Μονοκριτηριακή και πολυκριτηριακή βελτιστοποίηση σύγχρονου κινητήρα επιφανειακών μονίμων μαγνητών για εφαρμογή ηλεκτροκίνησης

Μονοκριτηριακή και πολυκριτηριακή βελτιστοποίηση σύγχρονου κινητήρα επιφανειακών μονίμων μαγνητών για εφαρμογή ηλεκτροκίνησης (EL)

Single and multi-objective optimization of the geometry of a Surface Mounted Permanent Magnet (SPMP) traction motor for light electric vehicle (EN)

Αρμούτη, Ιωάννα (EL)

Armouti, Ioanna (EL)

Κλαδάς, Αντώνιος (EL)

Μανιάς, Στέφανος (EL)

ntua (EL)

Παπαθανασίου, Σταύρος (EL)

bachelorThesis

2016-06-10T12:57:22Z

2016-06-10

2016-03-29

Η παρούσα εργασία επιχειρεί τη σχεδίαση ηλεκτρικού κινητήρα για εφαρμογή σε σύστημα ηλεκτρικής κίνησης οχήματος, χρησιμοποιώντας μονοκριτηριακή και πολυκριτηριακή βελτιστοποίηση γεωμετρίας και θέτοντας ως κυρίαρχα κριτήρια εκτός από την επίτευξη της επίδοσης, τη μείωση των απωλειών, των συντελεστών ποιότητας ισχύος, του βάρους και του όγκου της μηχανής. Η εργασία σε ένα πρώτο βήμα προσδιορίζει τις προδιαγραφές των κύριων λειτουργικών χαρακτηριστικών του κινητήρα και σε ένα δεύτερο βήμα βελτιστοποιεί τη γεωμετρία σχεδίασης βάσει των εκάστοτε λειτουργικών χαρακτηριστικών του. Πιο συγκεκριμένα, επιχειρείται η σχεδίαση και βελτιστοποίηση ενός σύγχρονου κινητήρα επιφανειακών μονίμων μαγνητών, ο οποίος χαρακτηρίζεται από χαμηλή ισχύ (~220 W), χαμηλή ταχύτητα περιστροφής (~300 ΣΑΛ) και ταυτόχρονα υψηλή απόδοση (> 85%). Αρχικά, πραγματοποιείται μια σύντομη παρουσίαση του ηλεκτροκίνητου οχήματος ως εφαρμογή αναφοράς και των διαφορετικών συστημάτων κίνησης που μπορούν να χρησιμοποιηθούν. Στη συνέχεια, περιγράφεται η θεωρητική ανάλυση των σύγχρονων μηχανών επιφανειακών μονίμων μαγνητών, καθώς και η μεθοδολογία προκαταρκτικής σχεδίασης μιας τέτοιας μηχανής. Σε επόμενη ενότητα, γίνεται η παρουσίαση όλων των αλγορίθμων βελτιστοποίησης που χρησιμοποιούνται στην παρούσα εργασία, οι οποίοι είναι μονοκριτηριακοί Τεχνητής Αποικίας Μελισσών ABC (Artificial Bee Colony algorithm) και Διαφορικής Εξέλιξης DE (Differential Evolution algorithm) καθώς και πολυκριτηριακοί Εξελικτικού Μετώπου Pareto SPEA-II (Strength Pareto Evolutionary Algorithm II), NSGA-II Αλγόριθμος Ταξινόμησης των Μη-κυριαρχούμενων λύσεων (Non-dominated Sorting Genetic Algorithm II) και Επιλογής Ομαδικού Μετώπου Pareto PESA-II (Pareto Envelope-based Selection Algorithm II). Στη συνέχεια αναπτύσσονται ειδικοί υβριδικοί αλγόριθμοι προσαρμοσμένοι για τη συγκεκριμένη εφαρμογή, και συγκεκριμένα ο μονοκριτηριακός ABC-DE (Artificial Bee Colony algorithm-Differential Evolution) και ο πολυκριτηριακός αλγόριθμος ASMA (ABC SPEA-II Multi-objective Algorithm). Προκειμένου να διερευνηθεί η αποτελεσματικότητα και αποδοτικότητα των δύο αυτών αλγορίθμων, παρουσιάζεται η σύγκριση μεταξύ αυτών και άλλων δημοφιλών μονοκριτηριακών και πολυκριτηριακών αλγορίθμων στην περίπτωση τυπικών δοκιμαστικών συναρτήσεων. Ιδιαίτερα για τον τροποποιημένο μονοκριτηριακό αλγόριθμο ABC-DE συγκρίνεται η σύγκλιση που παρουσιάζει πρoς τη βέλτιστη τιμή για διάφορες δοκιμαστικές συναρτήσεις, σε σχέση με τον κλασικό αλγόριθμο ABC. Αντιστοίχως, για τον πολυκριτηριακό ASMA πραγματοποιείται σύγκριση των χαρακτηριστικών του με εκείνα τριών δημοφιλών εξελικτικών αλγoρίθμων πολυκριτηριακής βελτιστοποίησης, του SPEA-II (Strength Pareto Evolutionary Algorithm II), του NSGA-II (Non-Dominated Sorting Genetic Algorithm II) και του PESA-II (Pareto Envelope-based Selection Algorithm II). H σύγκριση αυτή πραγματοποιείται με τη βοήθεια επτά δοκιμαστικών συναρτήσεων, δύο και τριών κριτηρίων, της πλήρους ακολουθίας του Van Veldhuizen. Για να επιτευχθεί αντικειμενική σύγκριση των αλγoρίθμων αυτών, επιλέχθηκαν πρόσφατες τεχνικές αξιολόγησης μετώπων Pareto, όπως ο δείκτης υπερόγκου μετώπου (Hypervolume) και ο δείκτης συνεισφοράς του (Contribution Rate, CR). Σε επόμενο κεφάλαιο επιχειρείται η βελτιστοποίηση γεωμετρίας του κινητήρα του πρωτότυπου οχήματος «Πυρφόρου ΙΙ». Η μεθοδολογία βελτιστοποίησης που αναπτύχθηκε βασίζεται στους δύο υβριδικούς αλγορίθμους που προαναφέρθηκαν και υλοποιήθηκε με τη βοήθεια του προγράμματος αριθμητικής ολοκλήρωσης διαφορικών εξισώσεων MATLAB, του προγράμματος πεδιακής ανάλυσης με τη μέθοδο των πεπερασμένων στοιχείων FEMM και των εντολών συνδυασμού τους σε γλώσσα Luascript. Μετά τις βελτιστοποίησεις παρουσιάζονται και αναλύονται τα αποτελέσματα που προέκυψαν από αυτές, όπως επίσης γίνεται και παράθεση των σχεδίων των κινητήρων αλλά και των λειτουργικών χαρακτηριστικών τους. Γίνεται, τέλος, σύγκριση μεταξύ αυτών και του κινητήρα που σχεδιάστηκε στο αρχικό στάδιο αυτής της εργασίας. Η σύγκριση αυτή αναδεικνύει την καταλληλότητα της μεθόδου σε αυτή τη κατηγορία προβλημάτων, καθώς επιτεύχθηκε σημαντική αύξηση της απόδοσης του ηλεκτρικού κινητήρα χωρίς μεταβολή των ονομαστικών του προδιαγραφών. (EL)

