新闻  |   论坛  |   博客  |   在线研讨会
电机自动优化-这些年日本大厂、OEM都在做的事
西莫电机论坛 | 2020-06-02 08:29:01    阅读:464   发布文章

1 引言

在讲我们的主题之前,我们先聊一下一款非常优秀的Made in Japan的低频电磁场仿真软件JMAG-Designer(下文简称“JMAG”)是怎么发展起来的。JMAG诞生于1983年,诞生之初的十年,由于BUG众多在日本被戏称为“J-BUG”。可是后来成功逆袭,基本包下了日本低频市场。在2019年年底的JMAG用户大会上,来自丰田的Keynote Speaker Hanada-San也表示会将JMAG-RT作为丰田标准软件。其实可以这么说,JMAG的兴起与日本的几大OEM有着千丝万缕的联系。因为JMAG的发展思路很简单,作为一款B2B的软件,他们与客户走得很近。他们每年都会花大量的时间在寻找客户的需求上。因此,JMAG开发的功能大都是这些日本OEM的需求。也正是如此,导致了日本OEM的发展带动了JMAG的成长,实现了大部分公司都渴望实现的与“与客户共同成长”的愿景。可以这么说,通过JMAG推出的新功能可以推测出背后日本OEM们提了哪些需求,更可以推断出他们的部分方向。

到这里我们再来看看我们的主题-电机自动优化。在最近几年的JMAG中国用户大会上,我们都会介绍并大力介绍电机的自动优化。JMAG原厂在去年2019年版本(18.0&18.1)推出拓扑优化、今年的2020年新版本(19.0)中也推出了基于新算法的拓扑优化。好了,根据上文的线索,想必各位名侦探都不难推理出,这背后是谁的需求了吧。电机自动优化早已深入日本OEM及电机大厂的开发流程之中,虽然各个公司的技术水平各不相同,但是就整个日本的电机行业而言,这早已不是什么“新技术”了。

言归正传,我们接下来会介绍下,什么是优化,为什么会有这么多优化需求,并且会简单介绍下JMAG及优化软件modeFRONTIER联合优化流程,最后还会对将来的发展趋势做一下展望。

2 什么是优化

由于很多读者都是电机设计或机电一体化等专业出身,首先我们介绍下什么是优化。

优化顾名思义,就是不断改善、改良的意思。传统的设计方式中我们也会在概要设计之后,基于我们工程师的知识、经验,手动对电机的形状进行优化。这个过程中往往会伴随着Try and Error。想必大部分工程师都经历过这个过程,而这个过程也会花费我们大量的时间。因此,上个世纪就有了让计算机自动完成这个过程的想法,但是受限于当时的计算机算力、算法等限制都没能很广泛的推广开。要想让计算机完成这个优化过程,其实需要的核心有两块。

第一块是重复性的工作。举个例子,我们用仿真软件进行优化转子形状时,我们往往会产生一个想法然后实施到模型上,再进行计算。而改模型到显示计算结果这一连串工作完全可以由计算机重复实现。

相比第一块功能,第二块则显得更加“高级”。那就是上面例子中产生想法的这一环。它是整个优化工作中的大脑,替代了我们工程师的下指令的工作。可能这时候很多人会说,人工智能什么时候发达到能替代我这个985211出来的资深工程师的地步了?其实不然,直至今天202032日,人工智能都没有发达到这个地步,而自动优化中普及、广泛被应用的还都是机械学习级别的算法。(关于人工智能和机械学习的关系我们有空下次再聊,这里不是我们的主题,暂且略过。)在自动优化中我们需要的算法是能够帮我们以更少的尝试次数得到更优秀设计,而不是一个高智能化的能够独立设计的AI。再举个更简单的例子,我们有一个30~9的密码锁,而我们忘了它的密码。如何破解它就是我们的问题,而常用的方法是通过我们的知识去尝试,比如优先尝试生日、门牌号等等,这都有一定的依据。而我们自动优化中的算法由于太笨了,无法理解我们的依据只能从另一个角度出发。即按照我们制定的规则进行尝试。比方说从000999一个个试一遍。这里的规则即不同的算法。算法的选择是否合理是否适合我们的问题,会直接影响到我们尝试的次数。也就是之前说的在自动优化中我们的算法以帮我们以更少的尝试次数得到更优秀设计为目标,它并不是根据物理公式仅仅是根据人指定的规则进行的。当然,和上述密码锁的例子相同,算法也是具有一定的随机性的。

