Verfahren zur Modellbildung und Verfahren zur Kennwertberechnung eines Elektromotors

Beschreibungseinleitung

Die Erfindung betrifft ein Verfahren zur Modellbildung nach Anspruch 1. Weiterhin betrifft die Erfindung ein Verfahren zur Kennwertberechnung.

In DE 102019 110 879 A1 ist ein Verfahren zur Ermittlung wenigstens eines ersten Motorparameters eines durch eine Eingangsgrösse ansteuerbaren Elektromotors, der bei gegebener Eingangsgrösse und gegebener Motordrehzahl wenigstens eine von dem ersten Motorparameter abhängige Zielgrösse bewirkt, beschrieben. Dabei wird der wenigstens erste Motorparameter ermittelt, indem ein erster Zusammenhang zwischen der Eingangsgrösse und der wenigstens einen Zielgrösse durch eine erste Messung erfasst wird, ein auf Grundlage der ersten Messung aufbauendes Motormodell des Elektromotors verwendet wird, das einen zweiten Zusammenhang zwischen dem ersten Motorparameter und der Zielgrösse abbildet und anschließend über den bekannten zweiten Zusammenhang der erste Motorparameter ausgehend von der bei der ersten Messung erfassten Zielgrösse berechnet wird.

Die Aufgabe der vorliegenden Erfindung liegt darin, die Auslegung eines Elektromotors schneller, genauer und zuverlässiger durchzuführen. Das Elektromotormodell soll genauer und zuverlässiger aufgebaut werden.

Wenigstens eine dieser Aufgaben wird durch ein Verfahren zur Modellbildung mit den Merkmalen nach Anspruch 1 gelöst. Dadurch kann die Auslegung des Elektromotors schneller und genauer erfolgen und der Aufbau des Elektromotors zuverlässiger und einfacher festgelegt werden.

Der Elektromotor kann zum Betrieb in einem Fahrzeug, insbesondere einem Kraftfahrzeug, eingerichtet sein. Der Elektromotor kann eine Antriebsleistung zur Fortbewegung des Fahrzeugs bereitstellen. Der Elektromotor kann in einem Antriebsstrang des Fahrzeugs angeordnet sein.

Der Elektromotor kann ein bürstenloser Gleichstrommotor sein. Die Motorkennwerte können zur Berechnung weiterer Motorkennwerte des Elektromotors verwendet werden. Die Motorkennwerte oder die weiteren Motorkennwerte können Leistungskennwerte des Elektromotors sein. Die Motorkennwerte oder die weiteren Motorkennwerte können von wenigstens einer Eingabevariablen abhängen. Die Motorkennwerte können mehrdimensional als von mehreren Eingabevariablen abhängig sein.

Die Eingabeparameter können insbesondere geometrische, elektrische, elektromagnetische und/oder physikalische Parameter des Elektromotors sein, die diesen oder dessen Betrieb bevorzugt kennzeichnen.

In dem ersten Schritt können die Motorkennwerte erfasst werden, indem für jeden der Elektromotoren eine Simulation und/oder ein Versuch durchgeführt wird. Die Simulation kann eine FEM-Analyse umfassen.

In dem zweiten Schritt kann der Motorkennwert mit mehreren Modellparametern beschrieben werden.

Bei einer bevorzugten Ausführung der Erfindung ist es vorteilhaft, wenn das Parametermodell mehrere Modellparameter aufweist und eine polynomiale Regression mit Regressionsparametern als Modellparameter anwendet. Die polynomiale Regression kann den Zusammenhang zwischen den Motorkennwerten und den Modellparametern durch ein Polynom k-ter Ordnung angeben. Die polynomiale Regression kann eine lineare Regression sein.

Bei einer bevorzugten Ausführung der Erfindung ist es vorteilhaft, wenn das maschinelle Lernverfahren ein Deep Learning an dem Trainingsdatensatz anwendet. Dadurch kann die Genauigkeit des Elektromotormodells erhöht werden.

Bei einer vorzugsweisen Ausführung der Erfindung ist vorgesehen, dass die Motorkennwerte in einem mehrdimensionalen Array abhängig von wenigstens zwei Eingabevariablen angegeben sind. Die Motorkennwerte oder die aus den Motorkennwerten berechneten weiteren Motorkennwerte können in einem zweidimensionalen Array angegeben sein. Die Motorkennwerte oder die weiteren Motorkennwerte können beispielsweise eine maximale Phasenspannung abhängig von einer Rotordrehzahl eines Rotors des Elektromotors und einem Eingangsstrom des Elektromotors als Eingabevariablen sein.

Bei einer vorzugsweisen Ausführung der Erfindung ist vorgesehen, dass das Parametermodell eine in der Dimension verringerte Repräsentation des mehrdimensionalen Arrays bildet. Der Modellparameter des Parametermodells eines Elektromotors kann ein Skalar sein. Der Modellparameter der Parametermodelle der Anzahl an Elektromotoren kann ein Vektor mit der Anzahl an Elektromotoren als Dimension sein.

