寫在前面的話

世界的運轉需要能源。在原子能之外人們已經有接近一百年沒有發明新的能源來源形式，目前全世界的目光都關注在可控核聚變。

在能源和世界的運轉之間需要有動力機械做橋梁，比如：化學能源體系的鍋爐汽輪機系統，燃氣輪機系統，內燃機系統，斯特林發動機系統；核能源體系的反應堆汽輪機系統；電能源體系的電機系統。

電機系統是古老的系統，應用于汽車實際上還早于內燃機。從原理上看電機的參數設計是以Maxwell電磁方程為基礎，結合熱力學方程的復雜系統設計。

從數學原理上來說，雙微分方程系統共同作用的系統雖然仍然歸屬于微分方程驅動的精確系統，但是其多變量的復雜關系已經遠遠超出常用函數表達的區間。

讓我們先回憶一下，傳統的優化設計方法的工作過程：

●Step 1：自變量選擇，空間采樣，敏感性分析

●Step 2：對于采樣空間進行響應面擬合或者復雜情況下無法擬合的pareto

●Step 3：對于有擬合情況下進行梯度方法/種群方法的優化；對于無擬合情況下進行人為優選。

傳統方法對于多自變量和多目標變量情況下，多數是有設計者進行參數優選。因為只有少數情況下，可以構建多變量響應面。

AI改變了優化設計過程

AI可以對任意多的自變量和目標變量進行精確的逼近（當然這種逼近通常無法進行簡明解釋）。重要的是這種逼近實際上是在某個變量空間范圍，重構了精確的復雜設計參數關系。

使用Optislang以及其他類似優化軟件的過程中，我們經常看到用戶直接對數千個數據進行參數優選，但是他們都忽略了一點：這數千個設計工況已經足夠構建一個設計參數之間的精確表達。這種表達式其實就是元模型。

所以每每看到用戶守著數以百計、千計的數據，卻放棄了構建真正的設計參數關系，常常覺得非常遺憾。

對于設計人員來說，歷史數據的總結和表達，往往可以得到真正的設計規律。相比于設計規律來說，優選幾個設計參數組合倒顯得不那么重要了。

所以，請重新審視千百萬歷史數據，AI工具已經可以幫你重構設計規律。

Design Law Once More！

電機多參數優化設計

電動機的設計需要設置許多參數。設計變量是指幾何尺寸、電氣、磁性、機械和物理材料特性、熱流體特性、聲發射。顯然，電動機行為的仿真需要基于不同有限元模型的多物理方法。更復雜地是指通常會發布許多相互沖突的要求。例如，在汽車應用中，具有最大扭矩和最大效率的電機以及最小的質量和尺寸將受到贊賞。

Pareto方法

經典的Pareto方法包括定義一組在設計階段要更改的設計變量，根據給定的約束定義要最大化或最小化的目標函數列表（即性能指標），定義Pareto最優集并允許設計師首選一個或多個設計解決方案，深入了解帕累托最優設計解決方案集， 進行適當的統計分析，使設計人員能夠了解設計解決方案的選擇。

電機結構

PM 電機驅動配備浮動卡鉗的制動器。通過齒輪系統，電機驅動卡鉗。定子和轉子的可用空間是一個嚴格的限制，因為制動組件必須與盤式制動器、輪轂支架、軸承、懸架接頭和其他次要部件一起位于輪輞內。電機電壓為 12V。電流由根據逆變器特性的適當控制來定義。極數設置為 10，槽為 9，即每相 3 個槽。采用了轉子的所謂“面包”結構，即考慮了表面貼裝的永磁體 （PM）。采用釹鐵硼 （NdFeB） 磁鐵選擇集中定子繞組。繞組質量與銅槽填充因子有關。這樣的因子是繞組填充槽區域的程度的指數。所選的銅槽填充因子值限制了繞組損耗。

計算模型

在 Motor-CAD 中開發了 2D 電磁模型該模型提供了永磁電機的電磁和機械變量。磁通量、電流、扭矩、齒槽轉矩、功率是該模型的主要輸出。在典型制動動作的持續時間內評估瞬態溫度狀態。計算了繞組和磁體的溫度值。通過迭代過程考慮了溫度對電機材料電磁特性的影響。

電機設計變量

16 個設計變量用于定義定子和轉子、磁極片和永磁體的幾何形狀。轉子中磁體和槽的幾何表示如下圖所示，其中定義了主要的相關設計變量。

選擇三個目標函數并作為電機設計變量的函數進行優化。扭矩最大化，耗散功率（即效率的倒數）和轉子慣量最小化。

ANN建模

采用了機器學習/深度學習方法。由多物理場模型計算的 1000 個設計解決方案中有 900 個已被用于訓練人工神經網絡 （ANN）。上述 1000 個解決方案中的 100 個用于檢查 ANN 的準確性。

研究了不同的 ANN，具有一個或兩個隱藏層，并且在隱藏層 （深度） 中具有不同數量的神經元。輸入神經元的數量等于 16 個設計變量。輸出神經元的數量顯然等于目標函數的數量 。最后，16-13-9-3 的 ANN 被選為最佳 ANN。此類 ANN 的平均百分比誤差為<1%。提出的優化似乎非常有效。實際上，扭矩增加了 13%，耗散功率幾乎減半，慣性減少了近 40%。

結論

事實證明，多目標優化與多物理場建模和人工智能相結合是設計接近生產的電動機的一套非常好的技術。AI方法將在不久的將來可能會成為標準設計流程的一部分，因為只有求助于人工智能才能解決 PM 電機設計的復雜性。