寫在前面的話

世界的運轉(zhuǎn)需要能源。在原子能之外人們已經(jīng)有接近一百年沒有發(fā)明新的能源來源形式，目前全世界的目光都關注在可控核聚變。

在能源和世界的運轉(zhuǎn)之間需要有動力機械做橋梁，比如：化學能源體系的鍋爐汽輪機系統(tǒng)，燃氣輪機系統(tǒng)，內(nèi)燃機系統(tǒng)，斯特林發(fā)動機系統(tǒng)；核能源體系的反應堆汽輪機系統(tǒng)；電能源體系的電機系統(tǒng)。

電機系統(tǒng)是古老的系統(tǒng)，應用于汽車實際上還早于內(nèi)燃機。從原理上看電機的參數(shù)設計是以Maxwell電磁方程為基礎，結合熱力學方程的復雜系統(tǒng)設計。

從數(shù)學原理上來說，雙微分方程系統(tǒng)共同作用的系統(tǒng)雖然仍然歸屬于微分方程驅(qū)動的精確系統(tǒng)，但是其多變量的復雜關系已經(jīng)遠遠超出常用函數(shù)表達的區(qū)間。

讓我們先回憶一下，傳統(tǒng)的優(yōu)化設計方法的工作過程：

●Step 1：自變量選擇，空間采樣，敏感性分析

●Step 2：對于采樣空間進行響應面擬合或者復雜情況下無法擬合的pareto

●Step 3：對于有擬合情況下進行梯度方法/種群方法的優(yōu)化；對于無擬合情況下進行人為優(yōu)選。

傳統(tǒng)方法對于多自變量和多目標變量情況下，多數(shù)是有設計者進行參數(shù)優(yōu)選。因為只有少數(shù)情況下，可以構建多變量響應面。

AI改變了優(yōu)化設計過程

AI可以對任意多的自變量和目標變量進行精確的逼近（當然這種逼近通常無法進行簡明解釋）。重要的是這種逼近實際上是在某個變量空間范圍，重構了精確的復雜設計參數(shù)關系。

使用Optislang以及其他類似優(yōu)化軟件的過程中，我們經(jīng)?？吹接脩糁苯訉?shù)千個數(shù)據(jù)進行參數(shù)優(yōu)選，但是他們都忽略了一點：這數(shù)千個設計工況已經(jīng)足夠構建一個設計參數(shù)之間的精確表達。這種表達式其實就是元模型。

所以每每看到用戶守著數(shù)以百計、千計的數(shù)據(jù)，卻放棄了構建真正的設計參數(shù)關系，常常覺得非常遺憾。

對于設計人員來說，歷史數(shù)據(jù)的總結和表達，往往可以得到真正的設計規(guī)律。相比于設計規(guī)律來說，優(yōu)選幾個設計參數(shù)組合倒顯得不那么重要了。

所以，請重新審視千百萬歷史數(shù)據(jù)，AI工具已經(jīng)可以幫你重構設計規(guī)律。

Design Law Once More！

電機多參數(shù)優(yōu)化設計

電動機的設計需要設置許多參數(shù)。設計變量是指幾何尺寸、電氣、磁性、機械和物理材料特性、熱流體特性、聲發(fā)射。顯然，電動機行為的仿真需要基于不同有限元模型的多物理方法。更復雜地是指通常會發(fā)布許多相互沖突的要求。例如，在汽車應用中，具有最大扭矩和最大效率的電機以及最小的質(zhì)量和尺寸將受到贊賞。

Pareto方法

經(jīng)典的Pareto方法包括定義一組在設計階段要更改的設計變量，根據(jù)給定的約束定義要最大化或最小化的目標函數(shù)列表（即性能指標），定義Pareto最優(yōu)集并允許設計師首選一個或多個設計解決方案，深入了解帕累托最優(yōu)設計解決方案集， 進行適當?shù)慕y(tǒng)計分析，使設計人員能夠了解設計解決方案的選擇。

電機結構

PM 電機驅(qū)動配備浮動卡鉗的制動器。通過齒輪系統(tǒng)，電機驅(qū)動卡鉗。定子和轉(zhuǎn)子的可用空間是一個嚴格的限制，因為制動組件必須與盤式制動器、輪轂支架、軸承、懸架接頭和其他次要部件一起位于輪輞內(nèi)。電機電壓為 12V。電流由根據(jù)逆變器特性的適當控制來定義。極數(shù)設置為 10，槽為 9，即每相 3 個槽。采用了轉(zhuǎn)子的所謂“面包”結構，即考慮了表面貼裝的永磁體 （PM）。采用釹鐵硼 （NdFeB） 磁鐵選擇集中定子繞組。繞組質(zhì)量與銅槽填充因子有關。這樣的因子是繞組填充槽區(qū)域的程度的指數(shù)。所選的銅槽填充因子值限制了繞組損耗。

計算模型

在 Motor-CAD 中開發(fā)了 2D 電磁模型該模型提供了永磁電機的電磁和機械變量。磁通量、電流、扭矩、齒槽轉(zhuǎn)矩、功率是該模型的主要輸出。在典型制動動作的持續(xù)時間內(nèi)評估瞬態(tài)溫度狀態(tài)。計算了繞組和磁體的溫度值。通過迭代過程考慮了溫度對電機材料電磁特性的影響。

電機設計變量

16 個設計變量用于定義定子和轉(zhuǎn)子、磁極片和永磁體的幾何形狀。轉(zhuǎn)子中磁體和槽的幾何表示如下圖所示，其中定義了主要的相關設計變量。

選擇三個目標函數(shù)并作為電機設計變量的函數(shù)進行優(yōu)化。扭矩最大化，耗散功率（即效率的倒數(shù)）和轉(zhuǎn)子慣量最小化。

ANN建模

采用了機器學習/深度學習方法。由多物理場模型計算的 1000 個設計解決方案中有 900 個已被用于訓練人工神經(jīng)網(wǎng)絡 （ANN）。上述 1000 個解決方案中的 100 個用于檢查 ANN 的準確性。

研究了不同的 ANN，具有一個或兩個隱藏層，并且在隱藏層 （深度） 中具有不同數(shù)量的神經(jīng)元。輸入神經(jīng)元的數(shù)量等于 16 個設計變量。輸出神經(jīng)元的數(shù)量顯然等于目標函數(shù)的數(shù)量 。最后，16-13-9-3 的 ANN 被選為最佳 ANN。此類 ANN 的平均百分比誤差為<1%。提出的優(yōu)化似乎非常有效。實際上，扭矩增加了 13%，耗散功率幾乎減半，慣性減少了近 40%。

結論

事實證明，多目標優(yōu)化與多物理場建模和人工智能相結合是設計接近生產(chǎn)的電動機的一套非常好的技術。AI方法將在不久的將來可能會成為標準設計流程的一部分，因為只有求助于人工智能才能解決 PM 電機設計的復雜性。