Τhe present diploma thesis undertakes the design and optimization procedure of a permanent magnet motor, for an electric vehicle drive system application., The methodology developed uses single and multi-objective optimization methods and emphasizes on losses, torque ripple, back-electromotive force harmonic distortion and motor weight minimization. In a first step the specifications of the main operating characteristics of the electric motor are determined. In particular, a synchronous surface mounted permanent magnet motor configuration, which presents low nominal power (~ 220 W), low rotational speed (~ 300 rpm) and high efficiency (> 85%), has been considered. In a second step the motor geometry optimization is performed. Initially, the main applications of electric vehicles are presented, as well as the different electric drive system configurations implemented. In addition, the basic theory of the permanent magnet synchronous motors is outlined along with the procedure of their preliminary design. The main concepts and fundamental relations of single and multi-objective optimization techniques are discussed. In a next section, the optimization algorithms implemented in this diploma thesis are described. More specificaly the single objective ABC (Artificial Bee Colony algorithm) and DE (Differential Evolution algorithm) as well as the multi objective SPEA-II (Strength Pareto Evolutionary Algorithm II), NSGA-II (Non-dominated Sorting Genetic Algorithm II) and PESA-II (Pareto Envelope-based Selection Algorithm II) are explained. Moreover, the hybrid algorithms developed in this diploma thesis are detailed that is: the single-objective hybrid algorithm ABC-DE (Artificial Bee Colony algorithm - Differential Evolution) and the multi-objective algorithm ASMA (ABC SPEA-II Multi-objective Algorithm).Subsequently, in order to illustrate the effectiveness and the efficiency of these optimization algorithms they have been compared to some of the most popular optimization algorithms. The single-objective ABC-DE has been compared to the simple ABC algorithm, by using benchmark test functions. The multi-criteria hybrid-algorithm ASMA has been compared to SPEA-II, NSGA-II and PESA-II by using the the Van Veldhuizen’s test functions suite. In order to ensure an unbiased comparison between the algorithms, popular Pareto fronts evaluation techniques were implemented, such as the Hypervolume (HV) indicator and the recently proposed Contribution Rate (CR). In the followings the optimization of “Pyrforos II” motor has been performed, based on its nominal characteristics. In a first step the preliminary design enabled the main geometrical parameters determination. In a second step the critical design has been undertatken by developing an optimization methodology based on the hybrid-algorithms mentioned previously, implemented by combining the numerical integration of differential equations program MATLAB, the field analysis software FEMM based on the finite element method coupled by using Luascript programming language. After the optimization phase, the obtained motor results are analyzed and compared to the operating characteristics of the motor configuration defined at the preliminary design stage. This comparison illustrates the proposed methodology effectiveness in this class of problems, as the efficiency of the electric motor is significantly increased without changing its nominal specifications. (EN)

