通过转化得到Z参数,矩阵表示为ZsE为敏感设备戴维南等效输出阻抗;
步骤三、将步骤二中Z参数和干扰源的戴维南等效电压UL带入到预测公式中预测得到干扰源两端的端口电压和电流和敏感件两端的端口电压和电流;
2.如权利要求1所述的一种汽车线束对耦合特性建模仿真预测方法,其特征在于:还包括步骤四、将步骤三中得到的预测得到干扰源两端的端口电压和电流和敏感件两端的端口电压和电流绘制生成图形,以图片形式保存。
3.如权利要求1所述的一种汽车线束对耦合特性建模仿真预测方法,其特征在于:步骤一中所述的采集实车端口数据使用矢量网络分析仪、频谱仪以及电流钳工具。
5.如权利要求1所述的一种汽车线束对耦合特性建模仿真预测方法,其特征在于:步骤二中将S参数转换为Z参数据具体如下:
其中,ZLL表示干扰源端口到干扰源端口之间的开路阻抗,ZEE表示敏感设备端口到敏感设备端口之间的开路阻抗,ZLE表示干扰源端口到敏感设备端口之间的开路阻抗,ZEL表示敏感设备端口到干扰源端口之间的开路阻抗;
6.如权利要求1所述的一种汽车线束对耦合特性建模仿真预测方法,其特征在于:步骤二中干扰源的戴维南等效电压干扰源的戴维南等效电压计算公式为V=(Zs+R)·I。
7.如权利要求1所述的一种汽车线束对耦合特性建模仿真预测方法,其特征在于:步骤二中预测公式通过如下步骤得到:
针对线束对进行端口建立整车级EMC二端口网络模型;设干扰源干扰电压为UL、干扰电流为IL,敏感设备的干扰电压为UE、干扰电流为IE。ZsL为干扰源端口的戴维南等效输出阻抗,ZsE为敏感设备端口的戴维南等效输出阻抗。
8.一种汽车线束对耦合特性建模仿真预测系统,其特征在于:所述的预测系统包括:
获取单元,用于采集实车端口数据;包括S参数、干扰源戴维南等效阻抗ZsL、干扰源端口往线束方向看的等效阻抗R及干扰源端口的电流I;
数据读取和转化单元,用于计算得到干扰源的戴维南等效电压UL和转化得到Z参数;
预测单元:用于将Z参数和干扰源的戴维南等效电压UL带入到预测公式中预测得到干扰源两端的端口电压和电流和敏感件两端的端口电压和电流;
存储单元,将计算得到的结果矩阵依次进行降维,存在数组中,得到U1,U2,i1,i2,选择任意所得预测结果,即可将图像显示在坐标区;选择电压保存或电流保存时,针对选中的电压或者电流,弹出一个新的figure文件,之后存储成所需图片格式。
9.一种计算机设备,其特征在于:包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述的汽车线束对耦合特性建模仿真预测方法的步骤。
10.一种计算机可读存储介质,其特征在于:其上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述的汽车线束对耦合特性建模仿真预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210488224.6A CN115017605A (zh) | 2022-05-06 | 2022-05-06 | 汽车线束对耦合特性建模仿真预测方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210488224.6A CN115017605A (zh) | 2022-05-06 | 2022-05-06 | 汽车线束对耦合特性建模仿真预测方法、系统、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115017605A true CN115017605A (zh) | 2022-09-06 |
Family
ID=83068334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210488224.6A Pending CN115017605A (zh) | 2022-05-06 | 2022-05-06 | 汽车线束对耦合特性建模仿真预测方法、系统、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115017605A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781638A (zh) * | 2019-11-07 | 2020-02-11 | 山东大学 | 基于节点端口伏安特性的最优戴维南等值参数计算方法 |
CN112859638A (zh) * | 2019-11-28 | 2021-05-28 | Abb瑞士股份有限公司 | 确定转换器系统的戴维南等效模型 |
CN113255061A (zh) * | 2021-05-28 | 2021-08-13 | 中汽研(天津)汽车工程研究院有限公司 | 一种汽车电磁兼容低压线束耦合仿真方法 |
-
2022
- 2022-05-06 CN CN202210488224.6A patent/CN115017605A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781638A (zh) * | 2019-11-07 | 2020-02-11 | 山东大学 | 基于节点端口伏安特性的最优戴维南等值参数计算方法 |
CN112859638A (zh) * | 2019-11-28 | 2021-05-28 | Abb瑞士股份有限公司 | 确定转换器系统的戴维南等效模型 |
US20210165933A1 (en) * | 2019-11-28 | 2021-06-03 | Abb Schweiz Ag | Determining thevenin equivalent model for a converter system |
CN113255061A (zh) * | 2021-05-28 | 2021-08-13 | 中汽研(天津)汽车工程研究院有限公司 | 一种汽车电磁兼容低压线束耦合仿真方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108387802B (zh) | 一种整车接地系统的电磁兼容评估方法及装置 | |
CN115062502A (zh) | 一种电动车高压系统辐射发射建模仿真及预测方法 | |
CN102707170A (zh) | 一种基于半实物仿真的汽车can总线电磁兼容性能测试方法 | |
Xu et al. | Reliability design of battery management system for power battery | |
CN102749539A (zh) | 一种具有量化电磁干扰的电磁兼容快速测试诊断系统 | |
CN111125868B (zh) | 一种电子产品的多应力寿命评估方法及装置 | |
CN108387824B (zh) | 一种改进回复电压测量方式的油纸绝缘状态评估方法 | |
CN111965476A (zh) | 一种基于图卷积神经网络的低电压诊断方法 | |
CN105354397A (zh) | 一种电机驱动系统共模电磁干扰滤波器的设计方法 | |
CN113655348A (zh) | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 | |
CN115292798A (zh) | 一种汽车整车车内电磁场强分布建模仿真及预测方法 | |
CN111400935B (zh) | 基于似然函数的锂电池三阶模型参数辨识方法及系统 | |
CN112348052A (zh) | 一种基于改进EfficientNet的输变电设备异常声源定位方法 | |
CN111007390B (zh) | 基于代数方法的模拟电路故障诊断模型 | |
CN113792438B (zh) | 一种整车电磁抗干扰性能评估方法及装置 | |
CN113820557A (zh) | 非侵入式电动自行车充电负荷检测与识别方法 | |
CN102097022A (zh) | 汽车电信号测试系统 | |
CN115017605A (zh) | 汽车线束对耦合特性建模仿真预测方法、系统、计算机设备及存储介质 | |
CN102721909B (zh) | 电缆本体特高频辐射特性仿真方法和系统 | |
WO2024108890A1 (zh) | 一种电动车蓝牙天线布置优化建模及仿真计算方法 | |
CN113189513A (zh) | 一种基于纹波的冗余电源均流状态识别方法 | |
CN116050186B (zh) | 零部件辐射发射电磁场风险预测方法、装置、设备及介质 | |
CN115754527A (zh) | 一种快速计算电动汽车磁场辐射发射量的简易方法 | |
CN201229233Y (zh) | 基于网络的汽车发动机综合分析仪自动测试与分析系统 | |
CN214851308U (zh) | 车载设备测试系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |