引子·当前电机设计的痛点
电机不是新事物，无论科学理论还是工程技术已经发展相当成熟。但随着应用要求的加速提高，电机设计难度却与日俱增。 我们这个时代的工程师，面临问题的复杂度和难度要远远超过90年代的从业者。随着新能源汽车行业的兴起，对电机的要求达到了新高，传统的“留大余量”、“类比设计”等设计手段已不再适用。可以从两个方向去理解这种处境：
一方面现在的电机电机设计目标增多，2000年以前永磁同步电机能转起来，额定电流和效率差不多就可以了。而现在的电机，还需要满足最大转矩、最高转速、NVH、散热等多目标、多维度的要求。因此我们一开始设计时就需要平衡高低速的性能、就要平衡噪音和电磁性能，反复调整权衡使得我们设计周期变长。
另外一个方面，现在已经全面进入极限设计时代，不断提升的转矩密度、功率密度和成本的要求使得设计不断超越以往经验极限。在最近的一些项目中，最大转矩时齿部和轭部磁密取到2.0T，这在以前是不敢想象的。在以往的设计中，找到一个“过得去的解”就可以了，而现在仅仅“过得去”是不够的，还得保证是极限最优解。追求极限不仅是没法留余量，还会产生“按下了葫芦浮起了瓢”的问题。这极大的提高了我们的设计难度。
设计周期变长、设计难度变高已经成了当前电机的设计痛点。痛则变，变则通。奋斗者总是不会安于现状，总是想找到突破的方法 。这条路必然是困难和喜悦并存，每有突破总是：”提刀而立，为之四顾，为之踌躇满志“。下面介绍我们的最新的技术进展：用多目标算法优化方法来追求极限设计， 克服“按下了葫芦浮起了瓢”的问题。
案例和目标
我们用一个具体的案例来阐述方法和过程，这个案例是一款A0车驱动电机。峰值功率60kw，扭矩250Nm,10000rpm，采用经典8极48槽结构。具体方案结构如下：
在我们在原方案的基础上做优化， 电机的优化路线有两种，一种是相同的成本，提高电机性能。另外一种是相同的性能降低成本。我们采取第一种优化路线。结合当前车用驱动的竞争焦点，我们再细分为四个优化方向。
第一类是 优化系统NVH性能，降低转子侧引起的传导噪音， 以优化转矩脉动、降低齿槽转矩为目标；
第二类是降低电机本身辐射噪音，以优化关键阶次电磁力为目标；
第三类是提高效率，提高最高效率点和高效面积；
第四类是提高转矩和功率的输出能力，以最大转矩和输出功率为优化目标。
这四类目标的精进是驱动电机发展的内驱力， 驱动着技术不断更新迭代。但这四类目标往往是相互冲突的，靠传统的优化方法经常出现优化了这个，恶化了那个的问题，比如说NVH和输出能力之间往往不可兼得。即便是同为NVH目标，也是分布在不同工况下的，容易出现低速下性能优化了，高速下就差的问题。为了解决这类问题，我们尝试着采用多工况多目标优化的方法来毕其功于一役。
具体的设计工况和优化目标如下表所示，分为4个工况，12个优化目标。优化时不改变定子和绕组，仅作转子磁极结构优化。计算时才用等电流幅值激励，因此铜耗不变 ，但提高转矩，或者降低单位转矩下的铁耗，就相当于提高效率。
工况
优化目标：
空载
齿槽转矩、线反电动势THD
最大转矩
最大转矩、 转矩脉动
最高转速
铁耗， 最大输出转矩、转矩脉动、电磁力、感应电势THD
额定转速（已弱磁）
铁耗， 最大输出转矩、转矩脉动
优化设置和过程
为了实现上述优化目标，需要 设置多工况下的目标函数。 如下图所示，不同的工况下对转矩脉动、最大转矩、铁耗、电磁力、感应电势的THD 都作了目标定义。
其中最高转速下最易出现辐射噪音问题，因此专门作了以该工况下 24阶、48阶、96阶电磁力作了加权和作为电磁力优化目标函数，反复的实践证明，对8极48槽的电机这三阶电磁力是最易产生阶次噪音的成分。
我们的优化变量为转子的磁极结构，以极弧系数、V角、磁桥参数、辅助槽参数等作为优化变量，总计11个优化变量。如果采用参数化扫描的方式，每个参数取10个步长，则需要10^11次计算。而用优化算法，则会自动寻优，计算量可控制在千数量级内。
设置好优化变量后，还需要对优化算法进行设置。我们采用了遗传迭代算法。这是一种类似于生物进化的算法。把每个方案定义为一个体，假设一个初始的种群中，有28个个体，有的较优，有的较差。以优秀的个体为种子，稍加基因变异，让他们产生下一代种群，在这个种群中，有些变异有益，有些变异有害，保留有益的个体，让他们产生下一代，如此循环，进化16代，优异的特性被不断增强，接近最优解。当然具体的个体数和进化代数可以根据实际情况微调。
优化目标、优化变量、算法设置完成 后软件会自动进行迭代计算，不需要人再来干预。每一代的种群分布会绘制在下图中。
总共历经16代，每代耗时64分钟左右，总计耗时1047分钟，约18个小时。计算cpu为I7-9700K,24GB内存。
解集选择
算法将每一代的最佳个体保留下来，最后所有优秀个体全都放在解集中，视优化代数和优化目标数，最后保留下来的优秀方案在几十个到几百个不等，如何从众解中，选出最符合要求的方案，成了一个新的问题。
我们采取了一种基于目标策略的方式来过滤方案。最简单的一种策略就是：所有的指标都优异于原方案，姑且称之为策略A，但这可能会使得我们的方案变得平庸。因此会备用NVH性能最优，牺牲一定输出能力的策略，称之为策略B。也可以采用牺牲一定NVH性能，保证输出能力最优的策略，我们称之为策略C。策略不同，筛选出的方案也就不同。
策略A的最优解：按照全面优于原方案的策略，我们能够找到一系列解，其中ModeA1 综合性能最优。ModelA1方案的转矩、弱磁时单位转矩电压都优于原方案，因此其输出能力会更强。而谐波畸变率、电磁力、转矩脉动都优于原方案，因此NVH性能会更好。但缺点是每样的优势都不明显，比较中庸。
方案号原方案MODELA1MODELA2
最大转矩-245-247.2-250.3
最大转矩下的转矩脉动0.06560.0530.058
高速单位转矩铁耗72.7867.1365.15
高速单位转矩反电动势4.64.544.52
高速转矩脉动0.37910.2960.226
高速线感应电势THD0.370.3530.336
高速电磁力234631598719216
额定单位转矩铁耗13.6210.87810.791
额定单位转矩感应电势4.34.2874.285
额定转矩脉动0.18320.1460.126
齿槽转矩1.961.2271.867
线感应电势THD0.03840.03730.0382
策略B的最优解:牺牲一定的空载谐波畸变率，突出最大转矩和高速下转矩能力，是策略B的基本原则，在该原则下 我们能找到ModelB1方案，其转矩比原方案大9Nm，高速下单元转矩电压小3%，输出能力在各方案中处于较佳水平。但缺点是空载反电动势的谐波畸变率大于原方案。
方案号原方案MODELB1MODELB2
最大转矩-245-254.5-251.8
最大转矩下的转矩脉动0.06560.06740.0551
高速单位转矩铁耗72.7866.54465.653
高速单位转矩反电动势4.64.4904.490
高速转矩脉动0.37910.2700.193
高速线感应电势THD0.370.31380.3114
高速电磁力234631617017870
额定单位转矩铁耗13.6210.840810.9054
额定单位转矩感应电势4.34.29474.2952
额定转矩脉动0.18320.15940.1125
齿槽转矩1.960.78471.0812
线感应电势THD0.03840.05210.0428
策略C的最优解,该解的原则是牺牲一定的转矩，保证NVH性能突出，这也是当前很多厂家优化的思路。按照这种思路，我们能获得ModelC1这样的方案。其电磁力几乎只有原方案的一半，各工况下转矩脉动,都优于原方案。但缺点是最大转矩减小了6Nm,高速下的电压转矩系数也小于原方案，也就意味着，输出能力会有所下降。
方案号原方案MODELC1MODELC2
最大转矩-245-239.1-241.0
最大转矩下的转矩脉动0.06560.0580.061
高速单位转矩铁耗72.7867.10765.163
高速单位转矩反电动势4.64.6404.613
高速转矩脉动0.37910.3310.343
高速线感应电势THD0.370.3990.386
高速电磁力234631251412235
额定单位转矩铁耗13.6210.80410.722
额定单位转矩感应电势4.34.3004.300
