Σχεδίαση και βελτιστοποίηση λειτουργίας κινητήρων μονίμων μαγνητών: ανάπτυξη αλγορίθμων εκμάθησης και θεώρηση του κύκλου φόρτισης

Abstract

The present work undertakes the development of composite multicriteria optimization techniques in order to determine permanent magnet electrical machine geometries and energy management profiles for electric vehicles. Within this research framework, hybrid swarm intelligence strategies have been developed that accomplish faster and more stable solution, while they enable effective multiple operating points consideration as well as manufacturing uncertainties, by means of machine learning algorithms. Permanent magnet geometries involving internal and external rotor topologies have been examined, under low and high-speed operating conditions, with fractional slot concentrated windings, through the development of automated parametric models based on finite element analysis. Dynamic simulation models of electric vehicles operation have been developed, respectively, that consider the speed and torque controllers and compute the consumed energy through the efficiency map of the propulsion system. All the developed methods have been tested experimentally, and their advantages have been validated. More specifically, initially, a multicriteria optimization routine was developed for the design of an outer rotor 16-pole traction machine with surface permanent magnets for a prototype light electric vehicle. It is based on meta-heuristic swarm intelligence algorithms and works best in cases of a single or a few operating points. The proposed strategy exhibited faster and more stable convergence with respect to well-known and established algorithms of the same class, based on test function suite and motor application assessments. In a next stage, a composite multiple criteria optimization methodology has been developed that enables the computation of the complete efficiency map of the internal rotor two-pole machine and consequently the total consumed energy of an electric vehicle during the driving cycle with the use of a dynamic model. The strategy key developments lie on a finite element surrogate modeling via a machine learning algorithm and on an iterative training scheme that minimizes the prediction error. Efforts were made to track the trends of the optimum solutions in the evaluation and search spaces and the procedure was experimentally tested via a prototype machine construction and measurements. In a next step, a new robustness criterion has been expressed, that considers multiple criteria during optimization in an objective nature. The resulting methodology has been assessed through test functions and has been applied in the robust optimal design of a high-speed double pole machine by using a machine learning routine so that feasible computational complexity is achieved. Afterwards, modeling and experimental validation of thermal and mechanical phenomena that need to be considered in electrical machine high-speed operation has been undertaken. Thermal, rotor dynamic and structural analysis has been performed for the two-pole permanent magnet motor to determine the maximum achievable rotating speed in terms of geometrical characteristics of the structure and the materials used. The correlation between the various geometric dimensions of the rotor with the maximum rotating speed have also been investigated. Finally, an optimization methodology of the energy consumption and trip time of a purely electric vehicle has been suggested to determine appropriate speed and torque limit profiles tolerating limited overloading of the traction motor. The proposed strategy is step-wise, and an itinerary segmentation technique based on the road elevation profile has been introduced. Dynamic model simulations and experimental results under real driving conditions highlight the significant benefits with respect to the classic steady speed driving technique.

