DE102021202567A1

DE102021202567A1 - Device and computer-aided method for simulating the properties of a component

Info

Publication number: DE102021202567A1
Application number: DE102021202567.6A
Authority: DE
Inventors: Dominik Flore
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2021-03-16
Filing date: 2021-03-16
Publication date: 2022-09-22

Abstract

Vorrichtung und computerunterstütztes Verfahren zur Simulation von Eigenschaften eines Bauteils, wobei ein erster Satz von Größen (302), die physikalische und/oder chemische Eigenschaften des Bauteils repräsentieren, durch ein erstes Modell (304) auf einen zweiten Satz von Größen (306), die physikalische und/oder chemische Eigenschaften des Bauteils repräsentieren, abgebildet wird, und zumindest ein Teil des zweiten Satzes von Größen (306) durch ein zweites Modell (308) auf einen dritten Satz von Größen (310), die Eigenschaften des Bauteils repräsentieren, abgebildet wird, wobei das erste Modell (304) ein künstliches neuronales Netzwerk mit einer Eingangsschicht für den ersten Satz von Größen (302) und einer Ausgangsschicht für den zweiten Satz von Größen (306) umfasst, wobei das zweite Modell (308) einen Eingang für zumindest einen Teil des zweiten Satzes von Größen (306) und einen Ausgang für den dritten Satz von Größen (310) aufweist, und wobei der Eingang durch wenigstens eine Abbildung auf den Ausgang abgebildet wird, durch die wenigstens ein physikalischer und/oder wenigstens ein chemischer Zusammenhang im Bauteil beschrieben ist.Device and computer-aided method for simulating properties of a component, wherein a first set of variables (302) representing the physical and/or chemical properties of the component, by a first model (304) to a second set of variables (306) which representing physical and/or chemical properties of the component, is mapped, and at least part of the second set of quantities (306) is mapped by a second model (308) to a third set of quantities (310) representing properties of the component , wherein the first model (304) comprises an artificial neural network having an input layer for the first set of quantities (302) and an output layer for the second set of quantities (306), the second model (308) having an input for at least one part of the second set of quantities (306) and an output for the third set of quantities (310), and wherein the input is represented by at least one abbi Charge is mapped onto the output, through which at least one physical and/or at least one chemical relationship in the component is described.

Description

Stand der TechnikState of the art

Die Erfindung geht von einem computerunterstützen Verfahren zur Simulation von Eigenschaften eines Bauteils aus.The invention is based on a computer-aided method for simulating properties of a component.

Offenbarung der ErfindungDisclosure of Invention

Durch die Vorrichtung und das computerunterstütze Verfahren zur Simulation von Eigenschaften eines Bauteils wird eine technische Anwendung geschaffen, die einen wesentlichen Bestandteil eines Fabrikationsprozesses von Bauteilen, insbesondere elektrischen Maschinen oder Teilen davon, signifikant verbessert und der materiellen Herstellung als Zwischenschritt vorausgeht und/oder diese sogar erst ermöglicht.The device and the computer-assisted method for simulating the properties of a component create a technical application that significantly improves an essential part of a manufacturing process for components, in particular electrical machines or parts thereof, and precedes the material production as an intermediate step and/or even first allows.

Das Verfahren sieht vor, dass ein erster Satz von Größen, die physikalische und/oder chemische Eigenschaften des Bauteils repräsentieren, durch ein erstes Modell auf einen zweiten Satz von Größen, die physikalische und/oder chemische Eigenschaften des Bauteils repräsentieren, abgebildet wird, und zumindest ein Teil des zweiten Satzes von Größen durch ein zweites Modell auf einen dritten Satz von Größen, die Eigenschaften des Bauteils repräsentieren, abgebildet wird, wobei das erste Modell ein künstliches neuronales Netzwerk mit einer Eingangsschicht für den ersten Satz von Größen und einer Ausgangsschicht für den zweiten Satz von Größen umfasst, wobei das zweite Modell einen Eingang für zumindest einen Teil des zweiten Satzes von Größen und einen Ausgang für den dritten Satz von Größen aufweist, und wobei der Eingang durch wenigstens eine Abbildung auf den Ausgang abgebildet wird, durch die wenigstens ein physikalischer und/oder wenigstens ein chemischer Zusammenhang im Bauteil beschrieben ist. Die wenigstens eine Abbildung kann eine Finite-Elemente-Berechnung oder eine Funktion oder Differentialgleichung oder eine Kombination dieser enthalten. Diese Aufteilung ermöglicht es, Zusammenhänge von nur schwer oder in einer praktikablen Zeit im Entwicklungsprozess überhaupt nicht durch physikalische oder chemische Modelle modellierbare Eigenschaften durch ein künstliches neuronales Netzwerk vorherzusagen und diese in einer Simulation mit einem physikalischen oder chemischen Modell einzusetzen.The method provides that a first set of variables representing the physical and/or chemical properties of the component is mapped by a first model to a second set of variables representing the physical and/or chemical properties of the component, and at least a portion of the second set of quantities is mapped by a second model to a third set of quantities representing properties of the component, the first model being an artificial neural network having an input layer for the first set of quantities and an output layer for the second Set of quantities, wherein the second model has an input for at least part of the second set of quantities and an output for the third set of quantities, and wherein the input is mapped to the output by at least one mapping, by which at least one physical and/or at least one chemical relationship in the component is flat. The at least one mapping may include a finite element calculation, or a function, or differential equation, or a combination thereof. This division makes it possible to use an artificial neural network to predict relationships between properties that are difficult or impossible to model at all in the development process using physical or chemical models, and to use these in a simulation with a physical or chemical model.

In einem Aspekt umfasst das künstliche neuronale Netzwerk ein mehrschichtiges Perzeptron, wobei Größen, die eine Geometrie zumindest eines Teils des Bauteils beschreiben, durch das mehrschichtige Perzeptron auf wenigstens eine Größe im zweiten Satz von Größen am Ausgang des künstlichen neuronalen Netzwerks abgebildet werden, die eine von der Geometrie abhängige physikalische oder chemische Eigenschaft des Bauteils repräsentiert. Die Geometrie beeinflusst die Eigenschaft des Bauteils signifikant. Das modellieren von Einflüssen der Geometrie mit physikalischen oder chemischen Modellen ist sehr aufwändig und dauert vergleichsweise lange. Durch das mehrschichtige Perzeptron werden die Größen, die die Geometrie beschreiben in einem demgegenüber sehr kurzen Zeitraum verarbeitet. Dadurch können verschiedenste Geometrien in kurzer Zeit modelliert werden.In one aspect, the artificial neural network comprises a multi-layer perceptron, wherein quantities that describe a geometry of at least part of the component are mapped by the multi-layer perceptron to at least one quantity in the second set of quantities at the output of the artificial neural network, which is one of represents the geometry-dependent physical or chemical property of the component. The geometry significantly influences the properties of the component. The modeling of geometry influences with physical or chemical models is very complex and takes a comparatively long time. Due to the multi-layer perceptron, the variables that describe the geometry are processed in a very short period of time. This means that a wide variety of geometries can be modeled in a short time.

In einem Aspekt werden wenigstens eine Größe aus dem ersten Satz von Größen und die Größen, die die Geometrie zumindest des Teils des Bauteils beschreiben durch das mehrschichtige Perzeptron auf die wenigstens eine Größe im zweiten Satz von Größen am Ausgang des künstlichen neuronalen Netzwerks abgebildet. Dadurch wird die wenigstens eine Größe aus dem ersten Satz mit den Größen, die die Geometrie beschreiben korreliert. Beispielsweise wird eine zweidimensionale Ansicht der Geometrie durch einen Parameter ergänzt, der eine Ausdehnung in einer dritten Dimension angibt. Beispielsweise wird die Ansicht eines Querschnitts des Teils durch eine axiale Länge des Teils ergänzt. Beispielsweise werden Merkmale, die Phasen charakterisieren in denen Spulen der elektrischen Maschine erkennbar sind, mit Größen korreliert, die deren elektrische Verschaltung beschreiben.In one aspect, at least one of the first set of quantities and the quantities describing the geometry of at least the part of the component are mapped by the multilayer perceptron to the at least one quantity in the second set of quantities at the output of the artificial neural network. As a result, the at least one variable from the first set is correlated with the variables that describe the geometry. For example, a two-dimensional view of the geometry is augmented with a parameter that specifies an extent in a third dimension. For example, the view of a cross section of the part is supplemented by an axial length of the part. For example, features that characterize phases in which coils of the electrical machine can be identified are correlated with variables that describe their electrical wiring.

