Mätning av deformationer i bärarmar på en FSAE-bil

Marko Kalin, Lan Jenčič, Martin Grašič, Luka Kraševec

University of Ljubljana

March 18, 2026

Att förstå krafterna i fjädringssystemet är avgörande för att optimera prestanda i Formula Student-racerbilar. Superior Engineering Team från University of Ljubljana satte som mål att mäta deformationer i bärarmarna på sin FSAE-bil med hjälp av töjningsgivare och avancerade datainsamlingssystem.

Med stöd från TRCPro och Dewesoft genomförde de en noggrann deformationsanalys. Arbetet validerade beräkningar, optimerade vikt och förbättrade styrdynamiken. Resultaten ger värdefulla insikter för att förbättra framtida fordonskonstruktioner, inklusive övergången till bärarmar i kolfiber.

Morana - den 7:e racerbilen från Superior Engineering (Foto: Peter Jan)

Superior Engineering är ett ungt och ambitiöst team med över 30 studenter från olika områden, inklusive maskinteknik, elektroteknik, ekonomi och naturvetenskap. Genom hårt arbete och stöd från sponsorer skapar de möjligheter för både teknisk och personlig utveckling. Deras mål är att bygga och testa en formelracerbil i Formula Student-tävlingen, ett internationellt evenemang där allt arbete kulminerar på tävlingsbanan.

Varje år lägger Superior Engineering-teamet vid University of Ljubljana ner stort engagemang för att bygga den bästa och snabbaste racerbilen enligt tävlingsreglerna. I år arbetar fjädringsteamet med ett projekt där de gör stålrören i bärarmarna lättare och starkare. Det långsiktiga målet är att ersätta stålrören med kolfiber.

Deras sjunde racerbil, Morana, drivs av två Emrax 188-motorer som tillsammans levererar 80 kW effekt. Bilen har en individuell fjädring med krängningshämmare fram och bak, vilket möjliggör snabba justeringar. Fordonet väger 209 kg och kan accelerera upp till 2g. Teamet deltog i fyra tävlingar under 2023: FS Netherlands, FS East, FS Germany och FS Alpe-Adria.

Problem och syfte

För att bättre förstå belastningarna på bärarmarna beslutade teamet att mäta deformationer eller krafter i dessa komponenter. De mätte förändringar i rören med hjälp av rosetter från TRCPro d.o.o., som kopplades till datainsamlingssystemet Dewesoft MINITAURs.

Detta är ett 8-kanaligt datainsamlingssystem och datalogger med signalbehandling som stöder analoga signaler, räknare och CAN-ingångar.

De genomförde deformationsmätningar i fjädringens bärarmar och styrstag med målet att:

Validera beräkningar
Optimera bärarmarnas vikt
Mäta vridmomentet i ratten

”Om du inte kan mäta det, kan du inte förbättra det.” (Peter Drucker)

Teoretisk introduktion

Varje fysisk kropp deformeras i någon grad när den utsätts för en kraft. Den specifika deformationen [ε] är förhållandet mellan längdförändringen [l] och den ursprungliga längden [l₀] hos objektet.

\varepsilon = \frac{l-l_0}{l_0} = \frac{\Delta l }{l_0}

Resistiva töjningsgivare kan användas för att mäta deformationer. Dessa är små och tunna givare tillverkade av ett icke-ledande material, med en ledande tråd arrangerad i ett spiralformat mönster. I en lämplig bryggkoppling kan töjningsgivare mäta drag, tryck, vridmoment eller temperaturförändringar.

När en töjningsgivare fästs på en yta deformeras den när en belastning appliceras i rätt riktning. Denna förändring gör att tråden i givaren blir längre eller kortare, vilket i sin tur påverkar dess resistans. Enligt Ohms lag påverkar förändringar i resistans [R] förändringar i spänning [U]. Detta innebär att vi kan mäta deformation genom att analysera förändringen i spänning.

I=\frac{U}{R}

Med känd storlek på objektet kan vi beräkna kraften som verkar på det med hjälp av Hookes lag. Detta gäller om mätningarna utförs inom det elastiska deformationsområdet. I följande ekvation representerar [E] elasticitetsmodulen, [F] den yttre kraften och [S₀] den ursprungliga tvärsnittsarean hos stången, där [] anger den nominella (mekaniska) spänningen.

\varepsilon = \frac{1}{E} \frac{F}{S_0} = \frac{1}{E} \sigma

Figure 2. The stress graph as a function of strain for pipes ϕ15/1.5 of 25CrMo4 steel.

Vi kan se att vi fortfarande befinner oss inom det linjära, elastiska deformationsområdet. För att vara säkra kan vi beräkna kraftgränsen för detta område. För ett material som 25CrMo4 inträffar sträckgränsen vid 0,2 % töjning, alltså 0,002. Enligt diagrammet motsvarar detta 410 MPa.

Genom att känna till stångens tvärsnittsarea (A = 63,617 mm²) kan vi beräkna gränskraften med hjälp av den grundläggande spänningsformeln:

\sigma = \frac{F}{A} \Rightarrow F=A \times \sigma

I vårt fall är den 26 083 N, vilket säkerställer att vi håller oss inom materialets elastiska deformationsområde.

Töjningsgivare kopplas i mätkretsar, där den mest kända är Wheatstonebryggan. Denna krets har fyra likadant kopplade motstånd eller töjningsgivare, med en ingångsspänning Ui (konstant) och en utspänning U0.

Beroende på antalet aktiva motstånd eller töjningsgivare skiljer man mellan:

Kvartsbryggkoppling, med endast en aktiv givare: Denna konfiguration används sällan eftersom den inte möjliggör isolering av enskilda signaler i mätningen, och signalen påverkas även av temperaturförändringar.
Halvbryggkoppling, med två aktiva motstånd: Denna konfiguration kompenserar för temperaturförändringar.
Helbryggkoppling, där alla motstånd är aktiva: Denna konfiguration kompenserar för både böjning och temperaturförändringar, vilket ger ett spänningsförhållande Ui/U0 som är linjärt och enbart beroende av deformationen som orsakas av axiell kraft.

Bärarmar

Racerbilen använder en dubbel bärarmsupphängning. Bärarmarna är svetsade rör av materialet 25CrMo4 (1.7218). Vi mätte fyra par bärarmar med en rördiameter på 15/1,5 mm samt två styrstag med en diameter på 12/1,5 mm.

Innan vi monterade töjningsgivarna behövde vi förstå hur spänningarna fördelas i bärarmarna. Detta hjälpte oss att välja de bästa placeringarna för givarna. För detta genomförde vi en finita elementanalys (FEA), där vi tog hänsyn till randvillkoren vid kurvtagning.

De övre bärarmarna, som måste överföra krafter från vägen till dämpare och fjädrar, utgör en särskild utmaning. Dessa krafter orsakar böjning i den övre bärarmen.

Genom simulering identifierade vi de platser där deformation kunde mätas med minimal påverkan från böjdeformation. Vi genomförde en hållfasthetsanalys med finita elementmetoden och antog en vertikal belastning på 1000 N på däcket. Vi analyserade hur spänning och deformation fördelas i bärarmen. Som förväntat var spänningarna lägst kring neutralaxeln.

Figure 4. Normal stress distribution in the cantilever beam.

Figure 5 shows the Von-Mises stresses in the wishbones. The red ellipses mark where to glue strain gauges on the upper wishbone.

Val och förberedelse av mätutrustning

I vårt fall valde vi en helbryggkoppling. Vi fokuserade enbart på den axiella kraften. Vi valde töjningsgivare HBM 1-XY11-3/350 E för stålrör med en diameter på 15 mm.

Vid val av töjningsgivare beaktade vi följande kriterier:
Lämplig storlek i förhållande till det uppmätta objektet
Lämplig form för den specifika mätningen
Kompatibilitet mellan töjningsgivaren och materialet i det uppmätta objektet
Lämpligt motstånd hos töjningsgivaren
Passande temperaturområde för töjningsgivaren

De valda töjningsgivarna är monterade parvis på en rosett. Eftersom stål har samma termiska expansionskoefficient är de väl lämpade för mätningar på detta material.

Vi ville mäta på en plats med spänning som motsvarar enaxlig spänning. Därför placerade vi töjningsgivaren 5 cm från rörets ände. Innan fastsättning gjorde vi en tunn markering parallellt med rörets axel på båda sidor vid denna position. Vi använde en 3D-printad guide, ett rektangulärt block med en 7 mm djup cirkulär spår, vilket hjälpte oss att överföra linjen till undersidan av röret. Vi säkerställde att rosetterna var så parallella som möjligt.

Innan vi limmade töjningsgivarna slipade vi röret lätt och rengjorde ytan med aceton för att säkerställa god vidhäftning. Vi placerade rosetten på en ren glasyta och applicerade tejp på dess baksida. Tejpen fästes sedan på röret, med töjningsgivaren noggrant justerad mot den markerade mittlinjen.

Vi applicerade en droppe cyanoakrylatlim, allmänt känt som superlim, på röret. Fördelen med detta lim är dess snabba härdning vid rumstemperatur. Vi tryckte försiktigt fast töjningsgivaren mot ytan, lindade den med teflontejp och väntade i 10 minuter tills limmet hade härdat.

Figure 8. Full-bridge connection diagram for two rosettes

Vi lödde signalkabeln från töjningsgivarna till en TED-kontakt. Denna kontakt är kompatibel med datainsamlingssystemet Dewesoft MINITAUR. Systemet inkluderar en integrerad A/D-omvandlare, en signalbehandlingsmodul och en dator med datainsamlingsprogramvara. Det har åtta analoga och flera digitala ingångar, vilket möjliggör sampling upp till 20 000 Hz med 24-bitars upplösning.

Vi valde en samplingsfrekvens på 5 kHz, vilket gav noggrann datainsamling samtidigt som datamängden hölls hanterbar. Denna frekvens valdes baserat på Nyquist-kriteriet. Vi antog att racerbilen kör i 100 km/h över ett gupp på 50 mm, vilket skapar en signal med en frekvens på cirka 550 Hz. För att fånga signalen korrekt behövdes en samplingsfrekvens som var 5 till 10 gånger högre än störningsfrekvensen.

t=\frac{s}{v}=\frac{0,05m}{100/3,6m/s}=0,0018s

f=\frac{1}{t}= \frac{1}{0,0018s}=555 Hz

Mätkedja

Mätkedjan började med 18 töjningsgivare i rosettutförande för enaxliga mätningar från HBM (typ 1-XY11-3/350 E). Efter att rosetterna hade limmats på bärarmarna kopplade vi in dem. Vi använde kvartsbryggkoppling för bärarmarna och halvbryggkoppling för styrstängerna.

För att ge tillräcklig signal till DAQ-systemet behövde vi ytterligare förstärkning för halvbryggkopplingen. Vi kunde använda en Dewesoft STG-förstärkare eller manuellt löda in extra motstånd i halvbryggkopplingen. Vi valde att manuellt löda in 2 x 350-ohms motstånd i halvbryggkopplingen.

Därefter lödde vi kablar till TED-kontakterna, som anslöts till Dewesoft MINITAUR DAQ-stationen. Efter detta konfigurerade vi alla sensorer i DewesoftX-programvaran och genomförde sensorkalibreringar.

Den fortsatta databehandlingen för Rainflow-analys utfördes i Python, men det finns även möjlighet att göra Rainflow-analys direkt i DewesoftX-programvaran.

Kalibrering av sensorer

Efter att vi installerat och anslutit töjningsgivarna fick vi en utspänning. Denna spänning gav dock inte direkt information om dragkraften. Vi behövde kalibrera töjningsgivarna för att bestämma en faktor som multiplicerar utspänningen och ger den verkliga axiella kraften i röret i SI-enheter.

Vi kalibrerade sensorerna vid fakulteten för maskinteknik vid University of Ljubljana. Vi använde en servo-hydraulisk testmaskin i laboratoriet för maskinelement (LASEM). Kalibreringen hade en noggrannhet på ±5 N.

Vi ökade kraften stegvis med 400 N tills den nådde cirka 3 kN. Därefter minskade vi kraften i samma steg. Denna process gör det också möjligt att kontrollera hysteres, vilket innebär att materialet reagerar med en fördröjning på belastning och kanske inte återgår till sitt ursprungliga värde efter avlastning.

Figure 11. Calibration of the sensors using a servo-hydraulic pulsator.

Kalibreringsresultatet var en stegformad graf som liknade en pyramid. Vi använde Python-kod för att anpassa den till den verkliga kraft som applicerades under kalibreringen. Därefter sparade vi dessa resultat i DAQ-systemet för att få den önskade dragkraften i bärarmarna som utdata.

Figur 14 visar inställningarna som användes för en töjningsgivare på en specifik bärarm i fjädringen. Vi angav offset genom att mata in två datapunkter från Python-koden i kanalinställningarna. Systemet beräknade automatiskt offset och kalibrerade töjningsgivaren åt oss.

Mätning och analys

Efter kalibreringen skyddade vi sensorerna mot väderpåverkan med krympslang. Därefter monterade vi tillbaka bärarmarna på racerbilen. Vi anslöt sensorerna till DAQ-systemet och batteriet, som vi hade placerat under förarens ben.

Det första testet genomfördes på Student Campus. Vi satte upp en bana liknande dem som används i Formula Student-tävlingar. Vi testade belastningsförhållanden vid högsta möjliga hastigheter i kurvor, under full acceleration och vid kraftig inbromsning.

Figure 15. Sensors installed on the car.

Krafter i bärarmarna

Bilden nedan visar de uppmätta kraftvärdena i racerbilen fjädring, registrerade under cirka 200 sekunder. Vi förväntade oss en stor mängd högfrekvent brus i mätningen, därför använde vi ett lågpassfilter. Gränsfrekvensen sattes till 40 Hz.

Denna filtrering gav en tydligare mätning och fångade de viktigaste cyklerna som behövs för skadeanalys i belastningsspektrastudier.

Figure 16. Unfiltered measured forces (display type: Real Value).

Vi observerade också att den insamlade datan var mycket “tät”. Vi testade på en bana med snäva kurvor och korta raksträckor, vilket innebar att vi inte kunde nå hastigheter över 70 km/h. Därför kunde samplingsfrekvensen vara lägre. Efter att ha filtrerat bort brus och analyserat datan vidare stod det klart att en samplingsfrekvens på 1000 Hz var tillräcklig. För enklare databehandling använde vi därför 1000 Hz.

Eftersom krafter i sig inte säger så mycket om en komponents belastningskapacitet är det bättre att analysera spänningar. DewesoftX erbjuder olika matematiska verktyg för efterbearbetning av signaler. Detta gör det möjligt att beräkna axiella spänningar i rören på bärarmarna genom att använda en enkel formel för varje uppmätt kraftsignal.

Vi valde att utföra ytterligare databehandling med rainflow-beräkning i Python. Det är dock värt att nämna att DewesoftX-programvaran också har möjlighet att utföra rainflow-analys.

Med hjälp av en enkel algoritm kunde vi identifiera lokala toppar och dalar, alltså lokala vändpunkter i den filtrerade signalen. Dessa användes som grund för vidare analys av belastningsspektrum.

Figure 19. Local turning points of the signal.

