ODYSSEE CAE 機器學習成為電機一大助力

隨著低碳社會的需求增長，電動汽車和協作機器人市場迅速擴大，推動電機設計優化的需求上升。海克斯康的ODYSSEE軟體大幅加速電機設計，通過機器學習減少有限元素法(FEM)計算時間，同時提高設計效率和精度。

隨著全球對低碳社會的需求日益增加，電動汽車 (EV) 和混合動力汽車 (HEV) 的數量正在快速增長。這些車輛被認為是未來交通工具的核心，因為它們能夠減少對化石燃料的依賴，從而降低二氧化碳排放量。在這些新能源車中，電池、逆變器和電機是最關鍵的組件。其中，電機的市場規模預計將在未來幾年持續擴大，因為它們是這些車輛的核心驅動部分。隨著人們對提高電動汽車性能的需求日益增強，電機設計工程師面臨著越來越高的要求，需要開發出更加高效和可靠的設計。

除了電動汽車市場外，協作機器人市場也預計會有顯著增長。協作機器人主要應用於需要體力勞動的工作場合，如搬運重物和進行精密工作。這些機器人可以與人類協同工作，減少人力勞動強度，同時提高工作效率。由於協作機器人由多個執行器和電機組成，電機在這個領域的應用也變得越來越廣泛。因此，協作機器人的電機市場也將因此而擴大。

CAE軟體電機設計

在電機設計過程中，為了在實際生產之前確保設計的高效性和可靠性，模擬分析預期性能是非常必要的。這包括對電機的形狀進行優化以及在不同工作條件下確保驅動的有效性。形狀優化的目的是提高電機的效率和性能，而在廣泛的工作範圍內確保驅動的有效性則是為了適應不同的操作環境和需求。

這些設計過程需要工程師進行大量的磁場模擬分析，尤其是在不同工作條件下。這些分析需要大量的計算時間，因而如何減少模擬時間並提高工作效率成為一個重要的課題。

為了解決這個問題，海克斯康的 ODYSSEE軟體提供了一種有效的解決方案。 ODYSSEE 能夠利用少量的設計實驗點(DOE)來建立高精度的降階模型(ROM)，這樣可以顯著加速電機設計的優化過程。

CAE軟體電機設計

電機形狀設計優化

在不同的形狀參數下，電機的平均扭矩和扭矩波動會有所不同。電機的設計優化過程就是平衡電機的平均扭矩和扭矩波動，得到帕雷托最優前沿(Pareto front)。

針對電機設計優化問題，通常採用典型的基因演算法來進行參數最佳化。在這個過程中，基因演算法根據設計參數的取值進行優化，直到性能改進達到穩定。這一過程通常需要進行大量的有限元法(FEM)計算。舉例來說，如果需要進行1200次FEM計算，每次計算大約需要30秒，那麼總計算時間將達到10小時。在這樣的情況下，FEM計算是最耗時的部分，因此，減少FEM計算時間就成為提高工作效率的關鍵。

為了解決這一問題，本研究利用少量的FEM模擬結果，並採用ODYSSEE建立的降階模型來取代FEM，以便快速預測和減少FEM計算時間。這樣不僅能夠加快優化過程，還能減少計算資源的消耗。

具體的工作流程如下：首先使用FEM模擬生成訓練數據，然後利用基因演算法確定設計參數，並搜索最佳設計形狀。這一過程會重複進行，直到降階模型的結果與FEM的結果精度達到滿足要求的程度。此時，降階模型可以取代FEM進行預測。

(左：基因演算法+機器學習工作流程、右：降階模型和FEM結果對比)

研究結果顯示，使用400個FEM模擬結果進行模型訓練即可得到收斂的降階模型，能夠準確替代FEM模擬。相較於僅使用基因演算法的優化流程，引入ODYSSEE的機器學習工具後，FEM模擬次數從1200次減少到400次，大大降低了計算成本。

然而，我們也發現，在某些情況下，由於材料的非線性特性，降階模型對扭矩波動的預測精度較低。這種情況主要是由於材料的非線性行為造成的。在這種情況下，可以通過改進優化流程來解決這個問題，即在帕雷托最優前沿位置使用FEM結果，其他位置則使用降階模型進行預測。

不同工作條件下電機性能快速預測

電動汽車的電機有著廣泛的工作範圍，為了在不同逆變器輸入電流條件下實現更有效的驅動，需要進行大量的磁場模擬分析。

(左：電動汽車工作範圍、右：電機效率隨電流和電機狀態而改變)

為了選擇適當的電流條件，需要進行1848個FEM模擬結果的優化，因此我們引入ODYSSEE的機器學習方法來減少模擬分析次數。建模工具使用 MSC Apex ，機器學習軟體為 ODYSSEE 。我們使用240組FEM模擬結果進行機器學習模型的訓練，並構建高精度的降階模型來替代FEM模擬分析。結果顯示，降階模型的預測結果與FEM結果幾乎完全一致。

(上：FEM分析結果、下：降階模型預測結果)

總結

在電機形狀設計優化問題中，使用 ODYSSEE 的機器學習方法，可以將FEM次數減少約68.9%（從1236次減少到378次）。然而，由於電機材料的特性，降階模型對某些扭矩波動的預測結果可能與FEM結果存在一定的偏差。這可以通過在帕雷托最優前沿選擇使用FEM結果來彌補。

針對不同工作條件下的電機設計優化問題， ODYSSEE 的機器學習方法能將FEM次數減少約87.0%（從1848次減少到240次），並且仍能保持較高的預測精度。這樣的技術進步不僅顯著提高了電機設計的效率，也為未來的技術發展提供了新的可能性。在全球追求低碳經濟和可持續發展的大背景下，這些技術的應用將變得越來越重要，並有望為相關行業帶來深遠的影響。