Es kann vorgesehen sein, dass der erste Satz von Größen Daten eines digitalen Bildes einer Ansicht zumindest eines Teils des Bauteils umfasst, wobei das künstliche neuronale Netzwerk ein Faltungsnetzwerk umfasst, das die Daten auf die Größen abbildet, die die Geometrie zumindest des Teils des Bauteils repräsentieren.Provision can be made for the first set of variables to comprise data from a digital image of a view of at least part of the component, with the artificial neural network comprising a convolution network which maps the data to the variables which represent the geometry of at least the part of the component .

In einem Aspekt wird der dritte Satz von Größen in einer ersten Iteration bestimmt, und in einer auf die erste Iteration folgenden zweiten Iteration wenigstens eine der Größen im ersten Satz von Größen abhängig von wenigstens einer der Größen im dritten Satz von Größen aus der ersten Iteration bestimmt oder verändert. Dadurch wird eine Optimierung der jeweiligen Größen durchgeführt.In one aspect, the third set of magnitudes is determined in a first iteration, and in a second iteration following the first iteration, at least one of the magnitudes in the first set of magnitudes is determined dependent on at least one of the magnitudes in the third set of magnitudes from the first iteration or changed. As a result, the respective sizes are optimized.

Es kann vorgesehen sein, dass der erste Satz von Größen wenigstens eine der folgenden, die elektrischen Maschine charakterisierenden Größen oder einen zeitlichen Verlauf einer der folgenden, die elektrischen Maschine charakterisierenden Größen umfasst, einen Vorsteuerwinkel, insbesondere zwischen 0° und 90°, eine Nutdurchflutung, insbesondere zwischen 0A und 1500A, einen Satz von Geometrieparametern, welche Aktivteile der elektrischen Maschine in zwei Dimensionen, insbesondere senkrecht zur Rotationsachse der elektrischen Maschine beschreiben, eine Lochzahl, eine Polpaarzahl, eine Remanenz eines Magnets, eine Schrittverkürzung, einen Verschaltungstyp, insbesondere Stern- oder Dreieckschaltung, eine Anzahl von Phasen insbesondere die Phasenzahl 3, eine Windungszahl insbesondere einer Erregerspule, eine Anzahl paralleler Leiter, einen Statordurchmesser, eine axiale Maschinenlänge, einen Betriebsstrom, eine Betriebsspannung, eine Materialkonstante, insbesondere eine Materialkonstante, die einen Hystereseverlust oder Wirbelstromverlust in einem Elektroblech oder ein Gewicht eines Elektroblechs, eines Magneten oder eines Kupferbauteils kennzeichnet, eine maximale Drehzahl, eine Schrägung, eine Anzahl von Rotorpaketen, eine Taktfrequenz eines Inverters zur Ansteuerung von Erregerspulen, und dadurch dass der zweite Satz von Größen wenigstens eine der folgenden, die elektrische Maschine kennzeichnenden Größen oder einen zeitlichen Verlauf einer der folgenden, die elektrische Maschine kennzeichnenden Größe umfasst, ein Drehmoment insbesondere je Phase, mit der die elektrische Maschine erregt wird, für n Sektionen 1, ..., n eines Querschnitts eines Rotors je Sektion einen magnetischen Fluss und/oder einen Hystereseverlust und/oder einen Wirbelstromverlust in der Sektion, für n Sektionen 1, ..., n eines Querschnitts eines Stators je Sektion einen Hystereseverlust und/oder einen Wirbelstromverlust, eine Radialkraft und/oder ein Radialmoment und/oder eine Tangentialkraft und/oder ein Tangentialmoment und/oder eine Axialkraft und/oder eine Axialmoment an einem Zahnkopf eines Stators, für n Sektionen 1, ..., n je eine Fläche der Sektion in Aufsicht auf einen Querschnitt eines Rotors, für n Sektionen 1, ..., n je eine Fläche der Sektion in Aufsicht auf einen Querschnitt eines Stators, eine kritische Entmagnetisierungsfeldstärke. Damit werden wesentlichen Größen für die Entwicklung von elektrischen Maschinen simuliert.Provision can be made for the first set of variables to include at least one of the following variables characterizing the electrical machine or a time profile of one of the following variables characterizing the electrical machine: a pilot control angle, in particular between 0° and 90°, a slot flux, in particular between 0A and 1500A, a set of geometry parameters which describe active parts of the electrical machine in two dimensions, in particular perpendicular to the axis of rotation of the electrical machine, a number of holes, a pair of poles number, a remanence of a magnet, a step reduction, a connection type, in particular star or delta connection, a number of phases, in particular the number of phases 3, a number of turns, in particular an excitation coil, a number of parallel conductors, a stator diameter, an axial machine length, an operating current, a Operating voltage, a material constant, in particular a material constant that characterizes a hysteresis loss or eddy current loss in an electrical steel sheet or a weight of an electrical steel sheet, a magnet or a copper component, a maximum speed, a skew, a number of rotor packets, a clock frequency of an inverter for driving excitation coils , And characterized in that the second set of sizes includes at least one of the following, the electric machine characteristic sizes or a time profile of the following, the electric machine characteristic size, a torque in particular per phase with which the electrical machine is excited, for n sections 1, ..., n of a cross section of a rotor per section a magnetic flux and/or a hysteresis loss and/or an eddy current loss in the section, for n sections 1, ..., n one Cross section of a stator per section a hysteresis loss and/or an eddy current loss, a radial force and/or a radial moment and/or a tangential force and/or a tangential moment and/or an axial force and/or an axial moment on a tooth tip of a stator, for n sections 1 , . This is used to simulate essential parameters for the development of electrical machines.

Vorzugsweise werden mit den Größen aus dem zweiten Satz von Größen Eigenschaften von verschiedenen Elementen des Bauteils vorhergesagt, wobei verschiedene Größen im zweiten Satz von Größen bestimmt werden, die dieselbe physikalische oder chemische Eigenschaft von im Wesentlichen baugleichen Elementen des Bauteils repräsentieren. Dies ist beispielsweise vorteilhaft für einen Rotor mit einer Mehrzahl baugleicher Bauteile.The variables from the second set of variables are preferably used to predict properties of different elements of the component, different variables being determined in the second set of variables that represent the same physical or chemical property of elements of the component that are essentially structurally identical. This is advantageous, for example, for a rotor with a plurality of structurally identical components.

Für ein Training wird eine Vielzahl von Trainingsdatenpunkten vorgegeben, die jeweils einen ersten Satz von Größen und einen dem ersten Satz zugeordneten Satz von Referenzgrößen umfassen, wobei das künstliche neuronale Netzwerk Parameter umfasst, die mit der Vielzahl von Trainingsdatenpunkten derart gelernt werden, dass ein Abstand zwischen dem dritten Satz von Größen und dem Satz von Referenzgrößen möglichst klein ist.A large number of training data points are specified for training, each of which comprises a first set of variables and a set of reference variables assigned to the first set, the artificial neural network comprising parameters which are learned with the large number of training data points in such a way that a distance between the third set of quantities and the set of reference quantities is as small as possible.

In einem Aspekt wird insbesondere durch einen Optimierer zumindest ein Teil der Größen aus dem ersten Satz von Größen und/oder wenigstens eine Eingangsgröße für wenigstens eine Abbildung des zweiten Modells vorgegeben.In one aspect, at least part of the variables from the first set of variables and/or at least one input variable for at least one mapping of the second model is specified by an optimizer.

Zur Simulation, insbesondere in Vorbereitung einer Herstellung des Bauteils kann vorgesehen sein, dass zumindest ein Teil der Größen aus dem ersten Satz von Größen und/oder die wenigstens eine Eingangsgröße in Iterationen vorgegeben werden, bis ein Optimierungsziel erreicht ist, das abhängig vom dritten Satz von Größen definiert ist, wobei abhängig von wenigstens einem Teil der Größen aus dem ersten Satz von Größen und/oder wenigstens einem Teil der Größen aus dem zweiten Satz von Größen und/oder der wenigstens einen Eingangsgröße wenigstens ein Design-Parameter für die elektrische Maschine bestimmt wird.For simulation purposes, in particular in preparation for manufacturing the component, it can be provided that at least some of the variables from the first set of variables and/or the at least one input variable are specified in iterations until an optimization goal is reached that depends on the third set of Sizes is defined, at least one design parameter for the electric machine being determined as a function of at least some of the sizes from the first set of sizes and/or at least some of the sizes from the second set of sizes and/or the at least one input size .

Eine Vorrichtung zur Simulation von Eigenschaften eines Bauteils umfasst eine Benutzerschnittstelle, wenigstens einen Prozessor und wenigstens einen Speicher, wobei die Vorrichtung ausgebildet ist, das Verfahren auszuführen.A device for simulating properties of a component includes a user interface, at least one processor and at least one memory, the device being designed to carry out the method.

Ein Computerprogramm, das computerlesbare Instruktionen umfasst, bei deren Ausführung durch einen Computer das Verfahren abläuft, ist ebenfalls vorgesehen.A computer program comprising computer-readable instructions, which when executed by a computer runs the method, is also provided.