Eine bevorzugte Ausgestaltung der Erfindung ist vorteilhaft, bei der die Motorkennwerte mit dem Parametermodell mit dem wenigstens einen Modellparameter analytisch beschrieben werden. Dadurch kann die Rechenzeit zur Berechnung der Motorkennwerte in Kenntnis der Modellparameter bei einer späteren Anwendung des Parametermodells verringert werden.

Bei einer bevorzugten Ausführung der Erfindung ist es vorteilhaft, wenn das Elektromotormodell spezifisch an die Eingabevariable angepasst ist. Bevorzugt können mehrere Elektromotormodelle jeweils für verschiedene Eingabevariablen erstellt werden.

Weiterhin wird wenigstens eine der zuvor angegebenen Aufgaben durch ein Verfahren zur Kennwertberechnung mit den Merkmalen nach Anspruch 8 gelöst. Dadurch können in einem frühen Entwicklungsstand des Elektromotors schnell und zuverlässig Abschätzungen zu dem Zusammenhang zwischen den Eingabeparametern und den Motorkennwerten getroffen werden.

Bei einer speziellen Ausführung der Erfindung ist es von Vorteil, wenn die Motorkennwerte in von wenigstens einer weiteren Eingabevariablen abhängige weitere Motorkennwerte berechnet werden. Die weiteren Motorkennwerte können abhängig von einem Verhältnis zwischen den Motorkennwerten oder der weiteren Eingabevariablen berechnet werden.

Bei einer speziellen Ausführung der Erfindung ist es von Vorteil, wenn die weiteren Motorkennwerte als wenigstens von der Eingabevariablen und der weiteren Eingabevariablen abhängig mehrdimensional sind. Dadurch kann eine Abhängigkeit der Motorkennwerte von der Eingabevariablen und der weiteren Eingabevariablen besser aufgelöst werden. Die weiteren Motorkennwerte können beispielsweise ein von einem Eingangsstrom und einer Rotordrehzahl abhängige maximale Phasenspannung des Elektromotors sein.

Weitere Vorteile und vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus der Figurenbeschreibung und den Abbildungen.

Figurenbeschreibung

Die Erfindung wird im Folgenden unter Bezugnahme auf die Abbildungen ausführlich beschrieben. Es zeigen im Einzelnen: Figur 1 : Ein Verfahren zur Modellbildung eines Elektromotors in einer speziellen Ausführungsform der Erfindung.

Figur 2: Ein Verfahren zur Kennwertberechnung eines Elektromotors in einer speziellen Ausführungsform der Erfindung.

Figur 1 zeigt ein Verfahren zur Modellbildung eines Elektromotors in einer speziellen Ausführungsform der Erfindung. Das Verfahren zur Modellbildung 10 eines Elektromotormodells N eines Elektromotors umfasst zunächst einen ersten Schritt S1 , in dem Motorkennwerte K eines Elektromotors abhängig von wenigstens einem Eingabeparameter P _e als Kenngröße des Elektromotors und wenigstens einer Eingabevariablen A erfasst werden. Die Motorkennwerte K des Elektromotors können insbesondere Leistungskennwerte sein, die bevorzugt als zweidimensionales Array angegeben sind. Die Leistungskennwerte können beispielsweise eine maximale Phasenspannung des Elektromotors abhängig von einer Rotordrehzahl eines Rotors des Elektromotors und einem Eingangsstrom des Elektromotors sein. Die Motorkennwerte werden beispielsweise abhängig von einer Anzahl m an Eingabeparametern P _e erfasst.

Die Eingabeparameter P _e können insbesondere geometrische, elektrische, elektromagnetische und/oder physikalische Parameter des Elektromotors sein, die diesen oder dessen Betrieb kennzeichnen. Beispielsweise kann der Eingabeparameter P _e eine Anzahl an Leitern pro Statorschlitz, insbesondere 4, 6 oder 8, eine Magnetdicke, insbesondere zwischen 4 und 5 mm, eine Magnetbreite, insbesondere zwischen 15 und 22 mm oder ein maximaler Eingangsstrom, insbesondere zwischen 400 und 500 A sein.

Die Eingabevariable A kann ein Eingangsstrom des Elektromotors sein.

Die Motorkennwerte K werden insbesondere erfasst, indem für den Elektromotor eine Simulation und/oder ein Versuch durchgeführt wird, womit die Motorkennwerte K abhängig von den Eingabeparametern P _e und der Eingabevariablen A bestimmt werden. Die Simulation kann eine FEM-Analyse sein. Die Motorkennwerte K für den Elektromotor werden gespeichert.

