作者：Ansys 中國 王楊

以新能源汽車永磁電機為例，電機的性能指標在“恒轉矩區”和“恒功率區”都有相應的要求，而且二者往往是相互矛盾的，另外，除了峰值運行外特性，電機設計也關注持續運行外特性，這是考核電機設計水平的關鍵指標，電機持續運行能力是電磁與散熱綜合作用的結果，是典型的電磁-熱耦合問題，對于這類電機的設計往往是比較困難的，即使是富有經驗的工程師，在有些情況下也需要反復的調整設計參數，在峰值運行能力、連續運行能力、綜合效率、成本、NVH 等眾多設計指標之間找平衡，最終費勁渾身解數得到了一個基本符合要求的方案。

例如下面的這個 P2 PHEV 電機的例子，電機的性能指標如表 1 所示。

表 1 電機設計指標

初始設計方案

針對上述設計需求，我們可以設計以下 Workflow 進行分析：

我們可以看到這個分析流程涉及電機飽和模型的計算，飽和模型與熱模型的雙向耦合計算，同時還包括條件判斷，如果在 optiSLang 中的 MotorCAD Solver Wizard 去搭建這個流程是難以實現的。

這種情況我們可以利用 optiSLang中的Python Solver Wizard 來搭建：

打開 Python Solver Wizard

利用 Python Solver Wizard 打開編寫好的 py 腳本文件，optiSLang 會自動識別 py 文件中定義好的輸入、輸出參數，可通過拖拽進行定義。

識別 py 中的參數

對于這個 Workflow，由于涉及到飽和模型計算，Motor-CAD 計算每個 Design point 的大概需要 3-5 分鐘，如果直接進行多目標優化，計算 10000 個方案，即使使用并行計算，優化花費的時間也是非常長的，而且一旦后期優化目標有調整，就要重新計算。

另一種方法是先利用 optiSLang 中的 Sensitivity 模塊先進行敏感性分析，從 optiSLang7.5.1 開始，Sensitivity 模塊會自動進行 MOP 元模型的提取，用戶只需在 Sensitivity 中定義好輸入參數范圍和響應函數，以及 DOE 點數和 COP 迭代容差。

設置參數范圍

軟件會根據參數量自動推薦最適合的 DOE 算法，并以綠色顯示。

DOE 算法選擇

在敏感性分析結果的后處理界面，可以查看輸入參數與相應參數之間的相關性，例如我們可以查看定子內徑、鐵心長度與連續扭矩之間的關系，在最后一列，軟件給出該輸入參數 與各響應參數之間的總體相關性 COP，COP 越接近 100%，表示 MOP 模型的精度越高。

敏感性分析結果

根據經驗，一般只需 300-500 個 Design point 就能得到足夠高精度的 MOP 模型，然后在 MOP 模型的基礎上加入 Optimization 模塊進行優化，由于優化過程是基于 MOP 模型而不是直接有限元求解，因此優化速度很快，跑 10000 個方案只需 10 分鐘左右。

此外，optiSLang 還提供了豐富的結果后處理功能，可以方便的查看 2D 或 3D 帕累托前沿，也可以快速進行方案的篩選。

優化分析結果

當加入 Optimization 模塊后，軟件會自動創建 Validator（有限元驗證）的Workflow，在優化結束后，optiSLang 會自動把帕累托前沿上的設計點發送到 Validator 節點進行有限元分析，并提供 MOP 與有限元分析結果對比。

有限元對比驗證

通過對比視圖，可以方便的查看 MOP 與有限元驗證結果之間的誤差，本例的精度還是可以滿足工程需求，雖然基于 MOP 模型的優化方法犧牲了一點精度，但是節省了大量的計算成本，更加重要的是，僅僅基于一次敏感性分析得到的 MOP 模型，我們可以嘗試采用不同的優化目標進行反復的優化分析，充分探索設計空間與設計指標之間的關系。

MOP 和有限元驗證結果對比

優化后的設計方案

通過本文的例子我們可以看到，將強大的 Ansys Motor-CAD 與 optiSLang 相結合則如虎添翼，收獲超強電機設計工具，這種效應是 1+1 大于 2 的，利用這個工具，電機工程師不僅能解決電機優化設計問題，也可以進行電機各種設計參數之間的 trade-off 分析，還可以基于高保真的 MOP 模型，研究設計參數與性能指標之間的相關性，這在電機概念設計階是非常有意義的。