EV用マウントシステム設計の精度と速度を革新する新手法
電気自動車（EV）開発の競争が激化する中、車室内の騒音や振動に対する要求はかつてないほど厓密化している。こうした状況下で、走行品質を左右する極めて重要なのに往々にして見過ごされがちなコンポーネントが存在する。それはパワートレインマウントシステム（PMS）である。内燃機関とは異なり、電気モーターはほぼ無音で作動するため、従来は道路騒音や機械音を覆い隠していた「マスキング効果」が失われる。この「静寂のパラドックス」が、パワートレインを支えるシステムの設計と検証方法に対し、新たでより厳格な要求を突きつけている。华南理工大学と広州城市理工学院の研究チームは、実世界の不確実性下におけるEVマウントシステムの信頼性と性能評価の在り方を根本から変えうる革新的な手法を発表した。
この進歩の核心にあるのは、二つの計算技術を組み合わせたアプローチである。それは「任意多項式カオス展開（APC）」と「最大エントロピー原理（MEP）」の融合である。この組み合わせにより、マウントの剛性や取付座標といったキーパラメータが、正規分布、対数正規分布、一様分布、区分的分布、あるいはそれらの複合分布など、あらゆる確率分布に従う場合であっても、EVのPMSの固有特性―具体的には固有振動数とデカップリング率―を評価する堅牢な枠組みが構築される。
これは単なる漸進的な改善ではない。精度と効率の両面における飛躍的進歩である。モンテカルロ（MC）シミュレーションのような従来手法では、性能のばらつきに関する統計的描像を構築するために、数千から数百万回ものシステム評価の繰り返しが必要だった。この力任せの方法は確かに正確ではあるが、処理速度が極めて遅く計算コストも莫大で、設計者が迅速なフィードバックを必要とする反復的な設計サイクルでは非現実的ですらあった。対照的に、新たに提案されたAPC-MEP法は、同等の精度を、劇的に短縮された実行時間―ほとんどのテストケースで20秒未満、同じハードウェアでのモンテカルロ法の約10分に比べて―で達成する。
その意義を考えてみよう。新型コンパクトEVの設計に携わる技術者は、かつて1つのシナリオをシミュレートするのにかかっていた時間で、数十通りものマウントレイアウトや剛性調整のシナリオを探索できるようになる。この速度向上は、より優れた設計、迅速な検証、そして最終的には、よりスムーズで静かな走行を実現し、日益に厳しくなるNVH（騒音・振動・ハーシュネス）目標を達成する車両へとつながる。
しかし、なぜマウント設計において不確実性がそれほど重要になるのだろうか。
その答えは、現代のEVが如何に精密に設計されているかに由来する。主にゴム化合物の硬度と形状で定義されるマウント剛性値は、生産ロット間で完全に均一になることはない。取り付け公差、温度による変動、経年劣化、さらには組立時のわずかな位置ずれなど、すべてがばらつきを生み出す。大量生産において、マウント剛性に±10%の公差が設けられることは珍しくない。しかし、その公差を単なる固定された境界値として扱うことは、現実的ではない。実際の部品は公差帯の端に位置するのではなく、工程能力と材料特性によって形作られる統計的なパターンに従ってその帯内に分布する。
何十年もの間、技術者たちはこれらのパターンは単純なガウス分布（正規分布）または一様分布であると想定してきた。しかし、実世界のデータはよりニュアンスに富んだ実態を示している。非線形の材料ヒステリシスにより、歪んだ分布（対数正規分布など）を示すマウントもある。慣らし運転や予圧の変動の影響を受けるものは、不規則または区分的な分布に従う可能性がある。従来の解析ツールがこれらの複雑さを理想化された分布に無理やり当てはめる場合、得られる予測結果は物理的な現実から乖離してしまう―時に危険なほどに。
ここでAPC展開の真価が発揮される。特定の分布に結び付いた事前定義された直交基底に依存する従来の多項式カオス法（例えばガウス入力に対するWiener–Hermite）とは異なり、APCは経験的または指定された統計的モーメントから直接、カスタムの直交多項式を構築する。平たく言えば、生の試験データやまばらなヒストグラムのビンさえもこの手法に投入すれば、それに適応するのである。基底関数の再導出は不要。仮定に満ちた変換も不要。パラメータの不確実性から出力の変動性への直接的なマッピングが実現する。