额定转矩脉动0.18320.1410.168
齿槽转矩1.960.5451.026
线感应电势THD0.03840.0380.041
三个方案和原方案的对比如下图所示，ModelA1是中庸型优化方案，ModelB1是加强输出能力的优化方案，而ModelC1为NVH加强型方案。可以发现每个转子的极弧系数、V夹角、辅助槽设计都略有不同。
方案 验证
为了证明各优化策略的有效性，需要作进一步的验证计算。我们先对比ModelA1和原方案。
相比较原方案，ModelA1方案效率map图分布基本相同，最高效率94.3%超过原方案0.1%个百分点。
在输出能力上，ModelA1最大转矩比原方案略大2Nm,峰值功率82.2kw略大于原方案80kw,最高转速下最大功率60kw略大于原方案2kw，因此该优化方案在输出能力上略优于原方案。
在转矩脉动方面两个方案各有优点，ModelA1在高速弱磁区域占优，而原方案在低速轻载区域占优，在低速高载区域两个方案相当。优化时未考虑到低速轻载区域的特性，因此出现该区域的转矩脉动大于原方案是容易理解的。
对比ModelB1和原方案，我们能发现前者的最大转矩 超过250Nm,大于原方案的246Nm，而最大输出功率ModelB1要大3kw，峰值转速下的最大输出功率也大4kw,可以见算法优化是有效的，输出功率得到了全面的加强。
在优化时, ModelB1比ModelA1在额定和高速时的铁耗更优于原方案，所以在效率map图中，发现最高效率点得到明显提高，从94.2%提高到了94.4%，这也是符合预期的。
对比ModelC1时，一如我们预期的那样，ModelC1的输出能力要弱于原方案,无论是最大扭矩还是输出功率ModelC1都要略小于原方案，最大扭矩小了6Nm,而最大输出功率小了1kw。
ModelC1以输出能力降低换取了NVH性能的提高，下图是高速工况的电磁力数据，可以发现ModleC1方案的电磁力最低，无论是24阶、48阶还是96阶都远低于原方案。而ModelA1和ModelB1在不同程度优于原方案。
通过数据对比还能发现很多信息，限于篇幅不一一罗列了。从数据验证的情况看，多目标优化是有效的，基本做到了所见即所得。
总结·算法时代的到来
行文至此，大家也许多少感觉到了算法优化的恐怖。算法优化至少在三个层面上是强于人脑的。
第一个是计算效率，算法能够在短时间内计算几千个方案来寻优，而且算法设计不需要关心过程，更不需要关注设计方法。这使得设计和决策变得高度简洁， 这是人脑难以企及的。
第二个是数据的完备性，算法优化的解集中，包含了各种侧重的解，可根据我产品侧重筛选出合理解。这点在做多方案评审论证时特别有用，而人脑优化做不到如此全面和高效。
第三个是 极限设计能力，人脑设计时：把握“最大转矩的极限值是多少”比较容易，而“保证高速转矩脉动控制在10%以内时，最大转矩的极限值是多少？”我们就很难回答上来。而算法恰恰擅长这一点。其在多工况、多指标下约束寻找极限解的能力是人脑无法比拟的。
算法的强大使得我们一旦掌握了算法设计，就很难逆转，再也不想回头。蜗牛好歹也是有十数年经验的工程师，但无论设计质量和速度上，都无法和算法相媲美。两次PK败下阵来后，从3月份开始，我们就再也没有一个项目不是靠算法来设计了，不知道该高兴还是该失落。《未来简史》的作者 尤瓦尔·赫拉 这样描述人类的未来：“将把工作和决策权交给机器和算法来完成，大部分人将沦为‘无用阶级’ ' 。
也许也不用太过悲观，至少现阶段我们还能够在 如下三个层面上有所作为：
制定优化目标和策略，没有好的目标函数，算法也无法发挥作用，而这依赖我们在应用层面加深对产品需求的理解；
校核方案，使之和后续的制造工艺相兼容，理解算法解背后的物理机理，一旦出现问题可以确定原因，寻找解决方案。
不断设计和改善算法，使得算法成为我们的工具，而不是被工具所驾驭。但这对人的要求较高。
最好的结局是：人归人，算法归算法，各安其位，期望算法时代到来我们都能找到安身立命所在。
死磕自己，服务大家，我是核动力蜗牛，每周分享技术干货。
如果需要交流计算，扫下面的二维码联系我。
【关键技术】永磁电机PWM谐波噪音的原理和优化
