电机设计常见问题及解析（电机设计中的精准优化方法探索）

作者：核动力蜗牛 、转载自微信公众号《电机产品技术前哨》

“ 本期我们讨论点专业的问题，就是电机的“精准优化”问题。即如何把我们期望的复杂目标:比如“最高效率”、“峰值功率”等，直接投给算法， 让算法自主找出所有可能工作区间的最优解，并执行逐代优化。这样做既能降低工作强度，又能提高优化效能。我们将自己的一些探索成果分享给大家。"

01

—————

此问何来？

问题的来源于设计过程的一系列痛点。时至今日，利用优化算法来设计电机已经普及，从业者已经或多或少接触或者使用算法来进行电机设计寻优工作。相较五年前，已经有了长足的进步，但如何使用好这个”伙伴“，还有一系列问题尚待解决。我们在人和 机器磨合过程中发现了一系列痛点，这些痛点影响使用效能，其中之一就是“目标设置”的问题，下面展开来说：

一、现有技术能够很好得处理一些简单目标

什么是简单目标呢，比如说"损耗、 转矩脉动、重量" 等等这些能够通过一次计算就能获得的目标，比如下面两个例子：

第一个例子是GM利用算法优化永磁电机的“损耗”、“重量”、“磁钢工作点”的最佳平衡值。

第二个例子是EquipMake公司利用算法寻找一款高扭密电机的“损耗”、“重量”、“转矩脉动”的最优解。

这两个例子的目标有两个共同点，第一它的工况是单一且明确的，即转速转矩确定；第二它的激励是确定的，比如说电流和电流角是确定的。这样可以通过计算一个工况点就能获得确定的值，我们把这种简单且明确的目标叫着“简单目标”。

二、复杂一点的目标存在优化困难

什么是复杂目标呢？主要有两类：一类是"众多工况中比较出来的目标"。如下图所示，感应电机的工作特性曲线上，随转速从低到高变化，会出现“最大转矩”、“最高效率”等一系列指标，因为我们无法预知这两个指标出现的准确转速（且不同的方案转速可能差距很大）。所以就需要把曲线上所有的点都计算出来，然后统计出极值来才能明确其值，这样就很难直接优化了。同样道理永磁电机的map图上“最高效率”，“峰值功率”，同样无法预知在哪个“转速@转矩”下发生最高效率，因此很难将最高效率作为直接优化目标。

第二类复杂目标，就是组合工况目标。什么是组合工况目标，最典型的是新能源驱动电机的路况效率。如下图所示电机在"CLTC路况下的综合能效"，它 它是几百~几千个工况点能耗的累积平均，本质上这是一个统计目标，考量的是电机在不同工作区域整体效率表现。 因为涉及到工作点众多且不确定，很难作为直接优化目标。类似的目标还有：“高效率面积占比”，比如效率＞90%的面积占map图的百分比，这也是一个统计目标。

现在我们知道“复杂目标”和“简单目标”的最大区别就在于“不确定性”，“复杂目标”的发生位置和构成的不确定要高于简单目标。

02

——————

如何应对？

目前的应对方案-“间接优化”

以现有技术手段能够应对一部分“复杂目标”， 方法无非是“曲线救国而已”。其实就是把无法直接优化的“复杂目标”，加以翻译，翻译成可以被软件直接执行的优化目标。我举下面两个永磁电机的例子来说明：

例子一，优化电机的最高效率，要求越高越好。因为最高效率出现位置是不确定的，我们就需要将该目标加以翻译。我经常就用下面的策略：

1、先搞一个初步方案，算个map图、观测一下最高效率出现的大致位置；

2 、找到2~3个工况点作为代表，给他们估算一个电流和电流角；

3、写出这些代表点的效率相关优化函数，比如：“效率”、“单位转矩损耗”；

4、以若干个代表点的优化函数作为目标，加以优化化；

5、选择优秀方案，复算map图，观察效率是否得以提高；

明显这是个迭代过程，其中第2、第3步是关键的“翻译步骤”，翻译质量的好坏决定了优化质量的好坏，翻译的能力也就是驾驭算法的能力。

例子二，也是一个经常遇到的问题，电机在高速下的输出功率，我们希望它不要快速衰减，越大越好。高速输出能力是电机和控制器相匹配的结果，和电压约束、电流约束都有关系，我们没法直接给出准确的激励，因此也就无法直接优化，我们需要这样把问题翻译一下：

1、估算出一个电流和电流角，比如200A,75°，不用精准；

2、写出这个激励下的目标函数：比如“同扭矩下感应电势”最小（用以优化电压利用率），“同电流下的扭矩”越大越好（用以优化电流利用率）。

3、 执行优化，平衡选择这两个目标，选择两者皆优的方案；

4、选择优秀方案，复算map图，观察功率是否得以提高；

明显这个优化过程有点隔靴搔痒的感觉，需要人反复参与优化过程，虽然能够解决一定的问题，但因为过程曲折，费时费力，优化质量差强人意。

还有一些复杂目标是现有手段很难处理的，但我们又经常遇到，除了前文说的"路况下的综合能效"、“高效率面积占比”还有一些，比如：

1. 想让高效区域从“中速中载”向 “低速低载“区移动；
2. 提高电机在全转速范围内的"峰值功率"；
3. 提高峰值扭矩能够维持的转速;
4. 降低高速状态下电机的电流角，以降低控制器弱磁控制难度；