Weitere vorteilhafte Ausführungsformen ergeben sich aus der folgenden Beschreibung und der Zeichnung. In der Zeichnung zeigt:

1 eine Ansicht einer Geometrie eines Teils für eine elektrische Maschine in einer ersten Ausführung,
2 eine Ansicht einer Geometrie des Teils in einer zweiten Ausführung,
3 eine Vorrichtung zur Simulation von Eigenschaften eines Bauteils,
4 ein Verfahren zum Trainieren eines Modells für die Simulation,
5 ein computerunterstütztes Verfahren zur Simulation von Eigenschaften des Bauteils mit dem Modell.

Further advantageous embodiments result from the following description and the drawing. In the drawing shows:

1 a view of a geometry of a part for an electrical machine in a first embodiment,
2 a view of a geometry of the part in a second embodiment,
3 a device for simulating properties of a component,
4 a method for training a model for the simulation,
5 a computer-aided method for simulating the properties of the component with the model.

Im Folgenden wird eine Simulation für wenigstens einen Teil einer elektrischen Maschine, insbesondere einer permanent erregten elektrischen Synchronmaschine beschrieben. Die Simulation kann für andere Teile entsprechend ausgeführt sein.A simulation for at least part of an electrical machine, in particular a permanently excited electrical synchronous machine, is described below. The simulation can be carried out correspondingly for other parts.

In 1 ist eine Ansicht 100 einer Geometrie eines Teils für die elektrische Maschine in einer ersten Ausführung schematisch dargestellt. Die Ansicht in 1 stellt eine Topologie eines ersten V-Rotors für einen elektrischen Motor oder Generator dar.In 1 a view 100 of a geometry of a part for the electric machine in a first embodiment is shown schematically. The view in 1 represents a topology of a first V-rotor for an electric motor or generator.

In 2 ist eine Ansicht 200 einer Geometrie des Teils in einer zweiten Ausführung schematisch dargestellt. Die Ansicht in 2 stellt eine Topologie eines zweiten V-Rotors für einen elektrischen Motor oder Generator dar.In 2 A view 200 of a geometry of the part in a second embodiment is shown schematically. The view in 2 Figure 12 illustrates a second V-rotor topology for an electric motor or generator.

Die Geometrie der beiden Teile unterscheidet sich im Beispiel unter anderem hinsichtlich eines jeweiligen mechanischen bzw. elektrischen Öffnungswinkels 102, einer jeweiligen Polbedeckung 104 und eines jeweiligen Spannungswinkels 106. Der Spannungswinkel 106 ist gegenüber einer Horizontalen und zu einer Mittelachse eines Magneten 108 des V-Rotors gemessen. Dieser Spannungswinkel ist ein wichtiger Parameter, um elektromagnetische Eigenschaften von permanenterregten Synchronmaschinen gezielt einzustellen. Weitere Unterschiede sind in der Aufsicht in den Dimensionen von Elementen des jeweiligen Rotors 110 und des jeweiligen Stators 112 dargestellt. Im Beispiel sind je sechs Zahnköpfe und Schenkel dargestellt, die jeweilige Erregerspulen 114 tragen.The geometry of the two parts differs in the example, among other things, with regard to a respective mechanical or electrical opening angle 102, a respective pole covering 104 and a respective voltage angle 106. The voltage angle 106 is measured relative to a horizontal and to a central axis of a magnet 108 of the V-rotor . This voltage angle is an important parameter for setting the electromagnetic properties of permanently excited synchronous machines in a targeted manner. Other differences are shown in plan view in the dimensions of elements of each rotor 110 and each stator 112 . In the example, six tooth heads and six legs are shown, each carrying excitation coils 114 .

Weitere Parameter, durch die sich die permanenterregten Synchronmaschinen voneinander unterscheiden können umfassen:

Vorsteuerwinkel, z.B. zwischen 0° und 90°,
Nutdurchflutung, z.B. zwischen 0A und 1500A,
Geometrieparameter, z.B. Dimensionierung von Teilen,
Lochzahl,
Polpaarzahl,
Remanenz der Magnete,
Schrittverkürzung,
Verschaltungstyp, z.B. Stern- oder Dreieckschaltung,
Anzahl von Phasen,
Windungszahl,
Anzahl paralleler Leiter,
Statordurchmesser,
Maschinenlänge,
Betriebsstrom,
Betriebsspannung,
Materialkonstanten, die z.B. Hystereseverluste und Wirbelstromverluste im Elektroblech kennzeichnen,
Materialkonstanten, die z.B. Kosten/kg für das Elektroblech, die Magneten, Kuper kennzeichnen,
maximale Drehzahl,
Schrägung,
Anzahl von Rotorpaketen, d.h. Rotorstacks,
Taktfrequenz eines Inverters zur Ansteuerung der Erregerspulen 114.

Other parameters by which the permanently excited synchronous machines can differ from one another include:

Pilot angle, e.g. between 0° and 90°,
slot flux, e.g. between 0A and 1500A,
Geometry parameters, e.g. dimensioning of parts,
number of holes
number of pole pairs,
remanence of the magnets,
step shortening,
Connection type, e.g. star or delta connection,
number of phases,
number of turns,
number of parallel conductors,
stator diameter,
machine length,
operating current,
operating voltage,
Material constants, which characterize e.g. hysteresis losses and eddy current losses in the electrical sheet,
Material constants, which characterize e.g. costs/kg for the electrical steel, the magnets, copper,
maximum speed,
bevel,
number of rotor packages, i.e. rotor stacks,
Clock frequency of an inverter for controlling the excitation coils 114.

Diese Parameter können Eingangsgrößen für ein Design von permanenterregten Synchronmaschinen darstellen. Eine Vorrichtung und ein Verfahren zum Design wird im Folgenden beschrieben.These parameters can represent input variables for a design of permanently excited synchronous machines. An apparatus and method for design is described below.

In 3 ist eine Vorrichtung 300 zur Simulation von Eigenschaften eines Bauteils dargestellt. Mit der Vorrichtung 300 ist es im Beispiel möglich, in einem Entwicklungsprozess verschiedene Eigenschaften unterschiedlicher Teile für die elektrische Maschine computerunterstützt zu simulieren.In 3 a device 300 for simulating properties of a component is shown. With the device 300 it is possible in the example to simulate different properties of different parts for the electrical machine in a development process with the aid of a computer.

Die Vorrichtung 300 ist dazu konfiguriert, einen ersten Satz von Größen 302, die physikalische und/oder chemische Eigenschaften des Bauteils repräsentieren, durch ein erstes Modell 304 auf einen zweiten Satz von Größen 306 abzubilden, die physikalische und/oder chemische Eigenschaften des Bauteils repräsentieren.The device 300 is configured to map a first set of quantities 302 representing physical and/or chemical properties of the component by a first model 304 to a second set of quantities 306 representing physical and/or chemical properties of the component.

Der erste Satz von Größen 302 kann im Beispiel eine Auswahl oder alle der Eingangsgrößen für das Design umfassen. Der erste Satz von Größen 302 kann auch mehr oder andere Größen umfassen.The first set of quantities 302 may include a selection or all of the input quantities to the design, in the example. The first set of sizes 302 can also include more or different sizes.

Die Vorrichtung 300 ist dazu konfiguriert, zumindest einen Teil des zweiten Satzes von Größen 306 durch ein zweites Modell 308 auf einen dritten Satz von Größen 310 abzubilden, die Eigenschaften des Bauteils repräsentieren.The device 300 is configured to map at least a portion of the second set of quantities 306 through a second model 308 to a third set of quantities 310 representing properties of the component.

Das erste Modell 304 umfasst im Beispiel ein künstliches neuronales Netzwerk mit einer Eingangsschicht für den ersten Satz von Größen 302 und einer Ausgangsschicht für den zweiten Satz von Größen 304.In the example, the first model 304 comprises an artificial neural network with an input layer for the first set of variables 302 and an output layer for the second set of variables 304.

Das künstliche neuronale Netzwerk umfasst in einem Aspekt ein mehrschichtiges Perzeptron, wobei Größen, die eine Geometrie zumindest eines Teils des Bauteils beschreiben, durch das mehrschichtige Perzeptron auf wenigstens eine Größe im zweiten Satz von Größen am Ausgang des künstlichen neuronalen Netzwerks abgebildet werden, die eine von der Geometrie abhängige physikalische oder chemische Eigenschaft des Bauteils repräsentiert. In einem Aspekt ist das künstliche neuronale Netzwerk dazu ausgebildet, wenigstens eine Größe aus dem ersten Satz von Größen und die Größen, die die Geometrie zumindest des Teils des Bauteils beschreiben durch das mehrschichtige Perzeptron auf die wenigstens eine Größe im zweiten Satz von Größen am Ausgang des künstlichen neuronalen Netzwerks abzubilden.In one aspect, the artificial neural network comprises a multi-layer perceptron, wherein variables that describe a geometry of at least part of the component are mapped by the multi-layer perceptron to at least one variable in the second set of variables at the output of the artificial neural network, which is one of represents the geometry-dependent physical or chemical property of the component. In one aspect, the artificial neural network is designed to convert at least one variable from the first set of variables and the variables that describe the geometry of at least part of the component by the multilayer perceptron to the at least one variable in the second set of variables at the output of the to map an artificial neural network.