研究チームの最近の研究で概説されているそのプロセスは、各不確実パラメータ（例えば左マウントの垂直剛性k w）を、それがどれほど不規則であっても確率密度関数（PDF）として表現することから始まる。モーメント法を用いて、各パラメータの最初の数個の統計的モーメント（平均、分散、歪度、尖度など）が計算（または提供）される。これらのモーメントはハンケル行列の構築に使用され、コレスキー分解と関連するヤコビ行列の固有値解析を経て、その特定の分布に合わせたガウス求積法のためのノードと重みが得られる。
これらのカスタム求積点を用いて、APC展開はシステムの固有振動数やデカップリング率を、ランダム入力に関する低次の多項式として近似する。決定的に重要―そしてここで効率が飛躍的に向上する―なのは、この多項式の係数が、少数の決定的なPMSモデル評価（典型的には6次元のパラメータ空間で100回未満）を用いて一度だけ計算される点である。その後、応答の統計的モーメント（例えばピッチモードの平均固有振動数やデカップリング効率の標準偏差）を抽出することは、反復シミュレーションではなく、代数計算の問題となる。
しかし、モーメントだけでは全体像は語れない。信頼性評価において、設計者は「デカップリング率が80%を下回る確率はどれくらいか？」といった問いに答えるために、完全な確率分布―具体的には累積分布関数（CDF）―を必要とする。ここで最大エントロピー原理（MEP）の出番となる。
MEPは情報理論における形式主義である：部分的な情報（ここでは最初の数個のモーメント）のみが与えられた時、基礎となる分布の最も偏りのない推定値は、シャノンエントロピーが最大となるものである。 工学的に言い換えれば：構造を捏造するな。データ自体に語らせよ、ただデータのみを。MEPを適用することで、研究者たちは完全な応答PDFを多項式の指数関数―w(Y) = exp (–∑ a j Yj)―として再構築する。ここで係数ajは、APCによって得られたモーメントと正確に一致するように調整される。その結果？ 過剰適合することなく、既知のすべての統計的制約を満たす、滑らかで物理的に妥当なPDF―そしてその積分であるCDF―が得られる。
研究チームはこのアプローチを、代表的な3点支持のEVマウントシステムをテストベッドとして用い、5つの異なる不確実性シナリオで検証した。モーター重量は91kg、慣性モーメントとマウント位置は実際のプロトタイプから取得した。焦点は、トルク変動の分離に critical なピッチモードの動特性に置かれた。
正規分布のケース（平均=公称剛性、σ=平均の3.3%）では、APC-MEP法は固有振動数とデカップリング率の最初の6次の統計モーメントを、0.01%未満の相対誤差で再現した。PDFとCDFの曲線は、10万回のモンテカルロシミュレーションの参照結果とほとんど完全に一致した。
対数正規分布のテストではさらに進み、[0.4, 2.0]×公称値にわたる明らかに非対称な剛性分布を扱った。それでも一致度は極めて高く、最大モーメント誤差はわずか0.0036%だった。これは、ゴムマウントが予圧下で非線形的に剛性を増すことが多く、まさにこの種の歪みを引き起こすため、重要である。
次に一様分布の不確実性―おそらくスペクトル法にとって最も扱いにくく、高次のモーメント構造を欠く―が試された。ここでは、PDFのピークにわずかなリップル（波打ち）が現れ、高度に非線形な応答曲面に対する低次モーメント再構築の限界が明らかになった。しかし、CDFは驚くほど忠実に再現され（誤差<0.02%）、決定的に、モーメント自体は正確に維持された。信頼性作業―技術者が関心を持つP(Y < Ytarget)（目標値未満となる確率）にとっては、CDFが重要なのである。
さらに印象的だったのは、区分的に定義された分布である。平坦部分と曲線部分を持つスプライン補間的な密度でモデル化された。ここでもPDFに軽微な偏差が生じたが、CDFはモンテカルロ法の結果を視覚的に区別できない程度に追跡し、6次のモーメントでも0.004%の誤差に留まった。このような分布は、二峰性の生産データ（例えば、硬化サイクルが異なる2つのサプライヤーのロット）から生じる可能性があり、従来のツールでは自然に表現するのが困難なシナリオである。
最後に、チームは混合ケースに取り組んだ。マウント位置は正規分布（ロボット組立のばらつきを反映）、一方で2つの主要なマウント剛性は一様分布（離散的な硬度グレードを捕捉）として扱った。この混合不確実性の複雑さにもかかわらず、APC-MEPは0.02%未満のモーメント誤差を維持し、CDFもほぼ完全に一致した。この混合シナリオは、幾何学的なばらつきと材料的なばらつきという異なる源の変動がシステムを通して伝播する様子を映し出しており、おそらく最も現実的である。
