好的汽车用气流传感器需要好的模型才能发挥效用

作者：Bill Schweber

传感器和对现实世界中物理参数的检测构成了电子领域的很大一部分，不过这两者很容易被混淆。我们有数以万计的传感器，不仅为广泛的物理参数（如温度）量身定制，而且还专门用于需要温度测量的许多温度范围和独特装置。

在许多情况下会出现两难的境地：一方面市面上有许多好的传感器，而另一方面则是具体的应用场景使得我们在实际中很难以有意义的或合理准确的方式使用传感器。这不是传感器的“错”，而是这种情况带来的挑战。航天器燃料箱中的平均燃料就是一个著名的例子，无论是在发射/助推阶段还是在轨道上。目前市面上有许多传感器和技术，每一种产品都存在尺寸、复杂性、重量和准确性方面的缺陷。

请注意，传感问题并不只限于这种很专业的情况。我们来考虑测量有两个或更多乘员的汽车乘客舱中的气流这一重要课题。由于众所周知的原因，特别是现在，当人与人之间距离很近时，我们要确保空气流动通畅。（如果需要了深入解我们为什么应该至少有点担心，请阅读这篇来自当代物理学的文章（参考文献 1），该文章出版于 Covid-19 大流行的大约一年前）。

那么，我们应该打开一扇车窗还是多少扇车窗？无论数量多少，那么我们应该打开哪一扇或哪几扇以及打开多大？在这种情况下，“打开所有车窗”这一可能的直观回答有可能是错误的。此外，即使这是最好的技术解决方案，也可能是不切实际或不可取的。

因此，如果我们想限定为两扇车窗，例如，打开哪两扇呢？这与和乘客和乘客在哪个坐位有关系吗？应该是两扇前窗吗？也许使用司机侧车窗和右后方车窗（在驾驶室车窗的斜对面），或者也许只用乘客舱的车窗和左后方车窗？将汽车的通风口设置在不同的位置会带来什么影响？空调的设置如何影响这些决定？

所有这些问题在设有风洞、汽车模型和一些用来代替司机和乘客的被动“假人”的试验台上应该很容易得到答案。然而事实证明，由于存在各种原因，这并不是一个容易掌握的情况。没错，现在市面上有许多气流传感器仪表，如 Center Technology 的 Center 332 热丝风速计（图 1）。该手持设备有一个独立的可加长探头，测量 0 - 25 米/秒（0 - 5000 英尺/分钟）的空气流速，以及 0 - 106 立方米/分钟（约 8.5×108 立方英尺/分钟）空气流量（体积），精确度为 ±3%。

图 1：Center Technology 的 Center 332 热线风速计可以在很大的范围内测量空气速度和气流体积；其扩展传感器将待测气流的干扰降到最低。（图片来源：Center Technology）

但是，拥有了好的传感器或仪器只是解决方案的一部分。这一点在两篇相关的文章中已经说得很清楚了——AAAS 科学发展（参考文献 2）和当代物理（参考文献 3）。这两篇文章都讨论了与评估汽车内气流有关的挑战。作者的结论是，鉴于布局涉及到许多变量，以及在什么位置、采用什么方法测量气流，这是一个不适合实际物理仪器的问题，就像其不适合建模和仿真一样。

好的传感器需要好的模型来平衡

我对依赖建模和仿真没有意见，因为现代工具让人叹为观止。就汽车气流问题来说，不会出现如温度变化会导致材料收缩或膨胀等使情况复杂的二次影响问题，而在其他许多现实际情况下本就如此。在这里只涉及到一个问题——局部气流的体积和流速是车速、乘客和车窗位置的函数。

然而，几乎所有类似的仿真都有一个潜在的问题：很大程度上取决于基础模型的保真度。我无法知道你在这个项目中需要针对汽车表面和内部几何形状建立了多么精确的模型。乘客舱尺寸的轻微变化（毕竟每辆车都会稍有不同）会对结果产生很大影响吗？你能不能做一个有意义的敏感性分析，看看模型简化会对仿真结果产生什么影响（图 2）？

图 2：汽车中的气流模式很复杂，取决于许多因素，包括车厢大小及几何形状、车速、乘客人数以及开窗的数量和位置。（图片来源：当代物理》）

幸运的是，并非所有研究人员都只致力于模型和仿真。暴露科学与实验流行病学杂志（参考文献 4）对汽车中的空气交换率 (ACH) 进行了揭示性研究，作者在各种条件下用四种不同的汽车进行测试。作者在测试时远远超出了基本气流传感器的范围，增加了一个仪器级的监视器来测量一氧化碳 (CO) 浓度，以及一个光学散射监视器来测量可吸入颗粒物浓度。

在审视大量的窗户、通风口、空调和乘员组合时，先构建模型然后进行仿真是最佳方法，这样才具有实际意义。但是，即使是先评估模型场景，然后再通过真实的汽车和许多气流传感器作为有效性检查和可信度验证来评估、验证，我也会认为是更好的。这和我看到电路仿真是相同的：我们看到性能特征有如此明显的精度和大量的数据是很好的，但如果对接近最终配置的实际原型车也进行测试，且在仿真结果的 5% 或 10% 之内，那么我始终会更相信这些观点。

总结

不要被愚弄了：真实世界参数的检测问题是源自应用场景，而非传感器本身。仔细想想你需要什么样的传感器布置，需要多少传感器，它们的位置，它们对测试的影响以及其他相关因素。假设你能开发一个可行的模型，三维仿真应该是一个更好的选择。