Konventionelle Motorlösungen in der elektrischen Antriebstechnik (EM, Electrical Machines) besitzen, selbst bei konstanten Lastanforderungen, meist zwei grundlegenden Probleme: Erstens ist ihre Grundeffizienz oft zu gering und zweitens erreichen sie ihr Effizienzmaximum meist nur in einem relativ engen Drehzahlbereich. Deswegen sind häufig zusätzliche Getriebe und Regler erforderlich. In den meisten Fällen liegen die größten Energiesparmöglichkeiten, in einer spezifischen Anpassung des jeweiligen Arbeitspunkts an die aktuelle Lastsituation.
Wozu EM-Simulation?
In modernen Anwendungen, wie zum Beispiel der Robotik, ergeben sich komplexe dynamische Anforderungen, die mit konventioneller Technik kaum lösbar sind. Hier ist es entscheidend, alle möglichen Betriebszustände vorab zu simulieren, um fundierte Aussagen über die zu erwartende Lebensdauer und Zuverlässigkeit treffen zu können. Gute Simulationsprogramme ermöglichen es auf mehreren Ebenen, beziehungsweise multiphysisch, also in unterschiedlichen Domänen (elektrisch, magnetisch, mechanisch), zu simulieren. Dabei lassen sich auch mögliche Lasten einbeziehen und Aussagen über dynamisches Verhalten erhalten. Komplette Systeme können so im virtuellen Betrieb betrachtet und auf ihr Umfeld angepasst werden. Wie genau das funktioniert wird im weiteren Verlauf anhand eines DC-Brushless-Motors erläutert.
Beispiel DC-Brushless-Motor
Im betrachteten Fall soll ein Drehstrom-Asynchronmotor durch den erwähnten DC-Brushless-Motor ersetzt werden. Durch die passende Auslegung des Motors auf den vorliegenden Drehzahlbereich kann man bei dem neuen Antrieb auf den Einsatz eines Getriebes verzichten. Das spart sowohl Gewicht als auch Kosten. Für die Simulation greift man am besten auf eine Simulationssoftware, wie zum Beispiel den Ansys Maxwell Simulator, zurück.
Um den passenden Motor auszuwählen, muss zunächst der Maschinentyp ermittelt und parametrisiert werden. Dazu legt man die grundsätzlichen Leistungsdaten in Abhängigkeit von der Physik, wie etwa Struktur (Polzahl) und Größe (Abmessungen), fest. Um diese Arbeit zu erleichtern, enthält der Maxwell Simulator Templates für alle gängigen Synchron- und Asynchronmaschinen. Nach der vollständigen Parametrisierung, mit Material- und Geometriedaten aus den Datenblättern, wird dann aus dem gewählten Template, ein analytisches Systemmodell erstellt. Dieses kann mit weiteren Simulationstools analysiert und erweitert werden. Mit Hilfe des Ansys Simplorer lassen sich vollständige Systeme auf analytischer (behavioural) Ebene beschreiben und somit Effekte, wie etwa beim Aufschalten einer Last, oder die Auswirkung verschiedener Ansteuerungen simulieren. Bereits bestehende Konzepte und Varianten sind somit leicht und schnell überprüfbar. Ebenso können sinnvolle Einsatz- und Arbeitsbereiche der Maschine evaluiert und verifiziert werden.
Bei komplexeren Aufgabenstellungen wird ein Entwickler seine Lösung optimieren wollen oder müssen. Je nach erforderlicher Detaillierung können hier die Maxwell 2D- und 3D-Algorithmen zum Einsatz kommen. Für die meisten Aufgabenstellungen genügt bereits die Genauigkeit eines 2D-Ansatzes.
Flexible Optimierung
Die Simulationsergebnisse können dann für weiterführende Simulationsreihen als Input verwendet werden. Beispiele sind einfache Sensitivitätsanalysen und Parameterverfeinerungen oder sogenannte Multi-Objective-Optimierungen. Gemeint sind damit komplexere Optimierungen mit mehreren, gegebenenfalls voneinander abhängigen, