加速電機仿真優(yōu)化

使用ODYSSEE智能實時仿真平臺

由于對低碳社會的強烈需求皿遏，電動汽車(EV)和混合動力汽車(HEV)的數(shù)量正在迅速增長泵易。新能源汽車的主要部件是電池干蒸、逆變器和電機。電機市場的規(guī)模也將不斷擴大碴厂。為了提高EV的性能讥蚯，對電機設計工程師的要求越來越高。

除了EV市場刮盗，協(xié)作機器人市場也有望進一步擴大犬耀，尤其是那些需要體力勞動的工作領域，比如搬運重型產(chǎn)品和精密工作的任務书县。而協(xié)作機器人是由許多執(zhí)行器和電機組成的把鹊。因此，協(xié)作機器人的電機市場也會進一步擴大叉屠。

圖1. 左：電動汽車伏尼；右：協(xié)作機器人

要實現(xiàn)高性能電機設計，需要在實際生產(chǎn)前對電機預期的性能進行仿真分析尉尾。在此過程中爆阶，有兩點特別關鍵：一是為提高電機性能而進行的形狀優(yōu)化 ；二是在比較寬的工作范圍內(nèi)獲得更加有效的驅動沙咏。

圖2. 左：電機形狀優(yōu)化辨图；右：電機在不同工作條件下的性能

上述設計過程需要工程師在不同工作條件下進行大量的磁場仿真分析工作，會消耗大量的計算時間肢藐，因此亟需一種減少仿真時間和提高工作效率的方法故河。使用褐ň拢克斯康旗下的ODYSSEE 軟件，可以利用少量DOE樣本點來構建高精度的降階模型(ROM)忧勿，從而加速電機設計優(yōu)化過程杉女。

電機形狀設計優(yōu)化

在不同的形狀參數(shù)下，電機的平均扭矩和扭矩波動會有所不同鸳吸。電機的設計優(yōu)化過程就是平衡電機的平均扭矩和扭矩波動，得到帕累托前沿曲線速勇。

圖3. 左：電機磁場仿真模型晌砾；右：不同設計參數(shù)下電機的平均扭矩和扭矩波動

針對上述設計優(yōu)化問題，可以使用典型的遺傳算法進行參數(shù)尋優(yōu)欠慢。在這種情況下衫荒，設計參數(shù)的取值由遺傳算法決定，并進行優(yōu)化笋夸，直到性能改進達到飽和液啃。使用上述方法，需要FEM計算1200次椿啦，單次FEM計算時間為30秒墨仰，總計算時間為10小時。

利用遺傳算法進行有序優(yōu)化過程時估董，最為耗時的為FEM計算拯耿。因此，本文利用少量FEM仿真結果數(shù)據(jù)胃愉，使用ODYSSEE構建降階模型（ROM）來替代FEM射粹，實現(xiàn)快速預測，從而減少FEM計算時間现粗。

具體工作流程如下圖所示：使用FEM仿真生成學習數(shù)據(jù)雅镊，采用遺傳算法確定設計參數(shù)，搜索最優(yōu)設計形狀刃滓；重復上述過程仁烹，直到降階模型和FEM的結果精度滿足要求。此時注盈，我們可以使用降階模型來替換FEM來進行預測晃危。

圖4. 左：遺傳算法+機器學習工作流程；右：降階模型和FEM結果對比

結果表明老客，利用400個FEM仿真結果進行模型訓練僚饭，就能得到收斂的降階模型，用于替代FEM仿真胧砰。因此鳍鸵，相對于單純使用遺傳算法的優(yōu)化工作流程苇瓣，引入ODYSSEE機器學習工具后，可以將FEM仿真數(shù)目由1200次減少到400次偿乖。

同時我們也關注到击罪，對于扭矩波動的結果，也存在某些情況下降階模型預測精度較低的情況滨胰。這是由于電芯材料的非線性行為導致的崭夺，可以通過改進優(yōu)化流程來解決，即在帕累托前沿位置使用FEM計算結果感栋，而在其他位置使用降階模型來進行預測史代。

不同工作條件下電機性能快速預測

電動汽車的電機工作范圍比較寬，為了更有效地驅動電機姥仍，需要在逆變器不同的輸入電流條件下對其進行優(yōu)化設計乐玛，因此要進行大量的磁場仿真分析。

圖5. 左：電動汽車工作范圍傻牙；右：電機效率隨輸入電流和電機狀態(tài)（轉速和扭矩）而變化

FEM仿真模型如下圖所示纪立。為了選擇合適的電流條件，需要采用1848個FEM仿真結果進行優(yōu)化阐泻，因此我們引入ODYSSEE的機器學習方法胰肆，想要降低仿真分析數(shù)量。建模工具采用MSC Apex谋监，F(xiàn)EM仿真工具為EMSolution厚累，機器學習軟件為ODYSSEE。

圖6. 左：FEM仿真模型本鸣；右：分析流程及使用軟件

我們使用240組FEM仿真結果進行機器學習模型的訓練疫衩，構建高精度的降階模型以替代FEM仿真分析。降階模型預測結果與FEM結果對比如下荣德，結果表明降階模型預測結果與FEM結果幾乎完全相同闷煤。

圖7. 上：FEM仿真結果；下：降階模型預測結果

總  結  

針對電機形狀設計優(yōu)化問題涮瞻，使用ODYSSEE的機器學習方法鲤拿，可以減少約68.9%的FEM次數(shù)(1236→378次)。另一方面署咽，由于電機材料特性的原因近顷，降階模型預測的扭矩波動的某些結果與FEM結果存在一定的偏差，可以采用在帕累托前沿選取FEM結果的方式得到彌補宁否。

針對不同工作條件下的電機設計優(yōu)化問題窒升，使用ODYSSEE的機器學習方法，可以將FEM的次數(shù)減少約87.0%(1848→240次)，并且具有較高的預測精度饱须。

（河虼迹克斯康工業(yè)軟件）

聲明：本網(wǎng)站所收集的部分公開資料來源于互聯(lián)網(wǎng)，轉載的目的在于傳遞更多信息及用于網(wǎng)絡分享果孝，并不代表本站贊同其觀點和對其真實性負責肖升，也不構成任何其他建議。本站部分作品是由網(wǎng)友自主投稿和發(fā)布炼缰、編輯整理上傳拦袍，對此類作品本站僅提供交流平臺，不為其版權負責脸婉。如果您發(fā)現(xiàn)網(wǎng)站上所用視頻乓托、圖片、文字如涉及作品版權問題矢老，請第一時間告知，我們將根據(jù)您提供的證明材料確認版權并按國家標準支付稿酬或立即刪除內(nèi)容遗赘，以保證您的權益斋葱！聯(lián)系電話：010-58612588 或 Email:editor@mmsonline.com.cn。