有了这两块基本的功能,理论上我们就能够让计算机根据我们制定的算法,重复地不停地尝试计算我们的模型了。这也就是自动优化的根基。在优化业内,我们通常会称这种尝试叫做“探索”。因为我们的算法不能明白麦克斯韦方程组,也不懂各种公式,它只是按照一个人定的规则不断地在一个空间中前进,直至找到最佳的设计形状。而这个空间就好像方程组的值域一样是有范围的,我们称之“解空间”。不知道大家在上学的时候有没有遇到过一些解数学方程组的问题,通常正确做法是我们通过知识来把方程组变形然后求解,但还有一些时候,我们会尝试着从定义域中找一些数字去试,也许这个可以,也许那个可以。没错,自动优化做的就是这个事,尝试即“探索”,定义域即“设计空间”,值域即“解空间”。

2.1 什么是设计空间什么是解空间

好了,枯燥的文字读完了,我们来看下下面的图片例子。首先假设我们要设计一款产品,要决定它的长宽高。目标是重量轻、支撑性好(所受应力小)。

图2-1 设计空间及解空间

那么如上图所示,长宽高的设计范围的集合为这个问题的定义域即“设计空间”。而两项特性,重量和应力大小作为结果是这个问题的值域即“解空间”。

表2-1 长宽高的范围


下限

上限

间隔

数量

宽度

5[mm]

50[mm]

5[mm]

10

高度

1[mm]

10[mm]

1[mm]

10

长度

2[mm]

2.9[mm]

0.1[mm]

10


图2-2 全部的设计空间及解空间

    再假设地更细致一些,我们的宽度、高度、长度如上表。可以看到图2-2中设计空间为这些点的集合,而点即各种长宽高的配比。他们是我们设计中所有可能变量的集合,磁钢长度、转子直径、齿宽等等所有在设计范围内的变量集合。因此设计空间随着问题的改变会从小到大变化。相对的,解空间则是计算结果的点的集合,是我们在优化问题中结果的集合,转矩、齿槽转矩、某一阶的电磁力等等。因此,解空间也会随着我们的目标改变发生变化。那么由此可知,我们的自动优化要做的就是在设计空间内探索,从而找到最优解。但是通常我们的实际问题并不那么简单,就好像右图的解空间,有时重量轻了应力却大了,有时重量重了应力却小了。我们经常会面临这种此消彼长,鱼和熊掌不可兼得的问题。这里就要引出另一个概念“帕累托前沿”也就是最优解集(图2-1红线部分)。可以看到帕累托前沿是解空间中左下侧的边界,它代表了所有满足我们目标(最小化重量、最小化应力)的极限值的集合。可以看到在这帕累托前沿上,我们如果固定一个应力值,那么解空间内没有任何一个解的质量优于帕累托前沿上的点。所以我们可以得到一组解,而在这组解中选择哪个则是我们这些工程师的任务,是更注重重量轻还是更注重应力?亦或者取中庸的解?虽然优化软件可以帮我们做这件事,但是拍板子的决定权在我们工程师手里。

2.2 算法举例

接下来继续用这个例子,介绍一下一个很基本的叫做“单因子法”的算法。

首先我们固定长高为一任意值,不断尝试不同的宽。这样我们可以得到一个最优的宽。再固定这个宽和这时的长,不断尝试不同的高。这时我们可以得到一个最优的高。最后再固定这个高和这时的宽,不断尝试不同的长。最终得到的最佳值即通过该算法得到的最优解。这个方法中我们每次都改变一个变量,固定另外的两个变量,这也是其被称为单因子法的原因。聪明的读者一定会觉得这个方法不是很靠谱,因为首先我们的长高是随机的,其次每次都只改一个参数是不是会错过很多其他解。正如您所想的,该算法是有一定的不足,但是十分好理解。右图中我们可以看到在解空间中探索的过程,在不断趋近于帕累托前沿。虽然这个简单的算法可能无法达到极限的边界但是趋势是正确的,而我们实际应用于电机自动优化中的算法会比这高级很多。

想必大家应该对优化有了一个大致的理解,如果用一句话解释那就是“基于某个价值观,追求最优解的行为”。在这个过程中电脑可以帮我们做很多,但是人的干预是十分重要且不可缺的。

3 为什么会有这么多优化需求

关于这个问题,首先我们要补充的是,这里的优化指的是自动优化,而核心答案其实很简单,就是一个词“成本”。这一切是都在为了降成本而努力。

我们可以算一下,一个员工工作996,每天11个小时,每周66个小时,一年能工作约3500小时。而计算机自动优化可以实现007,一年可以实现8500小时以上的工作时间。当然,如之前所说,电脑还是太笨比不了人,但是它非常耐得住寂寞,简单重复的劳动大可以交给它,如果设定合理错误率还低。再加上如果这台电脑是一台拥有100核以上处理器的HPC,那它提供的加成是非常可观的。因此自动优化可以帮助公司提升工作效率,从而减缓人力资源的需求。