Das künstliche neuronale Netzwerk umfasst in einem Aspekt ein Faltungsnetzwerk, das ausgebildet ist, Daten eines digitalen Bildes einer Ansicht zumindest eines Teils des Bauteils auf die Größen abzubilden, die die Geometrie zumindest des Teils des Bauteils repräsentieren. Beispielsweise ist das Faltungsnetzwerk derart dimensioniert, dass es die Daten von Bildern der ersten Ansicht oder der zweiten Ansicht an seinem Eingang auf diese Größen abbildet. Die Daten umfassen beispielsweise je Pixel Werte für Rot-, Grün- und BlauAnteil.In one aspect, the artificial neural network comprises a convolution network, which is designed to map data of a digital image of a view of at least a part of the component onto the variables which represent the geometry of at least the part of the component. For example, the convolution network is dimensioned in such a way that it maps the data from images of the first view or the second view to these sizes at its input. The data include, for example, values for the red, green and blue components for each pixel.

Das zweite Modell 308 weist einen Eingang für zumindest einen Teil des zweiten Satzes von Größen 306 und einen Ausgang für den dritten Satz von Größen 310 auf, wobei der Eingang durch wenigstens eine Abbildung, durch die wenigstens ein physikalischer und/oder wenigstens ein chemischer Zusammenhang im Bauteil beschrieben ist, auf den Ausgang abgebildet wird. Das zweite Modell 308 kann ein Modell für eine Finite-Elemente-Berechnung umfassen. Das zweite Modell 308 kann eine Funktion oder Differentialgleichung umfassen. Das zweite Modell 308 kann eine Kombination dieser enthalten.The second model 308 has an input for at least part of the second set of variables 306 and an output for the third set of variables 310, the input being represented by at least one mapping, by which at least one physical and/or at least one chemical relationship in Component is described, is mapped to the output. The second model 308 may include a finite element analysis model. The second model 308 may include a function or differential equation. The second model 308 may include a combination of these.

Das erste Modell 304 und das zweite Modell 308 bilden ein hybrides Modell. Der erste Satz von Größen 302 stellt im Beispiel folgende Design-Parameter dar.The first model 304 and the second model 308 form a hybrid model. The first set of sizes 302 represents the following design parameters in the example.

Eine Größe aus dem ersten Satz von Größen 302 beschreibt beispielsweise: einen geometrischen Parameter der elektrischen Maschine, insbesondere der Topologie des ersten oder zweiten V-Rotors,
Daten eines digitalen Bildes einer Ansicht einer durch diesen Parameter beschreibbaren Geometrie der elektrischen Maschine, insbesondere der ersten oder zweiten Ansicht,
eine Materialkonstante eines Teils der elektrischen Maschine,
einen Spannungswinkel der elektrischen Maschine,
eine Anzahl an Windungen je Spule eines Motors oder Generators der elektrischen Maschine,
eine Anzahl zueinander paralleler Spulen eines Motors oder Generators der elektrischen Maschine,
eine Anzahl Phasen oder einen Typ eines elektrischen Anschlusses der elektrischen Maschine,
einen Strom im Betrieb der elektrischen Maschine,
eine Spannung im Betrieb der elektrischen Maschine,
eine magnetische Remanenz im Betrieb der elektrischen Maschine.A variable from the first set of variables 302 describes, for example: a geometric parameter of the electrical machine, in particular the topology of the first or second V-rotor,
Data of a digital image of a view of a geometry of the electrical machine that can be described by this parameter, in particular the first or second view,
a material constant of a part of the electrical machine,
a voltage angle of the electrical machine,
a number of turns per coil of a motor or generator of the electrical machine,
a number of mutually parallel coils of a motor or generator of the electrical machine,
a number of phases or a type of electrical connection of the electrical machine,
a current during operation of the electrical machine,
a voltage during operation of the electrical machine,
a magnetic remanence in the operation of the electrical machine.

Stattdessen, zusätzlich oder im Austausch einzelner dieser Größen, kann der erste Satz von Größen 302 auch andere Parameter umfassen, insbesondere eine Auswahl oder alle der oben beschriebenen Parameter, durch die sich die permanenterregten Synchronmaschinen sich voneinander unterscheiden können.Instead, in addition to or in exchange for some of these variables, the first set of variables 302 can also include other parameters, in particular a selection or all of the parameters described above, by which the permanently excited synchronous machines can differ from one another.

Der zweite Satz von Größen 306 umfasst im Beispiel wenigstens eine Größe, die einen magnetischen Fluss oder einen magnetischen Verlust oder ein Drehmoment der elektrischen Maschine oder eine Kraft, die an einem Teil der elektrischen Maschine auftritt, beschreibt.In the example, the second set of variables 306 includes at least one variable that describes a magnetic flux or a magnetic loss or a torque of the electrical machine or a force that occurs at a part of the electrical machine.

Im Beispiel wird für eine Geometrie mit dem ersten Modell 304 abhängig von dem ersten Satz von Eingangsgrößen folgendes vorhergesagt:

ein Drehmomentverlauf über der Zeit t, z.B. 15 Zeitschritte des Drehmomentverlaufs,
je Phase, mit der die elektrische Maschine erregt wird, ein Verlauf eines magnetischen Flusses über der Zeit t, z.B. 15 Zeitschritte des Verlaufs,
für n Sektionen 1, ..., n eines Querschnitts des V-Rotors 110, je Sektion, ein Hystereseverlust in der Sektion, ein Wirbelstromverlust in der Sektion,
für n Sektionen 1, ..., n eines Querschnitts des Stators 112, je Sektion, ein Hystereseverlust in der Sektion, ein Wirbelstromverlust in der Sektion,
ein Verlauf über der Zeit t von Radialkraft und -moment an den im Beispiel 48 Zahnköpfen des Stators 112, z.B. für 15 Zeitschritte,
ein Verlauf über der Zeit t von Tangentialkraft und -moment an den im Beispiel 48 Zahnköpfen des Stators 112, z.B. für 15 Zeitschritte,
ein Verlauf über der Zeit t von Axialkraft und -moment an den im Beispiel 48 Zahnköpfen des Stators 112, z.B. für 15 Zeitschritte,
für n Sektionen 1, ..., n je eine Fläche der Sektion in Aufsicht auf den Querschnitt des Rotors 110,
für n Sektionen 1, ..., n je eine Fläche der Sektion in Aufsicht auf den Querschnitt des Stators 112,
eine kritische Entmagnetisierungsfeldstärke Hcrit.

In the example, the following is predicted for a geometry with the first model 304 depending on the first set of input variables:

a torque curve over time t, e.g. 15 time steps of the torque curve,
per phase with which the electrical machine is excited, a course of a magnetic flux over time t, e.g. 15 time steps of the course,
for n sections 1, ..., n of a cross section of the V-rotor 110, per section, a hysteresis loss in the section, an eddy current loss in the section,
for n sections 1,...,n of a cross section of the stator 112, per section, a hysteresis loss in the section, an eddy current loss in the section,
a curve over time t of the radial force and moment at the tooth tips of the stator 112, 48 in the example, for 15 time steps, for example,
a progression over time t of the tangential force and moment at the tooth tips of the stator 112, which are 48 in the example, for 15 time steps, for example,
a course over time t of the axial force and moment at the tooth tips of the stator 112, 48 in the example, for 15 time steps, for example,
for n sections 1, ..., n each a surface of the section in plan view of the cross section of the rotor 110,
for n sections 1, ..., n each a surface of the section in plan view of the cross section of the stator 112,
a critical demagnetization field strength Hcrit.

Das erste Modell 304 kann auch ausgebildet sein, statt Verläufen skalare Werte eines Zeitschritts zu bestimmen.The first model 304 can also be designed to determine scalar values of a time step instead of profiles.

Der dritte Satz von Größen 310 umfasst im Beispiel von einem Nutzer vorgebbare Schlüsselindikatoren, die eine Leistung und/oder ein Drehmoment der elektrischen Maschine oder deren Verlauf über der Zeit darstellen. Es können auch Indikatoren bestimmt werden, die z.B. Fertigungs-Kosten betreffen.In the example, the third set of variables 310 includes key indicators that can be specified by a user and that represent a power output and/or a torque of the electrical machine or their progression over time. It can also be indicators are determined, which relate to manufacturing costs, for example.