In einem zweiten Schritt S2 werden die Motorkennwerte K des Elektromotors durch ein Parametermodell M mit wenigstens einem Modellparameter P _m abhängig von der Eingabevariablen A analytisch beschrieben. Das Parametermodell M bildet eine in der Dimension verringerte Repräsentation der Motorkennwerte K. Bevorzugt werden die Motorkennwerte K abhängig von mehreren Modellparametern P _{m 0} , P _{m l} , P _{m 2} beschrieben. Das Parametermodell M kann eine polynomiale Regression R mit Regressionsparametern als Modellparameter P _m anwenden. Die polynomiale Regression R kann den Zusammenhang zwischen den Motorkennwerten K und den Modellparametern P _m insbesondere durch ein Polynom zweiter Ordnung wie folgt angeben:

Die Modellparameter P _m und die Motorkennwerte werden neben dem zuvor beschriebenen Elektromotor insgesamt für eine Anzahl n an Elektromotoren mit zumindest voneinander verschiedenen Eingabeparametern P _e erfasst.

Die Modellparameter P _m der Anzahl n an Elektromotoren können als Vektoren der Länge n angegeben werden. Die Anzahl an Elektromotoren n und die Anzahl m an Eingabeparametern P _e m können voneinander abhängig festgelegt werden. Beispielsweise kann die Anzahl n an Elektromotoren gleich 1000 und die Anzahl m an Eingabeparametern P _e gleich 15 sein.

In einem dritten Schritt S3 werden für die Elektromotoren die mehreren Modellparameter P _m und die Eingabeparameter P _e zusammen mit der Eingabevariablen A als Eingabedatensatz D gebildet. Der Eingabedatensatz D bildet einen Trainingsdatensatz T für ein nachfolgendes maschinelles Lernverfahren K.

In einem vierten Schritt S4 wird mit dem maschinellen Lernverfahren K ein Elektromotormodell N zur Berechnung der Modellparameter P _m des Elektromotors abhängig von den Eingabeparametern P _e und der Eingabevariablen A erstellt. Das maschinelle Lernverfahren K nutzt Deep Learning L an dem Trainingsdatensatz T.

Figur 2 zeigt ein Verfahren zur Kennwertberechnung eines Elektromotors in einer speziellen Ausführungsform der Erfindung. Das Verfahren zur Kennwertberechnung 12 von Motorkennwerten K eines Elektromotors wird durchgeführt, um Motorkennwerte K des Elektromotors zu berechnen. In einem ersten Schritt S1 werden Eingabeparameter P _e und Eingabewerte A _t wenigstens einer Eingabevariablen A festgelegt. Die Eingabeparameter P _e können insbesondere geometrische, elektrische, elektromagnetische und/oder physikalische Parameter des Elektromotors sein, die diesen kennzeichnen. Beispielsweise kann der Eingabeparameter P _e eine Anzahl an Leitern pro Statorschlitz, insbesondere 4, 6 oder 8, eine Magnetdicke, insbesondere zwischen 4 und 5 mm, eine Magnetbreite, insbesondere zwischen 15 und 22 mm oder ein maximaler Eingangsstrom, insbesondere zwischen 400 und 500 A sein. Die Eingabevariable A kann ein Eingangsstrom des Elektromotors sein. Die Eingabewerte A _t können abhängig von wenigstens einem Eingabeparameter P _e berechnet werden. Beispielsweise können die Eingabewerte A _t stufenweise bis zu einem maximalen Eingangsstrom als Eingangsparameter P _e erhöhte Stromwerte sein.

In einem zweiten Schritt S2 werden mit einem wie in Figur 1 beschrieben erstellten Elektromotormodell N mehrere Modellparameter P _{m 0} , P _{m l} , P _{m 2} abhängig von den Eingabeparametern P _e und den Eingabewerten A _t berechnet.

In einem dritten Schritt S3 werden die Modellparameter P _m zusammen mit den Eingabewerten A _t in dem in Figur 1 beschriebenen Parametermodell M eingegeben und in einem vierten Schritt S4 werden die Motorkennwerte K über das Parametermodell M berechnet.

In einem optionalen fünften Schritt S5 werden die Motorkennwerte K in weitere Motorkennwerte K‘ berechnet, die von Eingabewerten Bt wenigstens einer weiteren Eingabevariablen B abhängig sind. Die weitere Eingabevariable B kann eine Rotordrehzahl sein.

Bezugszeichenliste

10 Verfahren zur Modellbildung

12 Verfahren zur Kennwertberechnung

A Eingabevariable

At Eingabewert

B weitere Eingabevariable

Bt Eingabewert

D Eingabedatensatz

K Motorkennwert

K‘ weiterer Motorkennwert

K maschinelles Lernverfahren

L Deep Learning

M Parametermodell

N Elektromotormodell

P _e Eingabeparameter

P _m Modellparameter

R polynomiale Regression

51 erster Schritt

52 zweiter Schritt

53 dritter Schritt

54 vierter Schritt

55 fünfter Schritt

T Trainingsdatensatz m Anzahl an Eingabeparameter n Anzahl an Elektromotoren