Mit EM-Simulation schnell zu neuen Antriebskonzepten

Anbieter zum Thema

OSWALD Elektromotoren GmbH

CADFEM Germany GmbH

JESSBERGER GmbH

Ansys

ANSYS Germany GmbH

Simulation in Simplorer

Nach vollständiger Parametrisierung mit Material- und Geometriedaten aus den Datenblättern wird aus dem gewählten Template ein analytisches Systemmodell erstellt. Dieses verfügt über Schnittstellen zum bekannten Simplorer-Simulator sowie zu den in Maxwell enthaltenen 2D- und 3D-FEM-Simulatoren und weiteren Simulationspaketen. Mit Simplorer können auf analytischer („behavioural“) Ebene vollständige Systeme beschrieben und so Effekte wie etwa beim Aufschalten einer Last oder die Auswirkung verschiedener Ansteuerungen simuliert werden. Bereits bestehende Lösungen können schnell und einfach abgebildet und Dimensionierungs- und Typenvarianten ausprobiert werden. Ebenso können sinnvolle Einsatz- und Arbeitsbereiche der Maschine evaluiert und verifiziert werden. Bei komplexeren Aufgabenstellungen wird ein Entwickler seine Lösung optimieren wollen oder müssen. Je nach erforderlicher Detaillierung können hier die Maxwell 2D- und 3D- Algorithmen zum Einsatz kommen, wobei bei den meisten Aufgabenstellungen bereits die Genauigkeit eines 2D-Ansatzes genügt. Höchst effiziente, optimierte Algorithmen, die moderne Verfahren wie Multiprozessing unterstützen, sorgen für kürzeste Simulationszeiten.

Flexible Optimierung

Mit den für Motoranwendungen vordefinierten Erweiterungen UDO (User Defined Output) und UDD (User Defined Documents) können die Simulationsergebnisse nicht nur in vielfältiger Form dargestellt, sondern auch für weiterführende Simulationsreihen zur Optimierung wieder als Input verwendet werden. Dabei sind nicht nur einfache Sensitivitätsanalysen und Parameteroptimierungen möglich, sondern es können auch komplexe Optimierungen mit mehreren, auch voneinander abhängigen Zielen (Multi-Objective-Optimierung) durchgeführt und dargestellt werden. Bild 2 zeigt das Effizienzdiagramm („Efficiency Map“) des geschilderten DC Brushless Motors in Abhängigkeit von Drehzahl und Drehmoment. Dunkleres Rot veranschaulicht dabei den Bereich der höchsten Effizienz. Der große tiefrote Bereich zeigt die erfolgreiche Optimierung: Auch ohne vorgeschaltetes Getriebe arbeitet der Motor in einem weiten Drehzahl- und Drehmomentband sehr effizient. Bild 3 zeigt das Auswahlmenü weiterer Berichte derselben Simulation. Im Bild werden die Abhängigkeiten von Eingangsstrom, Gesamtverlusten, Kernverlusten (Core Losses) und der Leistungsfaktor wie bei der Effizienzkarte jeweils in Abhängigkeit von Drehzahl und Drehmoment dargestellt. So können einzelne Parameter gezielt optimiert bzw. die Auswirkungen von Optimierungen auf diese Parameter gezielt betrachtet werden.

Automatisierte Optimierungsschleifen

Mehrdimensionale Optimierungen können automatisiert soweit durchgeführt werden, bis eine Verbesserung eines Parameters zwangsweise zu einer Verschlechterung eines anderen Parameters führen muss. Man bezeichnet diesen Fall dann als Pareto-Optimum. Die zugeordneten Simulationen mit den entsprechenden abhängigen Parametern können dann im Diagramm als Pareto-Front dargestellt werden, was Entscheidungen über die Priorisierung von Lösungen nach einzelnen Gesichtspunkten deutlich erleichtert. Selbstverständlich können aus den speziellen Optimierungszielen abgeleitete eigene Qualitätsfunktionen („Goodness“) definiert werden. Es können auch andere bzw. weitere Analyse- und Optimierungsverfahren wie Sensitivity, SixSigma, Differentielle Evaluierung („DE“) und Response Surface („RS“) sowie Mischformen der beiden letzteren Verfahren eingesetzt werden. Mit den optimierten Parametern können die ursprünglichen Templates weiter verfeinert und auf Systemebene die Auswirkungen auf das nun optimierte Gesamtsystem einschließlich Last verfolgt werden.

(ID:44366956)