Statt einer Größe, die die elektrische Maschine beschreibt kann auch ein zeitlicher Verlauf dieser Größe verwendet werden.Instead of a variable that describes the electrical machine, a time profile of this variable can also be used.

Der dritte Satz von Größen 310 umfasst beispielsweise Indikatoren für Kosten für die elektrische Maschine. Beispielweise ist das zweite Modell 304 ausgebildet, durch Multiplikation der prognostizierten Flächen der Sektionen mit einer Länge der elektrischen Maschine und den Parametern für die Materialkonstanten, die z.B. Kosten/kg für das Elektroblech, die Magneten, Kuper kennzeichnen, einen Indikator für durch das verwendete Material entstehende Kosten der elektrischen Maschine zu bestimmen.The third set of quantities 310 includes, for example, indicators of costs for the electric machine. For example, the second model 304 is formed by multiplying the predicted areas of the sections by a length of the electrical machine and the parameters for the material constants, e.g. cost/kg for the electrical steel, the magnets, copper, an indicator of the material used to determine the costs incurred for the electrical machine.

Der dritte Satz von Größen 310 umfasst beispielsweise eine Drehmomentwelligkeit (torque ripple). Das zweite Modell 308 ist in diesem Beispiel ausgebildet, die Drehmomentwelligkeit abhängig von den Drehmomenten aus dem zweiten Satz von Größen 306 zu bestimmen. Das zweite Modell 308 kann ausgebildet sein, diese insbesondere unterteilt nach verschiedenen Maschinenordnungen zu bestimmen.The third set of quantities 310 includes, for example, torque ripple. In this example, the second model 308 is designed to determine the torque ripple as a function of the torques from the second set of variables 306 . The second model 308 can be designed to determine these, in particular subdivided according to different machine orders.

Das zweite Modell 308 kann ausgebildet sein, eine Fourier-Zerlegung eines prognostizierten Drehmomentverlaufs aus dem zweiten Satz von Größen 306 zu bestimmen. Das zweite Modell 308 kann ausgebildet sein, die Fourier-Zerlegung auf einen relevanten Betriebspunkt der elektrischen Maschine zu skalieren. Der dritte Satz von Größen 310 umfasst in diesem Beispiel die Fourier-Zerlegung, insbesondere die auf den relevanten Betriebspunkt skalierte Fourier-Zerlegung.Second model 308 can be designed to determine a Fourier decomposition of a predicted torque curve from second set of variables 306 . The second model 308 can be designed to scale the Fourier decomposition to a relevant operating point of the electrical machine. In this example, the third set of variables 310 includes the Fourier decomposition, in particular the Fourier decomposition scaled to the relevant operating point.

Das zweite Modell 308 kann ausgebildet sein, ein Wirkungsgradkennfeld zu bestimmen. Der dritte Satz von Größen 310 umfasst in diesem Beispiel das Wirkungsgradkennfeld. Das zweite Modell 308 kann ausgebildet sein, ein Drehmomentkennfeld zu bestimmen. Der dritte Satz von Größen 310 umfasst in diesem Beispiel das Drehmomentkennfeld.The second model 308 can be designed to determine an efficiency map. In this example, the third set of variables 310 includes the efficiency map. Second model 308 may be configured to determine a torque map. The third set of variables 310 includes the torque map in this example.

Das zweite Modell 308 kann ausgebildet sein, eine zulässige Magnettemperatur zu bestimmen. Das zweite Modell 308 kann ausgebildet sein, die zulässige Magnettemperatur über eine kritische Entmagnetisierungsfeldstärke eines jeweiligen Designs sowie einer Werkstoffkennlinie zur Entmagnetisierungsfestigkeit über der Temperatur eines Magneten zu bestimmen.The second model 308 can be configured to determine an allowable magnet temperature. The second model 308 can be designed to determine the permissible magnet temperature via a critical demagnetization field strength of a respective design and a material characteristic for the demagnetization resistance over the temperature of a magnet.

Das zweite Modell 308 kann ausgebildet sein, eine zulässige Kupfertemperatur zu bestimmen.The second model 308 may be configured to determine an allowable copper temperature.

Das zweite Modell 308 kann ausgebildet sein, eine Dauerleistung zu bestimmen. Der dritte Satz von Größen 310 umfasst in diesem Beispiel die Dauerleistung. Das zweite Modell 308 kann ausgebildet sein, Inverterverluste zu bestimmen. Der dritte Satz von Größen 310 umfasst in diesem Beispiel die Inverterverluste.The second model 308 can be designed to determine a continuous power. The third set of quantities 310 includes continuous power in this example. The second model 308 can be configured to determine inverter losses. The third set of quantities 310 includes the inverter losses in this example.

Die Vorrichtung 300 ist beispielsweise ausgebildet, in Iterationen an verschiedenen Iterationspunkten verschiedene Ergebnisse für jede zu bewertende Geometrie zu bestimmen. Ein Iterationspunkt ist beispielsweise durch einen Strom- und Vorsteuerwinkel definiert. Die Vorrichtung 300 ist beispielsweise ausgebildet, Iterationspunkte aus einem vorgegebenen Arbeitsbereich der elektrischen Maschine vorzugeben, der durch erlaubte oder gewünschte Strom- und Vorsteuerwinkel definiert ist.The device 300 is designed, for example, to determine different results for each geometry to be evaluated in iterations at different iteration points. An iteration point is defined, for example, by a current and pre-control angle. Device 300 is designed, for example, to specify iteration points from a predefined working range of the electric machine, which is defined by permitted or desired current and pilot control angles.

Die Vorrichtung 300 umfasst im Beispiel zudem wenigstens einen Prozessor 312 und einen Optimierer 314.In the example, device 300 also includes at least one processor 312 and one optimizer 314.

Der Optimierer 314 ist ausgebildet, die Größen aus dem ersten Satz von Größen 302 und/oder wenigstens eine Eingangsgröße 318 für das zweite Modell 308 vorzugeben.The optimizer 314 is designed to specify the variables from the first set of variables 302 and/or at least one input variable 318 for the second model 308.

Die wenigstens eine Eingangsgröße 318 kann abhängig vom verwendeten zweiten Modell 308 definiert sein. Beispielsweise wird eine der folgenden Eingangsgrößen 318 vom Optimierer 314 vorgegeben: Maschinenlänge, Schrägung der Rotorpakete zueinander, Materialkennwerte zu Hysterese oder Wirbelstromverlusten.The at least one input variable 318 can be defined as a function of the second model 308 used. For example, one of the following input variables 318 is specified by the optimizer 314: machine length, skew of the rotor stacks relative to one another, material characteristics for hysteresis or eddy current losses.

Wenn das zweite Modell 308 ausgebildet ist, die Drehmomentwelligkeit abhängig von den Drehmomenten aus dem zweiten Satz von Größen 306 zu bestimmen, umfasst die wenigstens eine Eingangsgröße 318 beispielsweise den relevanten Betriebspunkt der elektrischen Maschine.If the second model 308 is designed to determine the torque ripple as a function of the torques from the second set of variables 306, the at least one input variable 318 includes, for example, the relevant operating point of the electrical machine.

Wenn das zweite Modell 308 ausgebildet ist, das Wirkungsgradkennfeld zu bestimmen, umfasst die wenigstens eine Eingangsgröße 318 beispielsweise den Materialkennwerte für die Hysterese und Wirbelstromverluste, mit denen die prognostizierten Verluste des ersten Modells 304 skaliert werden.If the second model 308 is designed to determine the efficiency map, the at least one input variable 318 includes, for example, the material parameters for the hysteresis and eddy current losses, with which the predicted losses of the first model 304 are scaled.

Wenn das zweite Modell 308 ausgebildet ist, das Drehmomentkennfeld zu bestimmen, umfasst die wenigstens eine Eingangsgröße 318 beispielsweise Materialkennwerte für die Hysterese und Wirbelstromverluste, mit denen die prognostizierten Verluste des ersten Modells 304 skaliert werden.If the second model 308 is designed to determine the torque characteristics map, the at least one input variable 318 includes, for example, material characteristics for the hysteresis and eddy current losses, with which the predicted losses of the first model 304 are scaled.

Wenn das zweite Modell 308 ausgebildet ist, das die zulässige Magnettemperatur zu bestimmen, umfasst die wenigstens eine Eingangsgröße 318 beispielsweise eine Werkstoffkennlinie zur Entmagnetisierungsfestigkeit über der Temperatur des Magneten.If the second model 308 is designed to determine the permissible magnet temperature, the at least one input variable 318 includes, for example, a material characteristic for the demagnetization strength over the temperature of the magnet.

Wenn das zweite Modell 308 ausgebildet ist, die zulässige Kupfertemperatur zu bestimmen, umfasst die wenigstens eine Eingangsgröße 318 beispielsweise eine Werkstoffkennlinie und/oder ein Alterungsmodell zur Beschreibung der Haltbarkeit Kupferbeschichtung in Abhängigkeit der Temperatur und der Auslagerungszeit.If the second model 308 is designed to determine the permissible copper temperature, the at least one input variable 318 includes, for example, a material characteristic and/or an aging model for describing the durability of the copper coating as a function of the temperature and the aging time.

