《Machines》:Multi-Objective Design Optimization of a MW Machine Using Hybrid Evolutionary Algorithm and Artificial Neural Networks
Srikanth Pillai,
Islam Zaher,
Mohamed Abdalmagid and
Ali Emadi
编辑推荐:
本文聚焦航空电动化对高功率密度电机的迫切需求,针对传统有限元仿真驱动多目标优化计算成本高昂的难题,提出一种融合人工神经网络(ANN)代理模型与遗传算法(GA)的混合优化框架,成功设计了满足NASA 2030年目标的1 MW高速径向磁通永磁同步电机(PMSM),实现效率>98%、功率密度24.87 kW kg?1的突破性性能,为高功率密度航空推进电机研发提供了高效可靠的设计范式。
随着全球“净零碳排放”战略的推进,航空业正经历从传统燃油推进向混合动力及全电动的革命性转型。这一转型的核心瓶颈在于缺乏能够替代航空发动机的高功率密度电动机——现有工业级兆瓦(MW)电机的比功率普遍低于NASA提出的2030年目标(13 kW kg?1),而传统依赖有限元(FEM)仿真的设计流程因计算资源消耗巨大,难以支撑复杂参数空间的快速迭代。为此,一项发表于《Machines》的研究提出了一套创新的电机设计方法论,将机器学习与电磁工程深度融合,成功攻克了高功率密度与高效率协同优化的难题。
为验证方法的有效性,团队采用基础电磁理论构建初始模型,结合参数化建模筛选关键几何变量,并通过分层采样生成训练数据集;利用反向传播神经网络(BPNN)建立高精度代理模型替代FEM仿真,耦合NSGA-II遗传算法实现多目标快速寻优;最终通过三维FEM验证电磁性能,并结合共轭传热(CFD)仿真与退磁风险评估确保系统可靠性。
2. MW推进电机初始设计
基于36槽6极径向磁通表面永磁(SPMSM)拓扑,选用高饱和磁密CoFe合金(VACOFLUX? 48)定子与N48UH钕铁硼(NdFeB)转子磁体,构建额定转速20000 rpm、目标功率1 MW的基准模型。瞬态仿真显示初始设计扭矩达462 N·m(目标477 N·m),但铜损占比过高,需进一步优化。
3. 多目标优化框架
将设计任务解构为建模、代理开发与优化三阶段。选取定子背铁厚度、槽高、磁体厚度等6个核心几何参数作为输入变量,以扭矩、效率、质量为目标函数,电压与电流密度(<26 A mm?2)为约束条件,搭建系统化优化路径。
4. ANN代理模型开发
通过850组FEM样本训练四隐藏层BPNN,Levenberg-Marquardt算法经89轮迭代实现均方误差(MSE)<3,回归系数(R)>0.999。1700组独立验证数据显示,代理模型预测扭矩误差<1%,所有关键参数误差均<5%,单次评估仅需毫秒级,较FEM提速万倍。
5. 混合优化算法实现
集成ANN与NSGA-II算法,以最大化扭矩/效率、最小化质量为多目标。经102代进化获得帕累托最优解集,优选方案(Design A)在20分钟内完成17251次迭代,较纯FEM方案节省约95%计算时间。优化后设计变量显著调整:磁体厚度增至7 mm,气隙优化至4.84 mm。
6. 性能评估
Design A实现扭矩518 N·m(+10%)、效率98%(+0.38pp)、相电压707 V(-3.2%),电磁质量42.36 kg下比功率达24.87 kW kg?1。损耗分析显示铜损降低19%,总损下降12%。效率图谱证实5000-20000 rpm区间效率始终>98%。
8. 热分析
针对定子设计射流冲击冷却系统,采用自动变速器油(ATF)介质,150 LPM流量下稳态CHT仿真显示定子最高温度<175℃,有效避免绕组过热,验证散热方案的可行性。
9. 退磁分析
设置极端工况循环(磁体瞬时升温至170℃并满负荷运行),对比前后空载反电动势(back EMF)波形基本一致,仅磁体边缘存在局部可逆退磁,不影响整机性能,证明磁路设计的鲁棒性。
本研究通过ANN-GA混合优化框架,成功实现了航空推进用MW级电机的性能突破,不仅验证了机器学习在复杂机电系统设计中的巨大潜力,更为未来超高性能电驱系统的研发提供了可复制的技术路线。所提冷却架构与退磁防护策略为高功率密度电机的热安全设计树立了新标杆,对推动航空电动化进程具有重要工程价值。