其次还有一个很重要的点就是,追求极限的能力不同。不知道大家在设计一款产品时是否有过疑问,我这个设计是不是已经是最好的了,还有没有更好的设计?但是多半会由于不知道解空间而迷茫。如果我们能够把握图2-2中的解空间,能够知道自己的这款设计在图中位于何处,亦或者清楚是不是在帕累托前沿上的话就能明确地回答这个问题了。使用自动优化的另一个好处就是能够把握解空间,从而知道我们的设计还有没有改良的余地,这对于产品版本生态开发有着很重要的意义,公司可以知道这个平台在下一代产品中还有改良余地,又或是已经开发到了极限,下个版本可以换个方向开发。这样的决策决定了产品的开发预算能够有的放矢的被使用。

与之类似的需求还有很多,但大多都会回到成本二字。尽管大部分优化软件都不便宜,尽管学习优化软件的人力成本也很高,但是大部分日本大厂和OEM都会导入优化软件,比方说大名鼎鼎的T社和H社都购买了非常大量的优化软件。而以成本管控为强项的日企又怎会买很多昂贵的闲置license呢。

最后再聊一下电机中的细节。自从丰田普锐斯电机诞生之后,越来越多的厂商都开始以其为模板,进行各种改良将其微调成适合自己的电机。这种行为本身就是非常适合参数优化的,基本形状不变,改变各种参数的长度、角度、等等此外,电机中一个非常核心的点就是磁路的设计,它关系到各种特性,比如损耗、比如转矩波动、比如电磁激振力还比方说有不少日本厂商利于磁路优化等手段来减少稀土用量。正因为如此,在电机转子设计或者说磁路优化已经非常普遍,各个大厂绝对会有一套优化的方法。

有些大厂往往会买下一些小众软件做二次开发,再配上自制的优化引擎来实现无限license的优化;而有些大厂会拿这部分钱来买license,因为这样他们能够得到更好的服务支持,减少优化过程中问题的发生。也有些财大气粗的厂商甚至会自行研发求解器,开发社内软件。

在日本低频电磁场领域JMAG占有了绝大多数的市场,尤其是电机领域几乎看不到其他软件。参数优化软件方面,modeFRONTIER(下文简称“mF”)在日本被广泛应用于各行各业,而汽车行业尤为突出,正如前文提到的T社和H社都是拥有大量的mF license。很久以前开始mF就拥有了JMAG接口,所以JMAG作为求解器,mF作为优化引擎、数据挖掘工具的电机自动优化组合就在日本流行开了。接下来我们会介绍下在日本非常流行的JMAG及优化软件mF联合优化流程。

4 JMAG及优化软件modeFRONTIER联合优化流程

首先由于本文核心在于介绍电机的自动优化,而非操作教程,我们不会对基础操作做说明。我们也已经在准备新版本的JMAG基本操作以及JMAG-mF入门手册,相当详细。同时,我们也准备了线下(或许会因为本次疫情改为线上)培训,还请各位保持关注艾迪捷公众号。

联合仿真的流程如下:

1、在JMAG中做好参数化和Response Data等设置。2、在mF中设置好JMAG接口,建立好数据链接。

3、mF中完善Workflow

4、在mF中点击运行按钮,并且可以在计算中进行结果的实时确认。


首先mF会根据算法在设计空间内产生一批变量的值,之后会通过接口传输到JMAG内,JMAG则会根据输入变更形状等参数并进行计算。等到计算结束后则会回传结果至mFmF得到数据后则会显示于界面实现实时观察结果的功能。整个流程会不断循环,直至算法判定计算终止。

这里需要补充的就是CAD模型的内容。当需要改变形状的时候,我们需要将新的形状参数给到CAD软件内,如果使用的是JMAG的几何编辑器作为CAD软件的话,那会非常简单。但是如果是使用泛用CAD软件的话,则会根据软件的不同出现各种不同的流程。比如这次JMAG19.0新版本对NXCADlink做了优化,在这之前NXlink还是比较繁琐的。因此这里也推荐大家在优化中尽可能使用JMAG的几何编辑器,减少一款软件的加入可以帮我优化得更快也能减少错误出现概率。

