Penyiapan FEA untuk prediksi kehilangan inti motor: kurva material dan data BH

Sebagian besar kesalahan dalam prediksi core-loss motor terkunci jauh sebelum meshing atau pengaturan solver. Hal ini terletak pada tiga pilihan: apa yang Anda terima sebagai kurva BH, bagaimana Anda mengolah data core-loss menjadi koefisien, dan bagaimana kedua set angka tersebut bertemu di dalam alat FEA Anda. Dapatkan pipeline yang sebagian besar benar dan bahkan model polos pun dapat digunakan; lakukan kesalahan dan tidak ada trik penyempurnaan yang akan menyelamatkan watt per kilogram.

1. 1. Mulai dari akhir: kesalahan apa yang ingin Anda jalani

Mari kita lewati definisi. Anda sudah mengetahui histeresis, eddy, kelebihan, rotasi, bias DC. Pertanyaan yang lebih berguna adalah: berapa total kesalahan pada rugi-rugi besi stator dan rotor yang dapat ditoleransi untuk proyek Anda. Sepuluh persen? Dua puluh?

Perbandingan terbaru dari model kehilangan besi pada mesin menunjukkan bahwa hanya dengan mengubah model kehilangan atau koefisien, dengan bidang FEA yang sama persis, dapat mengayunkan prediksi kehilangan hingga puluhan persen pada peta operasi. Itu sebelum Anda berdebat tentang efek mesh, kemiringan, atau 3D. Jadi, pipa material layak mendapatkan upaya desain yang sama dengan yang Anda berikan pada topologi rotor.

Jika spesifikasi mengatakan "efisiensi dalam satu poin persentase" dan kehilangan besi adalah bagian yang besar, maka target tersebut secara diam-diam menyiratkan batasan pada kualitas data bh Anda, metode pemasangan, dan kebiasaan ekstrapolasi Anda. Jika tidak, Anda menyetel dalam kegelapan.

2. Apa yang benar-benar Anda dapatkan dari pemasok baja (dan apa yang sebenarnya Anda butuhkan)

Di atas kertas, Anda menginginkan: kurva BH anhisteretik yang bersih pada rentang fluks penuh, data kehilangan inti yang terselesaikan vs B dan f untuk ketebalan laminasi yang tepat, ditambah ketergantungan suhu dan efek pemrosesan. Dalam praktiknya, Anda mendapatkan sesuatu yang lain. Biasanya kurva BH DC atau frekuensi rendah dan beberapa titik kehilangan total dari tes Epstein atau SST pada frekuensi katalog.

Kesenjangan antara "ingin" dan "memiliki" adalah tempat di mana pengaturan FEA Anda berada. Tabel di bawah ini adalah cara sederhana untuk membuat kesenjangan tersebut menjadi eksplisit.

Setelah Anda menuliskan hal ini untuk proyek Anda, "pengaturan core-loss" tidak lagi menjadi langkah yang abstrak. Anda melihat bagian-bagian yang hilang. Anda juga melihat kompromi mana yang Anda buat dengan sengaja, dan bukan secara default.

3. Tentukan cerita model kerugian sebelum menyentuh file BH

Tidak ada satu model iron-loss yang tepat untuk setiap mesin, tetapi ada yang namanya cerita yang koheren. Anda hanya perlu satu. Rantai yang umum terjadi seperti ini.

Anda memilih model gaya pemisahan rugi-rugi (keluarga Steinmetz, Jordan, tipe Bertotti) atau model histeresis ditambah koreksi dinamis. Anda mengekstrak koefisien dari data pengukuran atau kurva pemasok. Anda menjalankan FEA untuk mendapatkan B(t) di setiap elemen. Anda mengintegrasikan model rugi-rugi pada bentuk gelombang tersebut. Selesai. Setidaknya di atas kertas.

Rantai tersebut terputus ketika kurva BH yang Anda masukkan ke dalam FEA telah mengandung efek dinamis yang diasumsikan terpisah dari model rugi-rugi. Atau ketika koefisien Steinmetz Anda dipasang di jendela frekuensi rendah yang sempit, tetapi Anda menggunakannya untuk eksitasi PWM frekuensi tinggi. Atau ketika data material Anda mencerminkan sampel Epstein, sementara inti mesin Anda dicap, dikerutkan, dilas, dan diberi tekanan dengan cara yang tidak pernah ada dalam katalog.

