Permanentmagnet-Synchronmotoren (PMSM-Motoren) werden aufgrund ihrer hohen Effizienz, überlegenen Leistungsdichte und hervorragenden Steuerungsleistung häufig in Industrieantrieben, Fahrzeugen mit neuer Energie, der Luft- und Raumfahrt und anderen Bereichen eingesetzt. Da jedoch Anwendungsszenarien immer höhere Motorleistungen erfordern, können herkömmliche empirische Entwurfsmethoden diese Anforderungen nicht mehr erfüllen. Deshalb adoptieren Multi-Ziel-Optimierungsdesign (MOOD) Methoden – der umfassende Ausgleich verschiedener Leistungsmetriken während der anfänglichen Entwurfsphase – sind zu einem Schlüsselansatz zur Verbesserung der Motorleistung geworden.
Beim herkömmlichen Motordesign steht oft ein einziges Ziel im Mittelpunkt, beispielsweise die Maximierung der Drehmomentdichte oder die Minimierung der Kosten. Die Motorleistung ist jedoch ein komplexer, mehrdimensionaler Raum, der elektromagnetische, mechanische, thermische und Geräusch-Vibrations-Eigenschaften umfasst. Die Einzelzieloptimierung kann andere Leistungsmetriken beeinträchtigen, was es schwierig macht, ein optimales Gesamtdesign zu erreichen.
Multi-Ziel-Optimierungsdesign strebt einen ausgewogenen Kompromiss zwischen widersprüchlichen Zielen an und führt zu einer Reihe von Lösungen (die so genannte Pareto-Front), bei der kein einzelnes Ziel verbessert werden kann, ohne ein anderes zu opfern.
Wichtigste Herausforderungen:
• Widersprüchliche Ziele: Beispielsweise kann eine Erhöhung der Drehmomentdichte eine größere Motorgröße oder eine höhere Stromdichte erfordern, wodurch die Temperatur steigt.
• Komplexe Einschränkungen: Spannungs-/Stromgrenzen, thermische Schwellenwerte, Größenbeschränkungen usw.
• Hoher Rechenaufwand: Umfangreiche Finite-Elemente-Analyse (FEA), thermische Simulationen und mechanische Analysen sind erforderlich.
• Pareto-Front-Auswahl: Die Auswahl der besten Lösung aus dem Pareto-Set basierend auf realen Anforderungen ist nicht trivial.
Ein mehrobjektives Optimierungsproblem kann mathematisch wie folgt formuliert werden:
• Zielfunktionen:
min/maxF(x)=[f1(x),f2(x),…,fn(x)]
Dabei ist x der Entwurfsvariablenvektor und fi(x) das i-te Ziel.
• Einschränkungen:
g(x)≤0, h(x)=0
(Ungleichheit und Gleichheitsbeschränkungen)
Designvariablen:
x∈X
wobei X den zulässigen Bereich (oder zulässigen Bereich) der Entwurfsvariablen bezeichnet.
Schlüsselkonzepte:
Herrschaft: Lösung x1 dominiert x2, wenn sie in allen Zielen besser abschneidet.
Pareto-Optimalität: Eine Lösung x∗ist Pareto-optimal, wenn keine andere Lösung sie dominiert.
Pareto-Front: Die Menge aller Pareto-optimalen Lösungen.
(1) Problemdefinition und Zielauswahl
• Ziele definieren (z. B. Drehmomentdichte maximieren, Kosten/Drehmomentwelligkeit minimieren).
• Ziele quantifizieren und dabei Zusammenhänge berücksichtigen.
(2) Designvariablen und Einschränkungen
• Wählen Sie Schlüsselvariablen (Stator-/Rotorabmessungen, Magnetparameter, Wicklungswindungen).
• Legen Sie Einschränkungen fest (Spannungs-/Stromgrenzen, thermische Schwellenwerte, Größengrenzen).
(3) Leistungsmodellierung
• Finite-Elemente-Analyse (FEA): Hohe Genauigkeit, aber rechenintensiv.
• Analytische Modelle: Schnell, aber weniger präzise.
• Ersatzmodelle (ML-basiert): Gleichen Sie Geschwindigkeit und Genauigkeit aus (z. B. Gaußsche Prozesse, SVMs).
(4) Optimierungsalgorithmen
• Genetische Algorithmen (NSGA-II, MOEA/D): Robust für komplexe Probleme.
• Partikelschwarmoptimierung (PSO): Schnelle Konvergenz.
• Sequential Quadratic Programming (SQP): Lokale Optimierung (Risiko suboptimaler Lösungen).
(5) Pareto-Analyse und Entscheidungsfindung
• Ideal-Point-Methode: Wählen Sie Lösungen aus, die der utopischen Leistung am nächsten kommen.
• TOPSIS: Lösungen nach Nähe zu positiven/negativen Idealen ordnen.
• Expertenurteil: Ganzheitliche Bewertung von Kompromissen.
(6) Validierung und Verfeinerung
• Verifizieren Sie Entwürfe durch Prototyping oder Simulation.
• Iterieren Sie, wenn die Leistung unzureichend ist.
Ziele:
• Maximieren Sie die Drehmomentdichte (T/V).
• Drehmomentwelligkeit minimieren.
Designvariablen:
• Statorinnendurchmesser (Ds).
• Polbogenkoeffizient (αp).
• Magnetdicke (Hm).
Einschränkungen:
• Schlitzfüllfaktor (zur Begrenzung der Stromdichte).
• Maximaler Außendurchmesser.
Methode:
• FEA-basierte Modellierung + NSGA-II-Optimierung.
• Ergebnis: Pareto-Front zeigt Kompromiss – höhere Drehmomentdichte erhöht die Welligkeit. Optimale Designs gleichen beides aus.
ANSYS Maxwell/Motor-CAD: Elektromagnetische und thermische Simulation.
COMSOL Multiphysik: Multiphysik-Kopplung (EM, thermisch, strukturell).
JMAG-Designer: Motorspezifische FEA.
MATLAB/Simulink: Entwicklung von Optimierungs- und Steuerungsalgorithmen.
Ich sehe: Multidisziplinäre Optimierungsplattform.
Die Mehrzieloptimierung revolutioniert das PMSM-Design. Zukünftige Fortschritte werden sich auf Folgendes konzentrieren:
• Integration mit KI und Topologieoptimierung: Intelligentere, automatisierte Designuntersuchung.
• Optimierung der Lebenszykluskosten: Ausgleich von Herstellungs-, Betriebs- und Wartungskosten.
• Algorithmusverbesserungen: Schnellere, robustere Löser für komplexe Probleme.
Fazit:
Durch die Nutzung von MOOD können Ingenieure eine beispiellose Motorleistung freisetzen und so den Weg für Anwendungen der nächsten Generation in der Elektrifizierung, Robotik und darüber hinaus ebnen. Heute optimieren, morgen führen.