Wenn das zweite Modell 308 ausgebildet ist, die Dauerleistung zu bestimmen, umfasst die wenigstens eine Eingangsgröße 318 beispielsweise Bereiche für die Betriebsspannung und/oder den Betriebsstrom und Materialkennwerte für unter anderem die thermische Leitfähigkeit und die thermische Kapazität.If the second model 308 is designed to determine the continuous power, the at least one input variable 318 includes, for example, ranges for the operating voltage and/or the operating current and material characteristics for, among other things, the thermal conductivity and the thermal capacitance.

Wenn das zweite Modell 308 ausgebildet ist, die Inverterverluste zu bestimmen umfasst die wenigstens eine Eingangsgröße 318 beispielsweise die Taktfrequenz des Inverters und/oder die Phasenverschiebung zwischen Strom und Spannung.If the second model 308 is designed to determine the inverter losses, the at least one input variable 318 includes, for example, the clock frequency of the inverter and/or the phase shift between current and voltage.

Der Optimierer 314 umfasst im Beispiel eine Benutzerschnittstelle, mit der ein Nutzer die Optimierung durch den Optimierer beeinflussen und ein Ergebnis der Optimierung abrufen kann. Die Vorrichtung 300 umfasst im Beispiel zudem wenigstens einen Speicher 316. Der Speicher 316 ist ausgebildet, das Ergebnis der Optimierung zu speichern, insbesondere als CAD Datei, d.h. als Datei, die mit einem System für computer aided design dazu weiterverwendet werden kann, das Teil der elektrischen Maschine herzustellen. In der CAD Datei sind im Beispiel die dafür nötigen Design-Parameter aus dem Ergebnis der Optimierung enthalten.In the example, the optimizer 314 includes a user interface with which a user can influence the optimization by the optimizer and retrieve a result of the optimization. In the example, the device 300 also includes at least one memory 316. The memory 316 is designed to store the result of the optimization, in particular as a CAD file, i.e. as a file that can be further used with a system for computer-aided design, the part of the to produce an electric machine. In the example, the CAD file contains the necessary design parameters from the result of the optimization.

Es kann vorgesehen sein, weitere Design-Parameter abhängig von den beschriebenen Größen insbesondere im zweiten Modell 308 zu bestimmen. Sofern der Optimierer 314 selbst Design-Parameter als erste Größen 302 oder die wenigstens eine Eingangsgröße 318 vorgibt, kann vorgesehen sein, dass diejenigen dieser Größen, die zum optimalen Ergebnis führten, ebenfalls als Design-Parameter gespeichert werden. Die zu bestimmenden Design-Parameter können über die Benutzerschnittstelle vorgebbar sein.Provision can be made for determining further design parameters depending on the variables described, in particular in the second model 308 . If the optimizer 314 itself specifies design parameters as the first variables 302 or the at least one input variable 318, it can be provided that those of these variables that led to the optimal result are also stored as design parameters. The design parameters to be determined can be specified via the user interface.

Der wenigstens eine Prozessor 312 ist im Beispiel dazu ausgebildet, die Benutzerschnittstelle dazu anzusteuern, dem Nutzer Größen und/oder Design-Parameter zur Auswahl anzubieten. Der wenigstens eine Prozessor 312 ist im Beispiel dazu ausgebildet, die Benutzerschnittstelle dazu anzusteuern, dem Nutzer die Größen aus dem dritten Satz von Größen 310 und/oder die Design-Parameter, die zu diesen Größen führten, anzuzeigen. Der wenigstens eine Prozessor 312 ist im Beispiel zudem dazu ausgebildet, die Benutzerschnittstelle dazu anzusteuern, dem Nutzer eine Auswahl der Größen aus dem dritten Satz von Größen 310 zu ermöglichen, die vom zweiten Modell 308 bestimmt werden oder die angezeigt werden. Die Größen aus dem zweiten Satz von Größen 306 sind im Beispiel unveränderlich. Es kann auch vorgesehen sein, dass der wenigstens eine Prozessor 312 dazu ausgebildet ist, die Benutzerschnittstelle dazu anzusteuern, eine Auswahl der vom ersten Modell 304 bestimmten und/oder an das zweite Modell 308 übergebenen Größen aus den zweiten Größen 306 auszuwählen. Der wenigstens eine Prozessor 312 ist im Beispiel zudem dazu ausgebildet, die Benutzerschnittstelle dazu anzusteuern, dem Nutzer eine Auswahl von Grenzen für die Optimierung durch den Optimierer 314 anzubieten und dem Optimierer 314 für die Optimierung vorzugeben. Die Grenzen können für Größen aus dem ersten Satz von Größen 302 oder für die wenigstens eine Eingangsgröße 318 definiert sein. Der Optimierer 314 ist ausgebildet, das Ergebnis der Optimierung für diese Größen innerhalb dieser Grenzen zu bestimmen.The at least one processor 312 is designed in the example to control the user interface to offer the user sizes and/or design parameters for selection. In the example, the at least one processor 312 is configured to control the user interface to display the variables from the third set of variables 310 and/or the design parameters that led to these variables to the user. In the example, the at least one processor 312 is also configured to control the user interface to enable the user to select the sizes from the third set of sizes 310 that are determined by the second model 308 or that are displayed. The sizes from the second set of sizes 306 are fixed in the example. It can also be provided that the at least one processor 312 is designed to control the user interface to select a selection of the variables determined by the first model 304 and/or transferred to the second model 308 from the second variables 306. In the example, the at least one processor 312 is also designed to control the user interface to offer the user a selection of limits for the optimization by the optimizer 314 and to specify the optimizer 314 for the optimization. The limits can be defined for quantities from the first set of quantities 302 or for the at least one input quantity 318. The optimizer 314 is designed to determine the result of the optimization for these quantities within these limits.

Zumindest ein Teil der Größen aus dem ersten Satz von Größen 302 und/oder wenigstens eine Eingangsgröße 318 kann in der Finite-Elemente-Berechnung und/oder als ein Argument in der Funktion oder Differentialgleichung des zweiten Modells 308 zur Bestimmung des dritten Satzes von Größe 310 und/oder wenigstens eines Design-Parameters eingehen. Die wenigstens eine Eingangsgröße 318 ist beispielsweise eine Schrägung von Rotorpaketen zueinander oder eine Anzahl von Rotorpaketen die gemeinsam den gesamten Rotor bilden, eine Materialkonstante für Hystereseverlust oder Wi rbelstromverl ust.At least some of the variables from the first set of variables 302 and/or at least one input variable 318 can be used in the finite element calculation and/or as an argument in the function or differential equation of the second model 308 to determine the third set of variables 310 and/or at least one design parameter. The at least one input variable 318 is, for example, a skew of rotor stacks relative to one another or a number of rotor stacks that together form the entire rotor, a material constant for hysteresis loss or eddy current loss.

Der Optimierer 314 kann ein Gradienten-basierter Optimierer oder ein evolutionärer Optimierer sein, der für eine Vielzahl von ersten Sätzen von Größen 302 den optimalen ersten Satz von Größen bestimmt. Es kann vorgesehen sein, dass der Optimierer 314 zudem die wenigstens eine Eingangsgröße 318 optimiert.The optimizer 314 can be a gradient-based optimizer or an evolutionary optimizer that for a plurality of first sets of quantities 302 determines the optimal first set of quantities. It can be provided that the optimizer 314 also optimizes the at least one input variable 318.

Die Vorrichtung 300 ist in einem Aspekt ausgebildet, das im Folgenden mit Bezug auf 4 beschriebene Verfahren zum Trainieren des ersten Modells 304 für die Simulation auszuführen. Die Vorrichtung 300 ist in einem Aspekt ausgebildet, das im Folgenden mit Bezug auf 5 beschriebene Verfahren zur Simulation von Eigenschaften des Bauteils auszuführen. Die Simulation erfolgt im Beispiel mit einem bereits trainierten ersten Modell 304. Das Training kann wie im Folgenden beschrieben ausgeführt werden. Es kann auch ein bereits auf eine andere Art und Weise vortrainiertes erstes Modell 304 verwendet werden.The device 300 is formed in an aspect described below with reference to FIG 4 carry out described methods for training the first model 304 for the simulation. The device 300 is formed in an aspect described below with reference to FIG 5 carry out the described method for simulating properties of the component. In the example, the simulation is carried out with a first model 304 that has already been trained Training can be performed as described below. A first model 304 that has already been pre-trained in a different way can also be used.