Jadi keputusan pertama, secara sederhana:

Anda dapat membiarkan solver FEA hanya membawa nonlinieritas BH kuasi-statis dan menyimpan semua kehilangan dinamis dalam model terpisah, atau Anda membawa beberapa bentuk histeresis dan dinamika di dalam model material dan mengurangi apa yang harus dicakup oleh model kehilangan eksternal. Mencampur keduanya di tengah jalan akan menghasilkan angka yang berisik dan sulit dipercaya.

4. Membuat kurva BH, solver sebenarnya dapat menggunakan

Sebagian besar kode FEA komersial menginginkan hubungan BH bernilai tunggal. Mereka dapat menangani nonlinieritas, tetapi bukan loop histeresis eksplisit pada setiap titik integrasi. Solusi yang biasa dilakukan adalah dengan memasukkan kurva BH anhisteretik atau "efektif" yang mendekati perilaku magnetisasi rata-rata inti.

Anda jarang mendapatkan kurva itu secara langsung. Jadi Anda merakitnya.

Skema praktisnya adalah mengambil data frekuensi rendah atau DC sebagai tulang punggung, membersihkan derau, dan memperluasnya ke tingkat fluks operasi Anda. Data AC BH frekuensi tinggi, jika tersedia, berguna terutama untuk memeriksa perilaku saturasi dan untuk menghindari ekstrapolasi yang tidak masuk akal di atas lutut. Jika Anda menggunakan AC BH secara langsung sebagai kurva material Anda dan kemudian menerapkan model rugi-rugi di atasnya, Anda menghitung beberapa istilah rugi-rugi dua kali.

Di atas rentang yang terukur, Anda harus melakukan ekstrapolasi. Metode tumpul adalah memaksa kurva menuju asimtot horizontal pada perkiraan induksi saturasi material, yang berasal dari korelasi densitas dan resistivitas. Metode ini tidak halus, tetapi lebih baik daripada membiarkan solver beroperasi dalam rezim di mana kemiringan BH secara tidak sengaja meningkat lagi karena pemasangan yang buruk.

Temperaturnya janggal. Sebagian besar kurva BH diukur di dekat suhu kamar, sementara mesin bekerja lebih panas. Tingkat kejenuhan turun dan koersivitas berubah seiring temperatur; koefisien tipe Steinmetz juga demikian. Jika alat FEA Anda mendukung set material yang bergantung pada suhu, tautkan mereka; jika tidak, setidaknya periksa apakah kurva BH yang Anda pilih masih memberikan arus dan faktor daya yang realistis pada suhu pengenal jika dibandingkan dengan pengujian. Bahkan penskalaan perkiraan lebih aman daripada berpura-pura bahwa 20 ° C dan 120 ° C setara.

Terakhir, ingatlah bahwa pemesinan dan perakitan memodifikasi kurva BH efektif, bukan hanya kurva rugi-rugi. Inti berlubang menunjukkan perilaku magnetisasi yang berbeda dari sampel datar. Anda dapat memasukkannya ke dalam "BH efektif" dari perhitungan ulang versus pengujian, atau membiarkan BH tetap murni dan meningkatkan koefisien kerugian. Melakukan keduanya lagi akan menyebabkan penghitungan ganda.

5. Dari kurva katalog hingga koefisien kehilangan yang dapat digunakan

Sebagian besar lingkungan FEA meminta koefisien model kerugian: histeresis, pusaran, dan mungkin kelebihan. Ini bukanlah konstanta ajaib; ini adalah hasil akhir dari latihan pencocokan kurva terhadap W/kg vs B dan f yang terukur.

Resep dasarnya sederhana. Konversikan kurva katalog menjadi titik data, linearisasi dengan tepat (log-log atau dengan trik Ps/(B²f) vs f yang biasa), dan jalankan regresi untuk mengekstrak koefisien. Bagian yang membuat atau menghancurkan akurasi adalah segala sesuatu yang Anda putuskan di sekitar langkah penyesuaian tersebut.

Satu keputusan: apakah Anda memperlakukan semua frekuensi sama selama pemasangan. Jika mesin Anda menghabiskan sebagian besar masa pakainya di dekat satu pita frekuensi, berikan bobot yang lebih besar pada wilayah tersebut dalam fungsi kesalahan. Literatur menjelaskan bahwa koefisien tipe Steinmetz berubah-ubah seiring dengan frekuensi; memaksa satu set untuk mencocokkan kondisi 50 Hz dan frekuensi tinggi tanpa pembobotan apa pun sering kali menghasilkan prediksi yang biasa-biasa saja di mana-mana.