Rainflow-analys

Vid högcykelutmattning finns flera metoder för att analysera belastningshistorik. En av dessa är rainflow-analys. Den hjälper oss att identifiera belastningscykler från spännings-tid-signalen. Därefter kan vi beräkna hur mycket de bidrar till den totala skadan på en komponent. Analysen består av sex huvudsteg:

Steg 1

Vi börjar med att filtrera datan för att ta bort brus som kan finnas i mätningarna. Här strävar vi efter att endast ta bort lågfrekvent brus, eftersom ett högpassfilter skulle förändra signalen eller belastningscyklerna. Signalen representeras vanligtvis som spänning.

Steg 2

Därefter identifierar vi lokala toppar och dalar (peak- och dalanalys). Dessa variationer utgör signalens vändpunkter, vilka är avgörande för att identifiera belastningscykler.

Figure 20. Graphical representation of peak-valley analysis (source: Siemens).

Steg 3

Större belastningscykler, alltså kraftförändringar med högre amplituder, orsakar mest utmattningsskada. Därför är det inte praktiskt att inkludera mindre cykler som bidrar marginellt till skadan i analysen. För att hantera detta delar vi in spänningsintervallet i signalen i klasser (“binning”).

Valet av klassbredd är viktigt. Den ska vara tillräckligt liten för att filtrera bort obetydliga cykler, men inte så stor att den förvränger spänningsamplituderna och därmed deras bidrag till skadan. Vårt belastningsspektrum sträcker sig från +50 MPa till −310 MPa, därför valde vi en klassbredd på 5 MPa. Figurerna 21 och 22 visar resultatet av denna klassindelning.

Figure 21. Binned signal in the interval from 190 to 200 seconds.

Steg 4

Därefter följer kärnan i analysen, extraktion av cykler. Algoritmen analyserar fyra på varandra följande vändpunkter i signalen. Rainflow-metoden använder följande regler för cykelidentifiering:

Välj fyra på varandra följande punkter i signalen, S1, S2, S3, S4.
Beräkna spänningsskillnaden |S2 − S3|.
Beräkna spänningsskillnaden |S1 − S4|.
Om |S2 − S3| ≤ |S1 − S4| och punkterna S2 och S3 ligger inom intervallet S1 och S4, räknas cykeln.
Om |S2 − S3| ≥ |S1 − S4| och punkterna S2 och S3 inte ligger inom intervallet S1 och S4, räknas cykeln inte.

För en mer detaljerad förklaring av Rainflow-metoden, se Rainflow Counting.

Figure 23. An example of cycle elimination and writing into rain flow matrix (source: Siemens).

Steg 5

Efter att cykler har extraherats från signalen får vi ett belastningsmönster där cykler har tagits bort, vilket kallas restsignal. Vi duplicerar sedan restsignalen (restsignal + restsignal) och skapar ett nytt mönster för cykelextraktion.

Detta steg fångar de mest betydelsefulla belastningscyklerna, som bidrar mest till den totala skadan. När dessa cykler har tagits bort kan vi skapa en Rainflow-matris.

Figure 24. Rainflow matrix for front lower wishbone (tube) load spectrum (F1).

Steg 6

Cyklerna längs diagonalen i denna matris representerar mindre cykler som bidrar minimalt till den totala skadan. Däremot visar punkterna i det övre vänstra och nedre högra hörnet betydligt större cykler. Dessa orsakar avsevärt större skada. Fördelningen bildar en parallellogram, ju smalare denna parallellogram är, desto större andel av belastningen utgörs av högbelastningscykler.

Nu när vi förstår belastningsspektrumet i bärarmarna kan vi uppskatta deras livslängd. Vi kan också kontrollera skador efter ett visst antal kilometer. Livslängden för en Formula Student-racerbil är cirka 4 till 6 månader, och den kan köra upp till 1500 km. De flesta FSAE-bilar kör vanligtvis 500 km eller mindre.

