AI辅助电机参数化设计-电子发烧友网

写在前面的话

世界的运转需要能源。在原子能之外人们已经有接近一百年没有发明新的能源来源形式，目前全世界的目光都关注在可控核聚变。

在能源和世界的运转之间需要有动力机械做桥梁，比如：化学能源体系的锅炉汽轮机系统，燃气轮机系统，内燃机系统，斯特林发动机系统；核能源体系的反应堆汽轮机系统；电能源体系的电机系统。

电机系统是古老的系统，应用于汽车实际上还早于内燃机。从原理上看电机的参数设计是以Maxwell电磁方程为基础，结合热力学方程的复杂系统设计。

从数学原理上来说，双微分方程系统共同作用的系统虽然仍然归属于微分方程驱动的精确系统，但是其多变量的复杂关系已经远远超出常用函数表达的区间。

让我们先回忆一下，传统的优化设计方法的工作过程：

●Step 1：自变量选择，空间采样，敏感性分析

●Step 2：对于采样空间进行响应面拟合或者复杂情况下无法拟合的pareto

●Step 3：对于有拟合情况下进行梯度方法/种群方法的优化；对于无拟合情况下进行人为优选。

传统方法对于多自变量和多目标变量情况下，多数是有设计者进行参数优选。因为只有少数情况下，可以构建多变量响应面。

AI改变了优化设计过程

AI可以对任意多的自变量和目标变量进行精确的逼近（当然这种逼近通常无法进行简明解释）。重要的是这种逼近实际上是在某个变量空间范围，重构了精确的复杂设计参数关系。

使用Optislang以及其他类似优化软件的过程中，我们经常看到用户直接对数千个数据进行参数优选，但是他们都忽略了一点：这数千个设计工况已经足够构建一个设计参数之间的精确表达。这种表达式其实就是元模型。

所以每每看到用户守着数以百计、千计的数据，却放弃了构建真正的设计参数关系，常常觉得非常遗憾。

对于设计人员来说，历史数据的总结和表达，往往可以得到真正的设计规律。相比于设计规律来说，优选几个设计参数组合倒显得不那么重要了。

所以，请重新审视千百万历史数据，AI工具已经可以帮你重构设计规律。

Design Law Once More！

电机多参数优化设计

电动机的设计需要设置许多参数。设计变量是指几何尺寸、电气、磁性、机械和物理材料特性、热流体特性、声发射。显然，电动机行为的仿真需要基于不同有限元模型的多物理方法。更复杂地是指通常会发布许多相互冲突的要求。例如，在汽车应用中，具有最大扭矩和最大效率的电机以及最小的质量和尺寸将受到赞赏。

Pareto方法

经典的Pareto方法包括定义一组在设计阶段要更改的设计变量，根据给定的约束定义要最大化或最小化的目标函数列表（即性能指标），定义Pareto最优集并允许设计师首选一个或多个设计解决方案，深入了解帕累托最优设计解决方案集，进行适当的统计分析，使设计人员能够了解设计解决方案的选择。

电机结构

PM 电机驱动配备浮动卡钳的制动器。通过齿轮系统，电机驱动卡钳。定子和转子的可用空间是一个严格的限制，因为制动组件必须与盘式制动器、轮毂支架、轴承、悬架接头和其他次要部件一起位于轮辋内。电机电压为 12V。电流由根据逆变器特性的适当控制来定义。极数设置为 10，槽为 9，即每相 3 个槽。采用了转子的所谓“面包”结构，即考虑了表面贴装的永磁体（PM）。采用钕铁硼（NdFeB）磁铁选择集中定子绕组。绕组质量与铜槽填充因子有关。这样的因子是绕组填充槽区域的程度的指数。所选的铜槽填充因子值限制了绕组损耗。

计算模型

在 Motor-CAD 中开发了 2D 电磁模型该模型提供了永磁电机的电磁和机械变量。磁通量、电流、扭矩、齿槽转矩、功率是该模型的主要输出。在典型制动动作的持续时间内评估瞬态温度状态。计算了绕组和磁体的温度值。通过迭代过程考虑了温度对电机材料电磁特性的影响。

电机设计变量

16 个设计变量用于定义定子和转子、磁极片和永磁体的几何形状。转子中磁体和槽的几何表示如下图所示，其中定义了主要的相关设计变量。

选择三个目标函数并作为电机设计变量的函数进行优化。扭矩最大化，耗散功率（即效率的倒数）和转子惯量最小化。

ANN建模

采用了机器学习/深度学习方法。由多物理场模型计算的 1000 个设计解决方案中有 900 个已被用于训练人工神经网络（ANN）。上述 1000 个解决方案中的 100 个用于检查 ANN 的准确性。

研究了不同的 ANN，具有一个或两个隐藏层，并且在隐藏层（深度）中具有不同数量的神经元。输入神经元的数量等于 16 个设计变量。输出神经元的数量显然等于目标函数的数量。最后，16-13-9-3 的 ANN 被选为最佳 ANN。此类 ANN 的平均百分比误差为<1%。提出的优化似乎非常有效。实际上，扭矩增加了 13%，耗散功率几乎减半，惯性减少了近 40%。