基于 Ansys Motor-CAD 与 optiSLang 的电机多学科优化设计(下)

文章发布:上海安世亚太官方订阅号(搜索:PeraShanghai)

联系我们:021-58403100

作者:Ansys 中国 王杨

编者按

随着国民经济的快速发展,各种应用领域都对电机性能指标提出越来越高的要求,例如效率高、转速范围宽、体积小、重量轻、功率密度大、噪声低、成本低等,这要求电机设计必须兼顾电磁性能、温升性能以及机械设计方面等多物理场性能,同时还要考虑电机的成本、研发周期等因素,如何在最短的时间内将一款高性能、低成本的电机产品推向市场是目前各大电机厂商面对的课题。




利用 optiSLang 中的 

Python Solver Wizard 实现优化


现代电机的运行工况往往处于一个十分宽的转速范围内,电机设计不仅关注某个运行点的性能更关注整个运行区域的性能。


以新能源汽车永磁电机为例,电机的性能指标在“恒转矩区”和“恒功率区”都有相应的要求,而且二者往往是相互矛盾的,另外,除了峰值运行外特性,电机设计也关注持续运行外特性,这是考核电机设计水平的关键指标,电机持续运行能力是电磁与散热综合作用的结果,是典型的电磁-热耦合问题,对于这类电机的设计往往是比较困难的,即使是富有经验的工程师,在有些情况下也需要反复的调整设计参数,在峰值运行能力、连续运行能力、综合效率、成本、NVH 等众多设计指标之间找平衡,最终费劲浑身解数得到了一个基本符合要求的方案。


但是直觉告诉我们,这一定不是最优解, 我们还可以做的更好。


例如下面的这个 P2 PHEV 电机的例子,电机的性能指标如表 1 所示。

表 1 电机设计指标

初始设计方案


(1) Workflow 分析

针对上述设计需求,我们可以设计以下 Workflow 进行分析:

  • 设置一组几何参数和绕组参数

  • 设置全局最大电流密度为 30A/mm2,因为根据以往经验峰值扭矩电流密度应该不会超过 30A/mm2 

  • 利用绕组参数推算出 30A/mm2 对应的电流值,并在 Motor LAB 模块计算电机的饱和模型 在 Motor LAB 中调整绕组匝数,使 500A 可以出 400Nm 扭矩,如果达不到 400Nm,则该方案不符合要求,舍弃 

  • 在 Motor LAB 中读取各转速下的峰值扭矩,判断是否符合要求 

  • 利用 Motor LAB 的电热耦合分析功能,快速迭代计算各转速连续运行扭矩,判断是否符合要求

  • 计算关键 single point 的效率,判断是否符合要求


我们可以看到这个分析流程涉及电机饱和模型的计算,饱和模型与热模型的双向耦合计算,同时还包括条件判断,如果在 optiSLang 中的 MotorCAD Solver Wizard 去搭建这个流程是难以实现的。


(2) Python Solver Wizard 搭建

这种情况我们可以利用 optiSLang中的Python Solver Wizard 来搭建:

  • 用 Python Solver 驱动 py 脚本,

  • 在 py 脚本中实现上述设计好的 Workflow,

  • 在 py 脚本中可以很轻松的利用 ActiveX 调用 Motor-CAD,

  • 同时也可以加入任意的数据前后处理和条件判断语句,

  • 随心所欲的设计 Workflow 并基于此进行优化分析。

打开 Python Solver Wizard


利用 Python Solver Wizard 打开编写好的 py 脚本文件,optiSLang 会自动识别 py 文件中定义好的输入、输出参数,可通过拖拽进行定义。

识别 py 中的参数


对于这个 Workflow,由于涉及到饱和模型计算,Motor-CAD 计算每个 Design point 的大概需要 3-5 分钟,如果直接进行多目标优化,计算 10000 个方案,即使使用并行计算,优化花费的时间也是非常长的,而且一旦后期优化目标有调整,就要重新计算。


(3) 敏感性分析

另一种方法是先利用 optiSLang 中的 Sensitivity 模块先进行敏感性分析,从 optiSLang7.5.1 开始,Sensitivity 模块会自动进行 MOP 元模型的提取,用户只需在 Sensitivity 中定义好输入参数范围和响应函数,以及 DOE 点数和 COP 迭代容差。

设置参数范围


软件会根据参数量自动推荐最适合的 DOE 算法,并以绿色显示。

DOE 算法选择


在敏感性分析结果的后处理界面,可以查看输入参数与相应参数之间的相关性,例如我们可以查看定子内径、铁心长度与连续扭矩之间的关系,在最后一列,软件给出该输入参数 与各响应参数之间的总体相关性 COP,COP 越接近 100%,表示 MOP 模型的精度越高。

敏感性分析结果


根据经验,一般只需 300-500 个 Design point 就能得到足够高精度的 MOP 模型,然后在 MOP 模型的基础上加入 Optimization 模块进行优化,由于优化过程是基于 MOP 模型而不是直接有限元求解,因此优化速度很快,跑 10000 个方案只需 10 分钟左右。


此外,optiSLang 还提供了丰富的结果后处理功能,可以方便的查看 2D 或 3D 帕累托前沿,也可以快速进行方案的筛选。

优化分析结果


当加入 Optimization 模块后,软件会自动创建 Validator(有限元验证)的Workflow,在优化结束后,optiSLang 会自动把帕累托前沿上的设计点发送到 Validator 节点进行有限元分析,并提供 MOP 与有限元分析结果对比。

有限元对比验证


通过对比视图,可以方便的查看 MOP 与有限元验证结果之间的误差,本例的精度还是可以满足工程需求,虽然基于 MOP 模型的优化方法牺牲了一点精度,但是节省了大量的计算成本,更加重要的是,仅仅基于一次敏感性分析得到的 MOP 模型,我们可以尝试采用不同的优化目标进行反复的优化分析,充分探索设计空间与设计指标之间的关系。

MOP 和有限元验证结果对比

优化后的设计方案


通过本文的例子我们可以看到,强大的 Ansys Motor-CAD 与 optiSLang 相结合则如虎添翼,收获超强电机设计工具,这种效应是 1+1 大于 2 的,利用这个工具,电机工程师不仅能解决电机优化设计问题,也可以进行电机各种设计参数之间的 trade-off 分析,还可以基于高保真的 MOP 模型,研究设计参数与性能指标之间的相关性,这在电机概念设计阶是非常有意义的。


关注【上海安世亚太】官方微信,获取更多原创最新文章、活动资讯,还有限时免费资料分享,等你来拿!


微信扫码分享