性能の面では、その向上ぶりは圧倒的だった。5つのケースすべてにおいて、APC-MEPは標準的なワークステーションで9～20秒で解析を完了した。対照的に、モンテカルロ法は同等の統計的信頼性に達するまでに410～624秒―実に40倍以上の時間を要した。これは単に速いというだけでなく、設計初期段階、つまり時間的余裕が数日ではなく数時間で測られる段階において、不確実性の定量化を現実的なものとする。
しかし、速度と精度は物語の一部に過ぎない。真の価値は信頼性駆動設計において明らかになる。
先の混合不確実性ケースを例にとろう。ピッチモードのデカップリング率のCDFは、80%を下回る確率が30%であることを示した。80%が許容される最低限の閾値（明確なモード分離のための業界共通目標）であるならば、それは信頼性がわずか70%であることを意味する―シックスシグマの野望には程遠い。この知見を得た技術者は、改善策を定量的に優先順位付けできるようになる：マウント位置の組立公差を厳格化すべきか？ より一貫性の高いゴム化合物に切り替えるべきか？ あるいは感度を低減するためにブラケットの形状を再設計すべきか？ 以前は、こうした問いは試行錯誤とコストのかかる後期段階のテストを通じて答えが得られていた。今や、それらはCAD上で―数値とともに―対処可能なのである。
この方法論はロバスト最適化の基盤も整える。APC-MEPを勾配ベースまたは進化的アルゴリズムと組み合わせ、包装や重量の制約を守りながら、デカップリング率の10パーセンタイル値を最大化したり、固有振動数の分散を最小化したりするマウントレイアウトを探索することを想像してほしい。これは推測の域ではない：論文の著者らは、関連するフレームワークを用いた信頼性ベースのロバスト設計に関する研究を既に発表している（参考文献[8], [9]参照）。APC-MEPは最適化ループ内に配置できるほど高速で、結果を信頼できるほど正確な、自然な実現手段（enabler）となる。
産業界での採用が一夜にして起こるわけではない。既存のワークフローは定着しており、モンテカルロ法の概念的な単純さは依然として魅力的である。しかし、EVプラットフォームの統合が進み、車室内騒音と乗り心地の洗練度に関する規制が強化されるにつれて、変動を定量化し制御する圧力は強まる一方だろう。OEMは既に現場で統計的工程管理（SPC）を運用している。その厳密さを上流のシミュレーションにまで拡張することは、極めて理にかなっている。
いくつかの主要サプライラーも注目している。コンチネンタル傘下のContiTech、ヴィブラコースティック、ZFといった振動絶縁を中核事業とする企業は、マウントシステムのデジタルツイン能力に多額の投資をしている。不確実な入力から信頼性の高い出力を得る手法は、NVH性能が主要なブランド価値要素となる次世代EVプログラムへの入札において、重要な差別化要因となりうる。
決定的に、APC-MEPフレームワークは分布非依存（distribution-agnostic）である。これがその強力な特長（superpower）だ。車載のひずみゲージやフリートテレマティクスを通じて実世界のマウント劣化パターンがフィードバックされるなど、センシングとデータ収集が進化するにつれ、不確実性の統計的記述はより豊かに（そして複雑に）なるだけである。従来のツールはこの複雑さに耐えられなくなるだろう。任意の不確実性を最初から想定して設計されたAPC-MEPは、優雅にスケールする。
これは、この分野の基礎研究の価値を貶めるものではない。論文は、トルクロール軸デカップリング理論からシックスシグマに基づくロバスト設計まで（参考文献[6], [7]）、数十年にわたるNVH研究を敬意を払って引用している。それが追加する価値は、高度な不確実性モデリングと実践的な工学上の意思決定とを結ぶ計算の架け橋なのである。
その架け橋は既に延伸されつつある。追跡調査において、チームは確率-区間混合不確実性（例えば、一部のパラメータに対して完全な分布ではなく境界のみが知られている場合）の探求や、APCと機械学習エミュレータを結合して完全な有限要素PMSモデル（剛体仮定を超えて）を扱う手法について研究している。その野心は明らかである：車両開発サイクル全体を通じた統一的な不確実性定量化プラットフォームの構築。
実践する技術者にとって、得られる結論は明快である。「最悪ケース」や「公称値±10%」の解析の時代は終わりを告げようとしている。顧客も規制当局も、確率的な保証を要求する。APC-MEPのようなツールが主流になれば、それらの保証はもはや手の届かないものではなくなる。それらは、ほん