总的来说，现有技术手段在处理复杂目标的优化问题时，能力有限，急需提高。

03

—

如何应对？

改进的方案-“基于map的优化”

要彻底降伏“复杂目标” ，关键在于化“不确定性”为“确定性”，复杂目标的不确定性：一在于统计的不确定性（需要在计算诸多点后统计后才能确认），二在于激励的不确定性（无法预知具体电流、电压激励值）。而电机的性能map图能够针对性得消解这两种不确定性。

我们观察电机的map图，它包含了电机在电流和电压约束下几乎所有的信息。既能统计各类效率、功率、转矩，还能够确定电机在各种状态下的激励特征。

既然如此就可以将map图作为优化的核心，重构优化流程，以消解复杂目标的不确定性，具体如何做，举一个简单的例子。

该例子是一个800v的扁线乘用车电机需求，基本要求是400Nm、250kw、16000rpm。对CLTC效率、最高效率和高效面积有具体的要求，这些都是"复杂目标"，考验我们的优化能力。

应对问题的第一步是建立“参数化”的定转子拓扑结构，先按主观感觉建立第一个初始模型，对初始模型没有太高要求，看起来比例协调就可以了。下面是我建立的一个双层U一、8根扁线的初步模型。

第二步 设置map和驾驶路况，本质是把电源的电流和电压约束输入进来，在此范围内计算；把驾驶路况转换成电机的一系列转矩-转速点，让统计“路况效率”成为可能。

第三步设置优化目标，比如综合路况目标：路况效率、路况能耗、>90%效率面积、最高效率。还可以添加成本、峰值扭矩、峰值功率、高速功率等。

第四步 设定定转子结构的参数化方案，如下图我设了24个优化自变量的上下限，它们构成了优化空间。同时选择优化算法和种群规模和进化代数。

第五步总览检查设置，防止出错。

第六步点击运行，软件会自动优先计算初始方案map，我们可以观测到初始方案的路况统计效率、最大转矩、最高效率等指标。

第七步 运行监控，监控计算一个map所需要的时间，计算一代所需要的时间。比如这个例子，计算一个map所需要的时间是323s，运行一代30个方案所需要的时间约4小时，监控的目的是让我们对优化耗时心中有数，剩下的工作就交给算法，无需要人来值守了。

第八步 结果查看和筛选，通过点阵图和表格两种方式来查看结果。如下图所示，在经过了24代96个小时的优化后，我们获得了一张类似“中国地图”的点阵图，图上每一个点代表一个方案， 图的腹部区域，就是 “成本-路况效率” 前沿解，我们观察到有众多的方案优异于原方案。在图中我用绿色的箭头标识的区域，它们在成本和路况效率上都要优异于原方案，绿色箭头越长，表示优化深度越高。

众多方案的具体情况，可以从表格中观查。一般我们会把一些必要满足的指标作为筛选条件，筛出满足条件的解，然后再从中择优。如下图所示，在作了峰值功率、高速功率、峰值扭矩条件筛选后，仍然有众多前优异解存在。

第九步确认方案 ， 我们选择了第1057号方案，对比优化前后map图，发现综合路况驱动效率有明显提升，从94.49%提升到94.85%、最高效率基本维持不变。

将map图打上九宫格，代表“速度-载荷”高中低的九个区域，我们发现map图的高效率区域往低速低载区域挪移了，而这些区域正好是路况点密集的区域，这样有利于提高续航效率，也说明算法在发挥优化作用。

综合对比优化前后对比数据，在满足峰值扭矩和功率的条件下，我们获得了一个成本下降、效率提升的优化效果：成本下降了158元、而路况能耗下降了7%。这就是精准优化带来的“红利”。

最后一步确认方案 ，优化后的方案和原方案结构对比如下图所示，转子结构参数和扁线尺寸皆有较大的调整，在没有明显工艺缺陷的条件下，就可以确认方案了。

【小结】：我们回顾过程，不难发现，我们构建了一个新的优化架构。它的核心逻辑是：先计算map图，获得全部工况信息，然后再提取或统计所需要的目标，比如“路况效率”等，最后调用算法去评价结果，实施逐代优胜劣汰。把这个流程总结一下就能获得下面的流程图。

这个模式，我们称之为基于map的优化， 这种模式具备明显的优势。它使得优化变得更简洁、更直接。用一句话提炼就叫"所见即所得"，对于复杂目标，不再需要绞尽脑汁去曲线救国的间接优化。因此它能极大地提升优化的效能，进一步降低对人的依赖。

当然它也会带来一个新的挑战，那就是优化速度变慢了，要提高优化速度，需要实现map图的快速计算，关于如何克服这个困难，我们找时间再聊。

04

———

总结

遇到问题解决问题

世界是由一个一个问题构成的。“复杂目标”问题的背后是什么？本质上是市场对“电机和母系统的匹配度”提出了更高的要求； 是高竞争态势压力下，对"如何将有限的成本资源更加精准的投送"提出了更高的要求。 遇到问题解决问题，基于map图的优化是一个解决方案，但它本身会带来新的问题：计算速度慢，机器资源消耗大。我们又得解决这些新问题，让优化工具具备工程可行性。

每当遇到新问题 ，就会发现前面都是没人走过的路，向前进一步，难度高一分 ，功夫长一寸， 唯有死磕自己的精神才是价值创造的永动机。

,