Das erste Modell 304 umfasst Parameter, die im Beispiel im Speicher 316 gespeichert sind, und die Gewichte des künstlichen neuronalen Netzwerks definieren. Im Beispiel werden die Parameter für das künstliche neuronale Netzwerk mit dem Faltungsnetzwerk und dem mehrschichtigen Perzteptron bestimmt.The first model 304 includes parameters, stored in memory 316 in the example, that define weights of the artificial neural network. In the example, the parameters for the artificial neural network are determined using the convolutional network and the multi-layer percteptron.

Der Satz erster Größen 302 eines Trainingspunkts umfasst im Beispiel folgendes:

Daten eines digitalen Bildes, das eine Ansicht auf einen zu beurteilenden V-Rotors umfasst,
den mechanischen Öffnungswinkel dieses V-Rotors,
Polbedeckung dieses V-Rotors,
Spannungswinkel dieses V-Rotors,
eine Anzahl an Windungen je Spule des V-Rotors,
eine Anzahl zueinander paralleler Spulen des V-Rotors,
eine Anzahl Phasen eines elektrischen Anschlusses der elektrischen Maschine einen Strom im Betrieb der elektrischen Maschine,
eine Spannung im Betrieb der elektrischen Maschine,
eine magnetische Remanenz im Betrieb der elektrischen Maschine.

The set of first sizes 302 of a training point includes the following in the example:

data of a digital image that includes a view of a V-rotor to be assessed,
the mechanical opening angle of this V-rotor,
pole covering of this V-rotor,
tension angle of this v-rotor,
a number of turns per coil of the V-rotor,
a number of mutually parallel coils of the V-rotor,
a number of phases of an electrical connection of the electrical machine a current during operation of the electrical machine,
a voltage during operation of the electrical machine,
a magnetic remanence in the operation of the electrical machine.

Ein Satz Referenzgrößen für das Training umfasst im Beispiel folgendes:

einen magnetischen Fluss, der an der elektrischen Maschine auftritt,
einen magnetischen Verlust, der an der elektrischen Maschine auftritt,
ein Drehmoment das an der elektrischen Maschine auftritt,
eine Kraft, die an den Zahnköpfen des Stators auftritt.

A set of reference values for training includes the following in the example:

a magnetic flux that occurs on the electrical machine,
a magnetic loss that occurs on the electric machine,
a torque that occurs on the electric machine,
a force that occurs at the tips of the teeth of the stator.

Die Referenzgrößen können in Versuchen bestimmt werden.The reference values can be determined in tests.

Stattdessen, zusätzlich oder im Austausch einzelner dieser Größen, können die Referenzgrößen auch andere Größen umfassen, insbesondere eine Auswahl oder alle der oben beschriebenen Größen aus zweiten Satz von Größen 306 und/oder dem dritten Satz von Größen 310.Instead, in addition to or in exchange for some of these sizes, the reference sizes can also include other sizes, in particular a selection or all of the sizes described above from the second set of sizes 306 and/or the third set of sizes 310.

Im Training wird in einem Schritt 402 eine Vielzahl von Trainingsdatenpunkten vorgegeben, die jeweils einen ersten Satz von Größen 302 und einen dem ersten Satz zugeordneten Satz von Referenzgrößen umfassen.In the training, in a step 402, a multiplicity of training data points are specified, each comprising a first set of variables 302 and a set of reference variables associated with the first set.

Solange noch ein noch nicht für das Training verwendeter Trainingsdatenpunkt aus der Vielzahl von Trainingsdatenpunkten verfügbar ist, wird ein Schritt 404 anschließend ausgeführt. Anderenfalls wird ein Schritt 408 ausgeführt.As long as a training data point that has not yet been used for the training is still available from the plurality of training data points, a step 404 is then carried out. Otherwise, a step 408 is executed.

Im Schritt 404 wird der erste Satz von Größen 302 durch das erste Modell 304 auf den zweiten Satz von Größen 306 abgebildet.In step 404 the first set of quantities 302 is mapped by the first model 304 to the second set of quantities 306 .

Die Daten des digitalen Bildes werden durch das Faltungsnetzwerk abgebildet und anschließend zusammen mit den Größen aus dem ersten Satz, die den mechanischen Öffnungswinkel, die Polbedeckung und den Spannungswinkel repräsentieren durch das das mehrschichtige Perzeptron auf einen ersten Teil der Größen im zweiten Satz von Größen am Ausgang des künstlichen neuronalen Netzwerks abgebildet. Die anderen Größen aus dem Satz erster Größen werden im Beispiel von der Eingangsschicht unabhängig vom Faltungsnetzwerk und vom mehrschichten Perzeptron auf einen anderen Teil der Größen des zweiten Satzes von Größen an der Ausgangsschicht des künstlichen neuronalen Netzwerks abgebildet. Die Architektur des Faltungsnetzwerks, des mehrschichtigen Perzeptrons und anderer Teile des künstlichen neuronalen Netzwerks ist durch Hyperparameter festgelegt. Die zu trainierenden Gewichte werden im Beispiel vor der ersten Ausführung des Schritts 404 z.B. zufällig initialisiert.The digital image data is mapped by the convolution network and then along with the quantities from the first set representing mechanical aperture angle, pole coverage and voltage angle by the multilayer perceptron onto a first part of the quantities in the second set of quantities at the output of the artificial neural network. In the example, the other variables from the set of first variables are mapped by the input layer to another part of the variables of the second set of variables at the output layer of the artificial neural network, independently of the convolutional network and the multilayer perceptron. The architecture of the convolutional network, the multilayer perceptron, and other parts of the artificial neural network is defined by hyperparameters. In the example, the weights to be trained are initialized e.g. randomly before the first execution of step 404 .

Anschließend wird ein Schritt 406 ausgeführt.A step 406 is then executed.

Im Schritt 406 wird zumindest ein Teil des zweiten Satzes von Größen 306 durch das zweite Modell 308 auf den dritten Satz von Größen 310 abgebildet. Im Beispiel werden die Größen aus dem zweiten Satz von Größen 306 auf eine Vorhersage für einen magnetischen Fluss, der an der elektrischen Maschine auftritt, eine Vorhersage für einen magnetischen Verlust, der an der elektrischen Maschine auftritt, eine Vorhersage für ein Drehmoment das an der elektrischen Maschine auftritt, und eine Vorhersage für eine Kraft, die an den Zahnköpfen des Stators auftritt abgebildet.At step 406, at least a portion of the second set of quantities 306 is mapped by the second model 308 to the third set of quantities 310. In the example, the quantities from the second set of quantities 306 are applied to a prediction for a magnetic flux occurring at the electric machine, a prediction for a magnetic loss occurring at the electric machine, a prediction for a torque occurring at the electric machine occurs, and a prediction for a force that occurs at the tips of the teeth of the stator.

Anschließend wird der Schritt 402 ausgeführt.Step 402 is then executed.

Im Schritt 408 werden die Parameter des künstlichen neuronalen Netzwerks mit der Vielzahl von Trainingsdatenpunkten und den für diese jeweils bestimmten zweiten und/oder dritten Sätze von Größen derart gelernt, dass ein Abstand zwischen den jeweiligen Größen aus dem zweiten Satz von Größen 306 und den jeweiligen Größen aus dem dritten Satz von Größen 310 und dem diesen zugeordneten Satz von Referenzgrößen aus den Trainingsdatenpunkten möglichst klein ist.In step 408, the parameters of the artificial neural network with the plurality of training data points and the second and/or third sets of variables determined for them are learned in such a way that a distance between the respective variables from the second set of variables 306 and the respective variables from the third set of variables 310 and the set of reference variables from the training data points associated with them is as small as possible.

Die Schritte 402 bis 406 können in Epochen wiederholt werden.Steps 402 through 406 may be repeated in epochs.

Das Verfahren zur Simulation von Eigenschaften des Bauteils sieht vor, dass der erste Satz von Größen 302 und/oder die Größen 318 in einem Schritt 502 insbesondere durch den Optimierer 314 vorgegeben werden.The method for simulating properties of the component provides that the first set of variables 302 and/or the variables 318 are specified in a step 502 in particular by the optimizer 314 .

Anschließend wird der erste Satz von Größen 302 in einem Schritt 504 durch das erstes Modell 304 auf den zweiten Satz von Größen 306 abgebildet.Then, in a step 504 , the first set of quantities 302 is mapped to the second set of quantities 306 by the first model 304 .

Anschließend wird zumindest ein Teil des zweiten Satzes von Größen 306 in einem Schritt 506 durch das zweites Modell 308 auf den dritten Satz von Größen 310 abgebildet. Im Beispiel können verschiedene Sätze von Größen für unterschiedliche Iterationspunkte bestimmt werden.At least part of the second set of quantities 306 is then mapped to the third set of quantities 310 by the second model 308 in a step 506 . In the example, different sets of sizes can be determined for different iteration points.

