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，電動汽車(EV)和混合動力汽車(HEV)的數(shù)量正在迅速增長。新能源汽車的主要部件是電池、逆變器和電機。電機市場的規(guī)模也將不斷擴大。為了提高EV的性能，對電機設(shè)計工程師的要求越來越高。

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

圖1. 左：電動汽車；右：協(xié)作機器人

要實現(xiàn)高性能電機設(shè)計，需要在實際生產(chǎn)前對電機預(yù)期的性能進行仿真分析。在此過程中，有兩點特別關(guān)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(qū)動。

圖2. 左：電機形狀優(yōu)化；右：電機在不同工作條件下的性能

上述設(shè)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，因此亟需一種減少仿真時間和提高工作效率的方法。使用?？怂箍灯煜碌腛DYSSEE 軟件，可以利用少量DOE樣本點來構(gòu)建高精度的降階模型(ROM)，從而加速電機設(shè)計優(yōu)化過程。

電機形狀設(shè)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。電機的設(shè)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。

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

針對上述設(shè)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)。在這種情況下，設(shè)計參數(shù)的取值由遺傳算法決定，并進行優(yōu)化，直到性能改進達到飽和。使用上述方法，需要FEM計算1200次，單次FEM計算時間為30秒，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，最為耗時的為FEM計算。因此，本文利用少量FEM仿真結(jié)果數(shù)據(jù)，使用ODYSSEE構(gòu)建降階模型（ROM）來替代FEM，實現(xiàn)快速預(yù)測，從而減少FEM計算時間。

具體工作流程如下圖所示：使用FEM仿真生成學(xué)習(xí)數(shù)據(jù)，采用遺傳算法確定設(shè)計參數(shù)，搜索最優(yōu)設(shè)計形狀；重復(fù)上述過程，直到降階模型和FEM的結(jié)果精度滿足要求。此時，我們可以使用降階模型來替換FEM來進行預(yù)測。

圖4. 左：遺傳算法+機器學(xué)習(xí)工作流程；右：降階模型和FEM結(jié)果對比

結(jié)果表明，利用400個FEM仿真結(jié)果進行模型訓(xùn)練，就能得到收斂的降階模型，用于替代FEM仿真。因此，相對于單純使用遺傳算法的優(yōu)化工作流程，引入ODYSSEE機器學(xué)習(xí)工具后，可以將FEM仿真數(shù)目由1200次減少到400次。

同時我們也關(guān)注到，對于扭矩波動的結(jié)果，也存在某些情況下降階模型預(yù)測精度較低的情況。這是由于電芯材料的非線性行為導(dǎo)致的，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(jié)果，而在其他位置使用降階模型來進行預(yù)測。

不同工作條件下電機性能快速預(yù)測

電動汽車的電機工作范圍比較寬，為了更有效地驅(qū)動電機，需要在逆變器不同的輸入電流條件下對其進行優(yōu)化設(shè)計，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；右：電機效率隨輸入電流和電機狀態(tài)（轉(zhuǎn)速和扭矩）而變化

FEM仿真模型如下圖所示。為了選擇合適的電流條件，需要采用1848個FEM仿真結(jié)果進行優(yōu)化，因此我們引入ODYSSEE的機器學(xué)習(xí)方法，想要降低仿真分析數(shù)量。建模工具采用MSC Apex，F(xiàn)EM仿真工具為EMSolution，機器學(xué)習(xí)軟件為ODYSSEE。

圖6. 左：FEM仿真模型；右：分析流程及使用軟件

我們使用240組FEM仿真結(jié)果進行機器學(xué)習(xí)模型的訓(xùn)練，構(gòu)建高精度的降階模型以替代FEM仿真分析。降階模型預(yù)測結(jié)果與FEM結(jié)果對比如下，結(jié)果表明降階模型預(yù)測結(jié)果與FEM結(jié)果幾乎完全相同。

圖7. 上：FEM仿真結(jié)果；下：降階模型預(yù)測結(jié)果

總  結(jié)  

針對電機形狀設(shè)計優(yōu)化問題，使用ODYSSEE的機器學(xué)習(xí)方法，可以減少約68.9%的FEM次數(shù)(1236→378次)。另一方面，由于電機材料特性的原因，降階模型預(yù)測的扭矩波動的某些結(jié)果與FEM結(jié)果存在一定的偏差，可以采用在帕累托前沿選取FEM結(jié)果的方式得到彌補。

針對不同工作條件下的電機設(shè)計優(yōu)化問題，使用ODYSSEE的機器學(xué)習(xí)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(yù)測精度。