Det analyserade belastningsspektrumet varar i 760 sekunder. Under mätningen körde vi 10,55 km med en genomsnittlig hastighet på 50 km/h. För att representera hela livscykelbelastningen för ett fordon som kör 1500 km måste vi upprepa det valda spektrumet 142 gånger.

Figure 25. Front lower suspension arm load spectrum.

Om vi har S-N-kurvan för materialet 25CrMo4 kan vi använda Haighs regel för att beräkna skadan. S-N-kurvan används för växlande belastningscykler med en medelspänning på 0 MPa. Vi behöver därför bestämma en ekvivalent spänning för varje cykel. Denna spänning används sedan i skadeberäkningen.

Haighs regel säger att om den ekvivalenta spänningen i en cykel överstiger materialets utmattningshållfasthet vid R = -1 (växlande belastning), beräknar vi antalet ekvivalenta belastningscykler med hjälp av följande ekvation:

N=N(D=0) \cdot (\frac{\sigma_{aeq}}{\sigma_{TDT, R=1}})^k

Om den ekvivalenta belastningen är lägre än utmattningshållfastheten använder vi en särskild ekvation. Sätt N(D=0) till 2 000 000. Använd sedan det beräknade värdet för k.

Med hjälp av dessa två ekvationer beräknar vi antalet belastningscykler till kritisk skada för varje enskild belastningscykel. Med Rainflow-analys känner vi också till hur många gånger dessa cykler upprepas under fjädringens livslängd.

N=N(D=0) \cdot (\frac{\sigma_{aeq}}{\sigma_{TDT, R=1}})^{k-q}

Vi kan använda denna information för att bestämma skadan från varje enskild cykel. Vi kan också beräkna den totala skadan över hela livslängden. För kumulativ skada använder vi Palmgren–Miners regel för linjär skadeackumulering.

Vi beräknar skadan för varje cykel med hjälp av följande ekvation:

d_i = \frac{n_i}{N_i}

Där nᵢ är antalet upprepningar av en belastningscykel och Nᵢ är antalet cykler till kritisk skada för en vald cykel.

Följande ekvation används för att beräkna det totala bidraget till skada:

d_i = \sum^n_{i=1}d_i=\sum^n_{i=1} \frac{n_i}{N_i}

Vid en repetition av det analyserade belastningsspektrumet (10,55 km) är bidraget till skada 1,43∙10⁻⁵ = 0,00143 %. Efter 1500 km, eller 142 repetitioner, är bidraget till skada 2,0306∙10⁻³ = 0,203 %.

Moment på styrstången

Vi erhöll kraften genom att mäta deformationen i styrstaget, vilket gjorde det möjligt att beräkna momentet i styrstången med hjälp av ekvationen nedan. Om vi hade haft data om styrvinkeln hade vi kunnat ta hänsyn till kardanledens påverkan. Det var dock inte möjligt att registrera data från båda sensorerna samtidigt.

Momentet, baserat på den kända kraften, beräknas enligt följande:

M_{steering}=(F_{tierodL} cos(\alpha) + F_{tierodR} cos(\alpha)=/(d_{gear}/2)

Vinkeln mellan styrväxeln och styrstaget förändras när hjulet svänger, men eftersom den maximala vinkeln är 8° kan vi använda småvinkelapproximationen: cos(θ) ≈ 1.

Precis som vid mätningarna av krafterna i fjädringen använde vi även här ett lågpassfilter med en gränsfrekvens på 50 Hz. Den filtrerade datan, fri från brus, visas nedan.

Betydande störningar finns fortfarande kvar i signalen, som vi inte helt kan förklara. Mätningarna utfördes med en frekvens på 1000 Hz.

Figure 27. Filtered force measurement in the front right tie rod.

Vi mätte även momentet i vänster styrstag parallellt med det högra. Därefter använde vi ekvationen för att beräkna momentet i styrstången, vilket visas i programmet enligt följande:

Figure 28. Code for calculating steering torque in Python.

