設計仿真 | ODYSSEE 加速電機仿真優化

加速電機仿真優化

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。電機市場的規模也將不斷擴大。為了提高EV的性能，對電機設計工程師的要求越來越高。

除了EV市場，協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域，比如搬運重型產品和精密工作的任務。而協作機器人是由許多執行器和電機組成的。因此，協作機器人的電機市場也會進一步擴大。

圖1. 左：電動汽車；右：協作機器人

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

圖2. 左：電機形狀優化；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，因此亟需一種減少仿真時間和提高工作效率的方法。使用海克斯康旗下的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)，從而加速電機設計優化過程。

電機形狀設計優化

在不同的形狀參數下，電機的平均扭矩和扭矩波動會有所不同。電機的設計優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：不同設計參數下電機的平均扭矩和扭矩波動

針對上述設計優化問題，可以使用典型的遺傳算法進行參數尋優。在這種情況下，設計參數的取值由遺傳算法決定，并進行優化，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仿真結果數據，使用ODYSSEE構建降階模型（ROM）來替代FEM，實現快速預測，從而減少FEM計算時間。

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

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，利用400個FEM仿真結果進行模型訓練，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化工作流程，引入ODYSSEE機器學習工具后，可以將FEM仿真數目由1200次減少到400次。

同時我們也關注到，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。這是由于電芯材料的非線性行為導致的，可以通過改進優化流程來解決，即在帕累托前沿位置使用FEM計算結果，而在其他位置使用降階模型來進行預測。

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，需要在逆變器不同的輸入電流條件下對其進行優化設計，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（轉速和扭矩）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仿真結果進行優化，因此我們引入ODYSSEE的機器學習方法，想要降低仿真分析數量。建模工具采用MSC Apex，FEM仿真工具為EMSolution，機器學習軟件為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仿真結果進行機器學習模型的訓練，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，結果表明降階模型預測結果與FEM結果幾乎完全相同。

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化問題，使用ODYSSEE的機器學習方法，可以減少約68.9%的FEM次數(1236→378次)。另一方面，由于電機材料特性的原因，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。

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