5 电机自动优化的发展趋势及展望

首先对于这个发展趋势的展望,这里需要声明的是,这一章所有的内容都是我个人的看法,不代表公司也不代表他人。

提到电机自动优化这个话题,我们先将其分割成2个部分,一个是电机优化,一个是自动优化。电机的优化想必大家都非常的熟悉了,这里也不想提及CAE技术的发展,都是圈内的人虽然不想班门弄斧,但是还是想提两句。电机本身作为一款历史悠久的机械,其中蕴含了很多的魅力,但是要提到咱们国家的电机发展,基本可以分为2派,一派是从欧美带回来的技术,一派是从日本带回来的。其实,日本的技术也是源于德国,IDAJ横滨办公室里还有一些很古老的日文书籍是当时翻译的德国文献。现在如日中天的日本电机也是从向德国学习开始的,虽然咱们现在一直在学习国外的电机,但是我相信总有一天咱们能赶上、超过他们。

关于自动优化,上文已有提及,思路很早就有但奈何没有强力的硬件,直至个计算机的兴起,各大公司才有能力购买当时最先进的计算设备。第一版的mF是诞生于1999年那时已是世上第一款商用多目标优化软件。也正是在那个年代才有能够支持其性能的硬件。发展至今,我们可以从JMAG用户大会上看到不少企业已经拥有了100核以上的处理器,已经能够在短时间内计算大规模的模型了。我们可以试想一下如果计算一个简易模型,每一次计算花费1分钟,那么优化计算1000个不同形状大约花费16.67小时。但是如果计算一个复杂模型,每一次花费1小时,那么优化计算5000个不同形状大约花费5000小时。这显然是不可接受的,如果在这基础上我们使用更多的资源,大规模并行license加上高性能计算机HPC的加入使得我们计算复杂模型只需要10分钟,而且我们可以同时算20个模型,那么计算完这5000个只需要42小时。那么对比一下这两者的区别,17个小时算1000个简易模型和42小时算5000个复杂模型,二者的精度以及对解空间的探索有着巨大的差距。这也是为什么这几年,各大OEM和电机大厂都在往licenseHPC上砸钱的原因。当别人好不容易导入了优化工具,开始进行简易模型的优化时,他们已经可以高速计算线圈端部的漏磁,甚至可以夸张到将叠片铁芯一层层地建模计算高精度模型的优化。这就是第一梯队如何和第二梯队来开距离的原因之一。对于将来,各大公司对于大规模并行、大规模分布计算的投入不会减少,还记得博世有一次连续两届参加JMAG用户大会(17年和18年),头一年参加时介绍了他们128核的HPC,第二年就变成了256核了。如果说传统的电机设计、甚至说传统的设计都是建立在工程师数量和质量上的话,那么新时代的电机设计和设计应该是建立在工程师质量和算力基础上的。这个观点虽然是我个人在日本工作的感悟,但也是根据日本的现状得来的。

我们可以先看下JMAG用户大会的内容,我们摘几个大厂的:

 2019年,日本电产发表了JMAG大规模license的使用感受。

2018年,东芝在发表了JMAG大规模license的磁场与结构的联合仿真。

2018年,富士电机发表了使用JMAG并列license3D模型计算

但是早在14年,电装就在用户大会上发表了使用HPC的文章,这是在JMAG官方推出大规模并行license之前。作为丰田集团中的重要成员,电装和爱信电机一样和母公司有着密切的合作,实际上很多时候他们开会都是常年一起开的。因此我们也不难猜测出JMAG推出大规模并行license是什么原因。确实,在日本的趋势就是这样,从早期的导入自动优化,演变大到现在大家都开始注重对于电磁场解析的算力投入、对高性能自动优化的投入。日本如此,那么欧美呢,他们是否也一样呢?答案应该是肯定的,本身欧美的公司就比日本公司更善于利用先进的工具来工作。正如之前提及的博世HPC,绝大部分大厂都会有,而且他们更善于自定义,善于编写各种脚本甚至是优化算法来改良电机自动优化的流程。

外面的环境基本如此,国内环境其实问题还有很多,很多情况下是否投钱于HPClicense上就不是工程师层面可以决定的。其次就是对于优化的理解还有不足,即便是自动优化设计的基础CAE技术在国内也只是刚刚站稳脚跟。很多人还不清楚网格、步数等定义,想到此我们感到任重而道远。这也是为什么我会在前面花很大的篇幅,举很多例子来介绍优化中基本的定义。IDAJ虽然是一家日企,但是董事长是中国人,留日多年也从未改过国籍。公司一直致力于帮助国内的技术发展,一直想着把日本的技术应用到国内。新的一年我们经历了严峻的疫情,我们相信在这疫情之后,我们电机业也能迎来新生。革命尚未成功,我们仍需努力。


*博客内容为网友个人发布,仅代表博主个人观点,如有侵权请联系工作人员删除。

参与讨论
登录后参与讨论
推荐文章
最近访客