Ακολουθία δοκιμαστικών συναρτήσεων (EL)

Κινητήρες μονίμων μαγνητών (EL)

Μέθοδος πεπερασμένων στοιχείων (EL)

Δρομέας επιφανειακών μαγνητών (EL)

Αλγόριθμος ABC (Artificial Bee Colony algorithm) (EL)

Υπερόγκος (EL)

Μονοκριτηριακή βελτιστοποίηση (EL)

Ηλεκτρικά οχήματα (EL)

Σχεδίαση ηλεκτρικού κινητήρα (EL)

Παραμετροποιημένη σχεδίαση (EL)

Έννοια της κυριαρχίας (EL)

Μέθοδος διαφορικής εξέλιξης (EL)

Τοπικά ακρότατα (EL)

Ολικά ακρότατα (EL)

Αλγόριθμος ASMA (ABC SPEA-II, Multi-objective Algorithm) (EL)

Δείκτης συνεισφοράς μετώπου (EL)

Εξελικτικοί αλγόριθμοι (EL)

Πολυκριτηριακή βελτιστοποίηση (EL)

Μέτωπο Pareto (EL)

Electric motor design (EN)

NSGA-II (EN)

Pareto front (EN)

Van Veldhuizen’s test function suite (EN)

Local optimum (EN)

SPEA-II (EN)

Hypervolume (EN)

Permanent magnet motors (EN)

Global optimum (EN)

Dominance (EN)

ASMA algorithm (ABC SPEA-II, Multi-objective Algorithm) (EN)

PESA-II (EN)

Electric vehicle (EN)

Parametric design (EN)

Evolutionary algorithms (EN)

Van Veldhuizen (EN)

Single-objective optimization (EN)

Finite element method (EN)

Surface mounted magnet motors (EN)

Contribution Rate CR (EN)

ABC algorithm (Artificial Bee Colony Algorithm) (EN)

Differential evolution method (EN)

Multi-objective optimization (EN)

Ελληνική γλώσσα

Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος. Εργαστήριο Ηλεκτρικών Μηχανών και Ηλεκτρονικών Ισχύος (EL)

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

http://creativecommons.org/licenses/by-nc-nd/3.0/gr/

Εθνικό Μετσόβιο Πολυτεχνείο

Ψηφιακό Αποθετήριο της Κεντρικής Βιβλιοθήκης του ΕΜΠ | Dspace@NTUA

Κεντρική Βιβλιοθήκη Ε.Μ.Π.

Ιδρυματικό Αποθετήριο

Διπλωματικές Εργασίες