Anschließend wird, sobald der dritte Satz von Größen 310 ein Optimum erreicht hat, zumindest ein Teil des ersten Satzes von Größen 302, welcher sich auf eine Maschinengeometrie bezieht, z.B. Magnetbreite, Magnetwinkel, Außendurchmesser, Maschinenlänge, insbesondere über ein parametrisches Geometriemodell, in einem Schritt 508 in der CAD Datei, z.B. Step-Datei, gespeichert und/oder über die Benutzerschnittstelle ausgegeben.Subsequently, as soon as the third set of variables 310 has reached an optimum, at least part of the first set of variables 302, which relates to a machine geometry, e.g. magnet width, magnet angle, outer diameter, machine length, in particular via a parametric geometry model, in one step 508 stored in the CAD file, e.g. step file, and/or output via the user interface.

Die Schritte 502 bis 508 können im Design oder Entwicklungsprozess zur Optimierung wiederholt werden, bis ein Optimierungsziel, z.B. vom Nutzer gewünschte die Schlüsselindikatoren erreicht werden.Steps 502 through 508 may be repeated in the design or development process for optimization until an optimization goal, e.g., key indicators desired by the user, is achieved.

Es kann vorgesehen sein, dass der dritte Satz von Größen 310 in einer ersten Iteration bestimmt wird, und in einer auf die erste Iteration folgenden zweiten Iteration wenigstens eine der Größen im ersten Satz von Größen 302 abhängig von wenigstens einer der Größen im dritten Satz von Größen 310 aus der ersten Iteration im Schritt 508 bestimmt oder verändert wird.It can be provided that the third set of variables 310 is determined in a first iteration, and in a second iteration following the first iteration at least one of the variables in the first set of variables 302 is determined as a function of at least one of the variables in the third set of variables 310 is determined or changed from the first iteration in step 508.

Im Beispiel wird der erste Satz von Größen 302 und/oder die wenigstens eine Eingangsgröße 318 vom Optimierer 314 für die jeweilige Wiederholung der Schritte 502 bis 508 insbesondere innerhalb der Grenzen dafür angepasst. Der Optimierer 314 ist in diesem Beispiel ausgebildet, das Ergebnis der Optimierung für diese Größen innerhalb dieser Grenzen zu bestimmen.In the example, the first set of variables 302 and/or the at least one input variable 318 is adapted by the optimizer 314 for the respective repetition of steps 502 to 508, in particular within the limits for this. In this example, the optimizer 314 is designed to determine the result of the optimization for these variables within these limits.

Das Ergebnis der Optimierung kann die wenigstens eine Eingangsgröße 318 umfassen. Diese wird im Beispiel dann ebenfalls gespeichert, insbesondere in der CAD Datei. Optional wird das so simulierte Teil der elektrischen Maschine unter Verwendung der CAD Daten hergestellt.The result of the optimization can include the at least one input variable 318 . This is then also saved in the example, especially in the CAD file. Optionally, the part of the electrical machine simulated in this way is manufactured using the CAD data.

Zum Simulieren einer Demagnetisierung des Magneten aufgrund des Kurzschlussstroms I_k kann vorgesehen sein, dass der Kurzschlussstrom I_k im zweiten Modell 308 aus Größen aus dem zweiten Satz von Eingangsgrößen 306 bestimmt wird, und beispielsweise die kritische Entmagnetisierungsfeldstärke Hcrit abhängig vom Kurzschlussstrom I_k im ersten Modell 304 bestimmt wird. In diesem Fall kann vorgesehen sein, dass der Satz erster Eingangsgrößen 302 den Kurzschlussstrom I_k umfasst.To simulate a demagnetization of the magnet due to the short-circuit current I_k, it can be provided that the short-circuit current I_k is determined in the second model 308 from variables from the second set of input variables 306, and for example the critical demagnetization field strength Hcrit is determined as a function of the short-circuit current I_k in the first model 304 . In this case, provision can be made for the set of first input variables 302 to include the short-circuit current I_k.

Claims

Computer-aided method for simulating properties of a component, characterized in that a first set of variables (302) representing the physical and/or chemical properties of the component is reduced by a first model (304) to a second set of variables (306), representing the physical and/or chemical properties of the component, is mapped (404, 504), and at least part of the second set of variables (306) by a second model (308) onto a third set of variables (310), the properties of the component is mapped (406, 506), wherein the first model (304) comprises an artificial neural network having an input layer for the first set of quantities (302) and an output layer for the second set of quantities (306), wherein the second model (308) has an input for at least a portion of the second set of quantities (306) and an output for the third set of quantities (310), and wherein the input ng is mapped onto the output by at least one image (406, 506), which describes at least one physical and/or at least one chemical relationship in the component.

procedure after claim 1 , characterized in that the artificial neural Network comprises a multi-layer perceptron, wherein quantities describing a geometry of at least part of the component are mapped (404, 504) by the multi-layer perceptron to at least one quantity in the second set of quantities at the output of the artificial neural network, which is one of the Represents geometry-dependent physical or chemical property of the component.

procedure after claim 2 , characterized in that at least one variable from the first set of variables (302) and the variables that describe the geometry of at least part of the component are converted by the multilayer perceptron to the at least one variable in the second set of variables (306) at the output of the artificial neural network.

procedure after claim 2 or 3 , characterized in that the first set of quantities (302) comprises data of a digital image of a view of at least a part of the component, the artificial neural network comprising a convolution network that maps (404, 504) the data to the quantities representing the Represent geometry of at least part of the component.

Method according to one of the preceding claims, characterized in that the third set of quantities (310) is determined in a first iteration, and in a second iteration following the first iteration at least one of the quantities in the first set of quantities (302) dependent on at least one of the quantities in the third set of quantities (310) from the first iteration is determined or changed (508).

Method according to one of the preceding claims, characterized in that the first set of variables (302) comprises at least one of the following variables characterizing the electrical machine or a time profile of one of the following variables characterizing the electrical machine, a pilot control angle, in particular between 0 ° and 90°, a slot flux, in particular between 0A and 1500A, a set of geometry parameters which describe active parts of the electrical machine in two dimensions, in particular perpendicular to the axis of rotation of the electrical machine, a number of holes, a number of pole pairs, a remanence of a magnet, a step reduction , a connection type and/or a zero-sequence component of the current, in particular a star or delta connection, a number of phases, in particular the number of phases 3, a number of turns, in particular an excitation coil, a number of parallel conductors, a stator diameter, an axial machine length, an operation s current, an operating voltage, a material constant, in particular a material constant that characterizes a hysteresis loss or eddy current loss in an electrical steel sheet or a weight of an electrical steel sheet, a magnet or a copper component, a maximum speed, a skew, a number of rotor packages, a clock frequency of an inverter for Activation of excitation coils, and in that the second set of variables (306) includes at least one of the following variables characterizing the electric machine or a time profile of one of the following variables characterizing the electric machine, a torque in particular per phase with which the electric machine is excited, for n sections 1, ..., n of a cross section of a rotor (110) per section, a magnetic flux and/or a hysteresis loss and/or an eddy current loss in the section, for n sections 1, ..., n a cross section of a stator (112) per section a hysteresis loss un d/or an eddy current loss, a radial force and/or a radial moment and/or a tangential force and/or a tangential moment and/or an axial force and/or an axial moment on a tooth crest of a stator (112), for n sections 1, ... , n each area of the section in plan view of a cross section of a rotor (110), for n sections 1, ..., n each area of the section in plan view of a cross section of a stator (112), a critical demagnetization field strength.

Method according to one of the preceding claims, characterized in that properties of different elements of the component are predicted (406, 506) with the quantities from the second set of quantities (306), different quantities in the second set of quantities (306) being determined , which represent the same physical or chemical property of essentially structurally identical elements of the component.

Method according to one of the preceding claims, characterized in that a large number of training data points are specified (402), which each comprise a first set of variables (302) and a set of reference variables associated with the first set, the artificial neural network comprising parameters, which are learned (408) with the plurality of training data points in such a way that a distance between the third set of variables (310) and the set of reference variables is as small as possible.

Method according to one of the preceding claims, characterized in that at least some of the variables from the first set of variables (302) and/or at least one input variable (318) for at least one mapping of the second model (308 ) is specified.

procedure after claim 9 , characterized in that at least some of the variables from the first set of variables (302) and/or the at least one input variable are specified in iterations until an optimization goal that is defined as a function of the third set of variables (310) is reached , wherein at least one design parameter is dependent on at least a portion of the variables from the first set of variables (302) and/or at least a portion of the variables from the second set of variables (306) and/or the at least one input variable (318). is determined for the electrical machine.

Device (300) for simulating properties of a component, characterized in that the device comprises an optimizer (314) which is designed to carry out steps in the method according to one of Claims 1 until 10 to execute.

Computer program, characterized in that the computer program comprises computer-readable instructions, when executed by a computer, the method according to one of Claims 1 until 10 expires.