电源模块 MVI56-MNET 结构简单 伺服驱动

电源模块 MVI56-MNET 结构简单 伺服驱动

不同工作条件下电机性能快速预测

电动汽车的电机工作范围比较宽，为了更有效地驱动电机，需要在逆变器不同的输入电流条件下对其进行优化设计，因此要进行大量的磁场仿真分析。

图5. 左：电动汽车工作范围；右：电机效率随输入电流和电机状态（转速和扭矩）而变化

FEM仿真模型如下图所示。为了选择合适的电流条件，需要采用1848个FEM仿真结果进行优化，因此我们引入ODYSSEE的机器学习方法，想要降低仿真分析数量。建模工具采用MSC Apex，FEM仿真工具为EMSolution，机器学习软件为ODYSSEE。

图6. 左：FEM仿真模型；右：分析流程及使用软件

我们使用240组FEM仿真结果进行机器学习模型的训练，构建高精度的降阶模型以替代FEM仿真分析。降阶模型预测结果与FEM结果对比如下，结果表明降阶模型预测结果与FEM结果几乎完全相同。

图7. 上：FEM仿真结果；下：降阶模型预测结果

总  结  

针对电机形状设计优化问题，使用ODYSSEE的机器学习方法，可以减少约68.9%的FEM次数(1236→378次)。另一方面，由于电机材料特性的原因，降阶模型预测的扭矩波动的某些结果与FEM结果存在一定的偏差，可以采用在帕累托前沿选取FEM结果的方式得到弥补。

针对不同工作条件下的电机设计优化问题，使用ODYSSEE的机器学习方法，可以将FEM的次数减少约87.0%(1848→240次)，并且具有较高的预测精度。

电源模块 MVI56-MNET 结构简单 伺服驱动