Diagrammet i figur 29 visar resultatet av momentberäkningen med hjälp av ovanstående funktion. För en FSAE-racerbil ligger det rekommenderade rattmomentet mellan 5 och 10 Nm enligt Claude Rouelle.

I vårt fall når momentet dock ibland upp till 25 Nm, vilket är nästan 2,5 gånger högre än det rekommenderade värdet. Detta bekräftar förarnas upplevelse av att det krävs stor ansträngning för att vrida ratten. Denna belastning leder till snabb trötthet hos föraren och gör det svårare att hålla jämna varvtider under längre lopp, såsom Endurance.

Figure 29. Moment on the steering shaft.

Vi kommer att ändra den främre fjädringsuppsättningen nästa säsong för att minska momentet. Vi kommer att fokusera på castervinkeln. Castervinkeln påverkar det som kallas mekanisk trail. Denna förändring påverkar hävarmen för den laterala kraften från däcket, som verkar kring hjulets rotationsaxel och skapar ett moment kring denna axel.

Genom att minska detta moment kan kraften i styrstaget och därmed rattmomentet reduceras. Om dimensionen på styrväxelns pinjong ändras måste vi också ta hänsyn till denna effekt.

Slutsats

Mätningarna har gett teamet mycket ny kunskap. Den kan användas för att förbättra komponenter och få en bättre förståelse för belastningarna i fjädringen. Vi har optimerat bärarmarnas rördimension från 15/1,5 mm till 14/1 mm med samma material (25CrMo4). Mätningarna har också fungerat som grund för forskning kring limförband för bärarmar i kolfiber (CFRP).

Mätning av deformation i pushrod kan ge viktig information om däckkrafter. Detta hjälper oss att verifiera vår däckmodell och utnyttja greppet effektivt. För att uppnå detta skulle vi behöva ytterligare sensorer samt en IMU-sensor. Med en kombination av IMU, styrvinkelgivare och kunskap om ride height, mätt via fjädringsvinkel eller ride height-sensorer, kan vi få mycket värdefulla insikter om grepputnyttjande, vilket är avgörande för prestanda.

Vi vill tacka Dewesoft för deras stöd. Tillgång till avancerad mätteknik gynnar oss både som team och som studenter i vår kompetensutveckling.

Vi vill även tacka HBM Corporation och TRCPro d.o.o. för att de sponsrade oss med 20 rosetter (töjningsgivare). Utan deras stöd hade mätningarna inte varit möjliga.

Referenser och litteratur

Brecelj, Matevž. Razvoj merilnega sistema za merjenje sil in zasukov v podvozju vozila Formula Student. Univerza v Ljubljani, Fakulteta za strojništvo, 2020.
Cingerle, Alen. Razvoj krmilnega mehanizma za dirkalno vozilo Formula Student. Univerza v Ljubljani, Fakulteta za strojništvo, 2020.
Nagode, M. (2024). Zapiski predavanj obratovalna trdnost. Univerza v Ljubljani, Fakulteta za strojništvo
Mechanicalc. (n.d.). Beam analysis. Hämtad 22 oktober 2024
Siemens. (n.d.). Rainflow counting. Hämtad 24 oktober 2024

E. A. A. Mohamed, M. A. Yusuff och D. A. Wahab, ”Tillämpning av rainflow-cykelräkning vid tillförlitlighetsbedömning av ett fordons främre hörnmodulsystem,” i Proceedings of the International Conference on Industrial Engineering and Engineering Management, Peking, Kina, 21–23 oktober 2009, från: Tillämpning av rainflow-cykelräkning vid tillförlitlighetsprognos för ett fordons främre hörnmodulsystem | IEEE-konferenspublikation | IEEE Xplore. DOI: 10.1109/ICIEEM.2009.5344498.

Innehållsförteckning

Bläddra bland kategorierna

Toppförfattare