浅谈HIL硬件在环技术和台架实验的互补关系

随着汽车电子系统的不断发展，电控单元数量和汽车控制功能不断增加，多控制器协同、在线诊断、智能辅助驾驶乃至无人驾驶的概念推陈出现，让整个行业都已经意识到虚拟汽车开发技术的重要性。这里涉及到多种不同场景的概念：MIL（model in loop）、SIL（software in loop）、HIL（hardware in loop）、VIL（vehicle in loop）、DIL（driver in loop）。其中HIL可能是汽车行业这两年最为追捧的技术，其常利用NI板卡等实时计算载体+简化后的零部件物理模型（润滑模型，燃烧模型等，为了实时性，通常这些计算模型都需要牺牲精确性，通常采用统计模型而非高阶物理模型，简单者有TESIS的enDYNA模型，复杂者如霍尼韦尔）+真实零部件（传感器和执行器，提供信息采集和执行闭环控制，同时监测网络负载）+台架实验数据（大量统计数据，如发动机万有特性曲线已提供修正方向，通过调参，使得搭建的虚拟发动机模型在统计意义上接近目标发动机的动力及运行特征），使得搭建出来的虚拟发动机可以模拟正常发动机的功能测试。

Fig.1 Hardware in Loop demonstration
对于HIL等一系列虚拟汽车开发技术，可能面对的最大质疑便是虚拟开发技术和以台架实验为代表的传统设计流程之间的不理解，正如同仿真计算和物理实验持续已久的互怼。但是这里应该强调的是，在经过调参优化后的HIL虚拟发动机等动力系统，进过实验数据的修正和校验后，其主要意义是进行功能逻辑测试，如验证故障模型、电子电路失效类型、通信协议的匹配运行情况和新的功能检查逻辑设计与验证等，服务的对象更多是如同ECU控制策略等偏“软”的目标，而非模拟动力系统复杂瞬变的动力特性（即便是同一批次发动机也会存在一定的性能差异，某些工况点的结果分布甚至不满足正态分布假设，加之虚拟动力系统采用的简化版计算模型决定其在先天上的不足，即统计层面的逼近，而非任意工况点的模拟）。

HIL虚拟动力系统和实验台架的关系是互补的。随着AutoSAR等失效模式策略在工业界的推广，动力控制层面的逻辑验证和故障模式的验证成为便可或缺的测试手段。传统的实验验证不仅耗时耗力，而且受限于安全性问题部分测试根本无法严重（严重的失效情形模拟，会对机械造成不可逆损害，甚至可能对实验操作人员造成生命威胁）。以HIL为基础的虚拟动力系统开发技术可以有效地应对软件逻辑的自动化逻辑测试，极大地丰富测试完整性，并且可以有效地整合入数据挖掘、人工智能等手段，加速开发阶段的优化和迭代速度。