关于先进发动机技术验证的第二想法

动力总成系统的复杂性是汽车制造商为降低商用车和非公路用机械的排放而必须付出的代价。这不仅仅指柴油颗粒过滤器（DPF）、废气再循环（EGR）、选择性催化还原（SCR）以及日益复杂的涡轮增压系统。真正的挑战在于这些系统之间的相互作用，这使得设计和标定工作量呈指数级增长。

尽管监管压力暂时有所缓解，但技术改进远未完成。为了实现这些目标，仍需在排放、油耗、功率和扭矩之间取得平衡。例如，发动机小型化仍然有助于解决这些问题，同时还能降低机器成本、优化结构和减轻重量，前提是能够在实际运行条件下可靠地提供动力。

与此同时，整车制造商面临着针对特定市场、应用和工况的多种动力总成变体日益增长的需求。随着系统复杂性的增加，这些变体的设计、验证和支持也变得更加困难。

尽管如此，电力行业仍取得了显著进步——受管制污染物减少了95%以上，而功率密度也大幅提高。但这并非没有代价。

由此产生的问题，例如废气再循环阀热应力过大、选择性催化还原系统中的氨沉积物或柴油颗粒过滤器再生失败，都表明在管理多个参数方面存在困难。这些问题通常被认为是固有的可靠性风险，但更常见的情况是，它们源于在时间资源严重受限的情况下做出的设计和标定决策。

模拟的威力与局限性

如今，仿真驱动设计已成为发动机制造商及其供应链的普遍做法。计算流体动力学 (CFD)、有限元分析 (FEA) 和系统级模型在物理硬件出现之前就已开始用于设计和验证。这种基于模型的工程方法能够实现比传统先测试后设计方法更快的迭代速度、更低的开发成本以及更明智的决策。

然而，很少有工程组织感到束缚有所减轻。虚拟开发速度加快带来的任何收益都会迅速被重新投入到更高的性能目标、更严格的排放标准和更宽泛的运行范围中。仿真能力并不会造成资源浪费，它只会提高人们的期望。

仿真成本也相当高昂。单次运行就需要消耗昂贵的计算资源和专业工程师的时间，而软件许可费用可能高达每席位数万美元。单次仿真可能需要数小时，而一项设计研究可能需要数百次运行。在这种情况下，优势不在于运行更多仿真，而在于确定哪些仿真真正重要。

当人类直觉达到极限时

经验丰富的机械和性能工程师能够分析多个相互作用的参数，通常能够自信且凭直觉同时处理五六个变量。但最新的低排放动力系统远超这种舒适区，数十个紧密耦合的变量同时影响着其性能。其中许多关系是非线性的，因此很难在没有帮助的情况下理解和掌握。

燃烧过程就是一个鲜明的例子。气门、活塞顶部凹槽、喷油嘴、缸径和冲程、压缩比以及涡流等几何形状的选择，都会与喷油正时、压力、喷射速率控制和多点喷射策略等控制参数相互作用。每个参数都很重要，但它们的综合影响往往难以直观理解。

最优解往往与直觉相悖。职业自行车运动就是一个很好的例子。几十年来，各车队都认为使用较窄的轮胎并提高胎压可以最大限度地降低滚动阻力。这种看似最优的策略主导了四十多年的思路，直到经过仔细的实验，分析人员才发现，在实际骑行条件下，使用较宽的轮胎并降低胎压往往速度更快。真正的最优解其实一直就在眼前。

这并非技能或经验的问题。工程训练理所当然地会教授简化作为一种生存技巧。但当系统真正变得多维时，这种习惯可能会过早地缩小选择范围，导致一些可靠的解决方案因为超出了熟悉的领域而被忽略。

工程级机器学习

近年来，人工智能，尤其是大型语言模型，在工程界引发了广泛的关注，同时也激起了人们的热情和担忧。一个普遍的担忧是，人工智能工具是否会取代技术熟练的岗位。然而，在动力总成开发领域，这种担忧却忽略了问题的关键所在。

Secondmind 是一家专注于开发工程应用场景的机器学习技术的公司，而非改造通用人工智能工具。其方法基于概率而非生成，专为数据稀缺、成本高昂且生成缓慢的场景而设计。这项研究源于剑桥大学 Carl Rasmussen 教授领导的研究，他同时也是 Secondmind 的首席科学官。该研究侧重于不确定性下的决策，而非大规模预测。

目标并非实现工程判断的自动化，而是要揭示出超出时间和预算限制的问题全貌。机器学习会优先考虑应该在哪些方面投入仿真资源，以及哪些方面的不确定性仍然很高。然后，工程师们再决定如何应对。其价值在于这种分工：计算用于呈现各种方案，经验用于从中做出选择。

持有期权的时间会更长

这项技术可以让工程师们不必过早地将设计方向局限在单一的框架内，而是能够更长时间地保留多种可行的方案。这意味着工程师们可以更清晰地评估各种方案之间的权衡取舍，而不是被早期的假设所束缚，导致日后难以推翻这些假设。通过构建更全面的可接受解决方案及其边界图景，团队能够更客观地看待机遇和风险。

至关重要的是，不确定性不再被隐藏。知识薄弱的领域变得清晰可见，从而可以进行有针对性的调查，而不是一概而论。这有助于设计出更稳健的方案，并在最终硬件制造过程中减少意外情况的发生。

更智能模拟的经济学

对于预算压力巨大的工程经理而言，求解器的速度只是影响结果的一部分。更重要的是有选择地将仿真资源投入到哪些方面。通过识别高不确定性区域并针对这些区域进行优化，概率机器学习能够指导每一批新的仿真，从而最大限度地获取信息。

这种针对性的方法已被证明能将所需的模拟次数减少约 80%，同时还能提高结果的可靠性。其优势不仅在于降低计算成本，还在于转变了工程师的时间分配方式：从重复执行转向解释和决策。开发周期缩短，协作得到改善，后期返工的可能性也大大降低。

设计和校准

从早期设计到测试单元，整个程序都面临着同样的复杂性。在标定过程中，工程师必须生成控制图，以平衡整个运行范围内的喷油正时、共轨压力、空气/路径管理和排放性能。问题再次回到规模上；组合数量远远超过任何工程师在无人协助的情况下能够合理评估的范围。

将同样的概率机器学习技术应用于校准，能够帮助团队减少测试台架的使用时间、燃料消耗和迭代次数，同时提高对关键运行区域未被遗漏的信心。在白板上看起来容易处理的问题，一旦涉及到实际运行范围，就会迅速变得难以应对。

工程文化的转变

其结果并非消除直觉，而是强化直觉。决策从可辩护转变为可证明，而仿真则从必要的瓶颈转变为竞争优势的来源。工程师仍然拥有决策权，但对权衡取舍、风险和机遇有了更清晰的认识。

随着动力系统复杂性的不断提升，这种转变至关重要。排放标准、替代燃料、混合动力和电气化都进一步提高了标准。能够进行广泛探索、自信决策并有效管理复杂性的组织，将比那些仍然仅仅依赖狭隘探索和来之不易的直觉的组织发展得更快，失误也更少。

本文作者是 Secondmind 美国区经理 Nick Appleyard。他同时也是 NAFEMS ASSESS 项目的执行董事，该项目汇集了工业界、政府和学术界的力量，旨在扩大仿真技术在数字工程和产品开发中的影响力。