Στην παρούσα εργασία επιχειρείται η ανάπτυξη σύνθετων μεθόδων βελτιστοποίησης πολλαπλών κριτηρίων για τον προσδιορισμό γεωμετριών ηλεκτρικών μηχανών μονίμων μαγνητών και μεθοδολογιών διαχείρισης ενέργειας αμιγώς ηλεκτρικών οχημάτων. Στα πλαίσια της ερευνητικής διαδικασίας αναπτύχθηκαν υβριδικές στρατηγικές νοημοσύνης σμήνους που επιτυγχάνουν ταχύτερη και πιο αξιόπιστη επίλυση, ενώ παράλληλα επιτρέπουν αποτελεσματικά τη θεώρηση πολλαπλών σημείων λειτουργίας και κατασκευαστικών αβεβαιοτήτων με τη βοήθεια αλγορίθμων εκμάθησης μηχανής. Εξετάστηκαν τοπολογίες επιφανειακού μαγνήτη εσωτερικού και εξωτερικού δρομέα, χαμηλής και υψηλής ταχύτητας, με συγκεντρωμένα τυλίγματα κλασματικής αύλακας, μέσω της ανάπτυξης αυτοματοποιημένων παραμετρικών μοντέλων που βασίζονται σε αναλύσεις πεπερασμένων στοιχείων. Αντίστοιχα, κατασκευάστηκαν δυναμικά μοντέλα προσομοίωσης της κίνησης ηλεκτρικών οχημάτων με δυνατότητα θεώρησης των ελεγκτών ταχύτητας και ροπής και υπολογισμού της καταναλισκόμενης ενέργειας μέσω του χάρτη απόδοσης του κινητηρίου συστήματος. Όλες οι μέθοδοι που αναπτύχθηκαν επιβεβαιώθηκαν πειραματικά και πιστοποιήθηκαν τα πλεονεκτικά τους χαρακτηριστικά. Πιο συγκεκριμένα, αρχικά, αναπτύχθηκε διαδικασία πολυκριτηριακής βελτιστοποίησης που βασίζεται σε μετα-ευρετικούς αλγορίθμους νοημοσύνης σμήνους για το σχεδιασμό 16-πολικής μηχανής επιφανειακών μαγνητών εξωτερικού δρομέα σε ένα σημείο λειτουργίας για εφαρμογή πρότυπου ελαφρού ηλεκτρικού οχήματος εξοικονόμησης ενέργειας. Η προτεινόμενη στρατηγική επέδειξε γρηγορότερη και πιο αξιόπιστη σύγκλιση σε σχέση με γνωστότερους και καταξιωμένους αλγορίθμους της ίδιας κλάσης βάσει δοκιμών τόσο σε ακολουθία μαθηματικών συναρτήσεων διαβαθμισμένης δυσκολίας όσο και στην εφαρμογή της ηλεκτρικής μηχανής μονίμων μαγνητών. Σε επόμενο στάδιο αναπτύχθηκε σύνθετη μεθοδολογία βελτιστοποίησης πολλαπλών κριτήριων που επιτυγχάνει τον υπολογισμό του συνολικού χάρτη απόδοσης 2-πολικής μηχανής εσωτερικού δρομέα και κατ’ επέκταση της συνολικής καταναλισκόμενης ενέργειας ενός ηλεκτρικού οχήματος στον οδηγικό κύκλο με χρήση δυναμικού μοντέλου. Βασικό πλεονέκτημα της στρατηγικής είναι η ανάπτυξη υποκατάστατης μοντελοποίησης μέσω ενός αλγορίθμου εκμάθησης μηχανής και ενός επαναληπτικού σχήματος εκπαίδευσης από αποτελέσματα πεπερασμένων στοιχείων που ελαχιστοποιεί το σφάλμα πρόβλεψης. Επιχειρήθηκε εντοπισμός των τάσεων των βέλτιστων λύσεων τόσο στο χώρο αποτίμησης όσο και στο χώρο αναζήτησης και η διαδικασία επιβεβαιώθηκε πειραματικά μέσω της κατασκευής πρωτοτύπου μηχανής και διεξαγωγής μετρήσεων. Σε επόμενο βήμα διατυπώνεται ένα καινούριο κριτήριο ευρωστίας κατάλληλο για θεώρηση αυτής σε προβλήματα βελτιστοποίησης πολλών κριτηρίων. Η προκύπτουσα μεθοδολογία δοκιμάζεται σε μαθηματικές συναρτήσεις και εφαρμόζεται στο βέλτιστο εύρωστο σχεδιασμό 2-πολικής μηχανής υψηλής ταχύτητας με τη βοήθεια αλγορίθμου εκμάθησης μηχανής ώστε να επιτευχθεί εφικτή υπολογιστική πολυπλοκότητα του προβλήματος. Κατόπιν επιχειρείται η μοντελοποίηση και πειραματική επιβεβαίωση θερμικών και μηχανικών φαινομένων, των οποίων η μελέτη είναι απαραίτητη στο πεδίο εφαρμογών της υψηλής ταχύτητας. Πραγματοποιείται δηλαδή θερμική, αξονοδυναμική και δομική ανάλυση της διπολικής μηχανής μονίμων μαγνητών για τον προσδιορισμό του μέγιστου εφικτού ορίου περιστροφής της βάσει των γεωμετρικών χαρακτηριστικών της κατασκευής και των υλικών που χρησιμοποιούνται. Διερευνάται ακόμη η επίπτωση της μεταβολής των διαφόρων γεωμετρικών χαρακτηριστικών του δρομέα στη μέγιστη ταχύτητα περιστροφής. Τέλος, προτείνεται μεθοδολογία βελτιστοποίησης της ενεργειακής κατανάλωσης και της χρονικής διάρκειας διαδρομής ηλεκτρικού οχήματος μέσω της εύρεσης κατάλληλων κατανομών ταχύτητας και ροπής επιτρέποντας μικρή ελεγχόμενη υπερφόρτιση του κινητηρίου συστήματος. Η στρατηγική βασίζεται σε αυτοτελή βήματα και προτεινόμενη τεχνική κατάτμησης της διαδρομής βάσει των υψομετρικών χαρακτηριστικών. Προσομοιώσεις με χρήση δυναμικού μοντέλου και πειραματικά αποτελέσματα σε πραγματικές οδηγικές συνθήκες επιβεβαιώνουν τα σημαντικά οφέλη σε σχέση με την κλασσική τεχνική οδήγησης με σταθερή ταχύτητα.