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，将强大的 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！