Hal lainnya: apakah Anda menggunakan set koefisien yang terpisah per wilayah mesin (gigi versus kuk, stator versus rotor). Fisika tidak berubah berdasarkan wilayah, tetapi perilaku efektif berubah setelah Anda memasukkan tekanan lokal, batch laminasi yang berbeda, dan detail manufaktur. Beberapa studi PMSM baru-baru ini menunjukkan bahwa koefisien nyata yang diperlukan untuk mencocokkan kerugian yang diukur pada gigi dan yoke dapat berbeda secara nyata, bahkan untuk kelas nominal yang sama. Hal ini tidak elegan, tetapi dapat diamati, dan pengaturan FEA Anda dapat mengeksploitasinya.

6. Loop kecil, bias DC, rotasi: tentukan seberapa besar kerumitan yang Anda perlukan

Motor hampir tidak pernah beroperasi pada loop histeresis utama yang sempurna. Ada loop minor di mana-mana: kondisi beban ringan, magnetisasi parsial, demagnetisasi lokal di bawah slot. Makalah lama dan karya yang lebih baru keduanya menunjukkan bahwa mengabaikan loop minor dapat mengurangi atau melebih-lebihkan kerugian histeresis secara substansial, terutama dengan eksitasi non-sinusoidal.

Ada beberapa cara yang dapat dilakukan. Salah satunya adalah mempertahankan model pemisahan rugi-rugi yang langsung, tetapi mengoreksi loop minor melalui faktor empiris atau model energetik yang berasal dari pengukuran loop kuasi-statis. Cara lainnya adalah dengan menggunakan model histeresis eksplisit (model Jiles-Atherton, Preisach, Play) di belakang layar, yang memungkinkan model tersebut membuat loop lokal dari data BH simetris yang terukur. Pendekatan ini lebih berat untuk disiapkan, tetapi membebaskan Anda dari keharusan mengukur kurva rugi-rugi di bawah setiap bentuk gelombang yang mungkin.

Bias DC dan medan rotasi adalah cerita yang serupa. Penelitian tentang magnetisasi rotasi menunjukkan bahwa rugi-rugi pada ujung gigi dan sambungan dapat secara signifikan lebih tinggi daripada yang diprediksi dengan asumsi fluks bolak-balik murni. Metode berbasis FEA yang lebih baru memperkenalkan faktor koreksi rotasi atau istilah kerugian yang terpisah, sementara yang lain memodelkan rotasi secara langsung dengan pasca-pemrosesan bentuk gelombang B dan H lokal.

Jadi, pilihannya tidak terlalu "haruskah saya memodelkan rotasi dan bias DC" dan lebih kepada "seberapa besar perkiraan yang dapat diterima mengingat ruang operasi saya". Jika Anda mendesain mesin berkecepatan tinggi dengan harmonisa spasial yang kuat, tidak memperhitungkan rotasi sama sekali adalah asumsi desain, bukan hanya penyederhanaan.

7. Memasukkan data material ke dalam alur kerja FEA yang sebenarnya

Setelah BH dan koefisien kerugian ada di suatu tempat di server Anda, mereka masih harus dinyatakan dalam dialek alat FEA yang Anda pilih. Kode yang berbeda mengharapkan bahan yang berbeda. Beberapa hanya menginginkan BH dan triplet Steinmetz. Yang lain menginginkan BH penuh ditambah tabel rugi-rugi yang bergantung pada frekuensi. Namun yang lain memiliki opsi histeresis bawaan jika Anda memberi mereka loop BH simetris dan konduktivitas listrik.

Beberapa pola praktis cenderung bekerja di seluruh alat.

Perlakukan kurva BH sebagai geometri yang tidak bergantung. Anda tidak boleh mengubah BH berdasarkan wilayah hanya untuk mencocokkan torsi atau arus global; hal itu akan menimbulkan masalah yang lebih besar. Paling-paling, Anda dapat memilih kartu material yang berbeda ketika rute pembuatannya benar-benar berbeda, misalnya, rotor yang bebas tegangan versus stator yang dilubangi dengan berat.

