電源模塊 MVI56-MNET 結構簡單 伺服驅動

電源模塊 MVI56-MNET 結構簡單 伺服驅動

電源模塊 MVI56-MNET 結構簡單 伺服驅動

不同工作條件下電機性能快速預測

電動汽車的電機工作范圍比較寬，為了更有效地驅動電機，需要在逆變器不同的輸入電流條件下對其進行優化設計，因此要進行大量的磁場仿真分析。

圖5. 左：電動汽車工作范圍；右：電機效率隨輸入電流和電機狀態（轉速和扭矩）而變化

FEM仿真模型如下圖所示。為了選擇合適的電流條件，需要采用1848個FEM仿真結果進行優化，因此我們引入ODYSSEE的機器學習方法，想要降低仿真分析數量。建模工具采用MSC Apex，FEM仿真工具為EMSolution，機器學習軟件為ODYSSEE。

圖6. 左：FEM仿真模型；右：分析流程及使用軟件

我們使用240組FEM仿真結果進行機器學習模型的訓練，構建高精度的降階模型以替代FEM仿真分析。降階模型預測結果與FEM結果對比如下，結果表明降階模型預測結果與FEM結果幾乎完全相同。

圖7. 上：FEM仿真結果；下：降階模型預測結果

總  結  

針對電機形狀設計優化問題，使用ODYSSEE的機器學習方法，可以減少約68.9%的FEM次數(1236→378次)。另一方面，由于電機材料特性的原因，降階模型預測的扭矩波動的某些結果與FEM結果存在一定的偏差，可以采用在帕累托前沿選取FEM結果的方式得到彌補。

針對不同工作條件下的電機設計優化問題，使用ODYSSEE的機器學習方法，可以將FEM的次數減少約87.0%(1848→240次)，并且具有較高的預測精度。

電源模塊 MVI56-MNET 結構簡單 伺服驅動