Perlakukan koefisien kehilangan sebagai bergantung pada geometri jika diperlukan. Hal ini dapat diterima untuk mempertahankan BH yang sama tetapi menggunakan histeresis efektif yang sedikit berbeda atau koefisien berlebih pada gigi dan kuk, yang mencerminkan tegangan dan kerusakan pemotongan yang berbeda, asalkan perbedaan ini didukung oleh pengukuran atau setidaknya oleh rentang literatur.

Jaga agar pengaturan solver tidak membosankan pada awalnya. Langkah waktu, urutan harmonik, dan penghalusan mesh semuanya berinteraksi dengan kualitas gelombang lokal dan dengan demikian dengan prediksi rugi-rugi. Sebelum mengubahnya, pastikan bahwa, dengan pengaturan yang konservatif, rugi-rugi FEA pasca-pemrosesan pada satu atau dua titik operasi standar setidaknya berada pada pita yang sama dengan pengukuran menggunakan data material Anda saat ini. Jika Anda meleset dua kali, ini hampir tidak pernah merupakan masalah meshing; hampir selalu merupakan ketidakcocokan data material dan model.

8. Pemeriksaan kewarasan yang benar-benar menangkap masalah data material

Ada beberapa pemeriksaan yang biayanya lebih murah daripada proses optimasi lainnya dan mengekspos masalah dalam pengaturan material daripada geometri. Kasar tetapi efisien.

Bandingkan kembali model rugi-rugi yang telah Anda buat dengan kurva Epstein atau SST asli di semua frekuensi yang tersedia. Lakukan ini bahkan sebelum Anda menyentuh FEA. Jika Anda melihat estimasi yang berlebihan atau kurang sistematis pada kerapatan fluks yang tinggi, sekarang Anda sudah mengetahui bagaimana hasil FEA Anda akan bias dalam kondisi beban berat.

Masukkan model BH dan rugi-rugi yang sama ke dalam geometri uji 2D sederhana, sesuatu yang mendekati pengaturan inti lembaran tunggal atau toroidal yang terstandardisasi, dan bandingkan prediksi rugi-rugi dengan data yang dipublikasikan atau pengukuran lab Anda sendiri. Banyak karya terbaru yang menggunakan loop tersebut-pengukuran, FEA dari pengaturan pengukuran, koreksi koefisien-untuk membersihkan kurva BH dan rugi-rugi sebelum menggunakannya di mesin.

Periksa peta kehilangan elemen pada beberapa titik operasi. Jika distribusinya tidak sesuai dengan apa yang Anda harapkan secara fisik - rugi-rugi terkonsentrasi pada ujung gigi, sudut kuk, daerah jembatan di bawah fluks harmonik yang tinggi - ini sering kali merupakan tanda bahwa kurva BH atau model rugi-rugi Anda tidak menangkap efek kejenuhan atau rotasi dengan benar. Studi pada mesin frekuensi tinggi dan core kelas campuran menunjukkan pola spasial yang sangat jelas; model Anda setidaknya harus menirunya secara kasar.

Terakhir, terimalah bahwa beberapa kalibrasi tidak dapat dihindari. Bahkan kerangka kerja yang sangat rinci yang didasarkan pada pengukuran baja listrik dan pemodelan histeresis tingkat lanjut masih melaporkan penyebaran yang nyata antara model dan perangkat keras dalam bentuk gelombang yang kompleks. Kalibrasi bukanlah kegagalan fisika; ini adalah pengakuan bahwa bahan dalam mesin Anda tidak sama dengan kupon dalam katalog.

9. Penutupan singkat

Versi singkatnya sederhana. Perlakukan kurva BH dan data core-loss sebagai parameter desain, bukan sebagai konstanta latar belakang. Tentukan cerita model rugi-rugi Anda, buat kurva BH yang sesuai dengan itu, sesuaikan koefisien dengan data yang sebenarnya Anda miliki, dan kemudian gunakan FEA sebagai kalkulator yang berada di atas pilihan-pilihan tersebut.

Lakukan hal itu, dan prediksi core-loss tidak lagi menjadi angka misterius yang dicetak oleh perangkat lunak pada akhirnya. Ini hanya menjadi perkiraan, dengan asumsi yang diketahui dan kesalahan yang dapat dikontrol, yang dapat Anda perdebatkan dan perbaiki pada desain berikutnya.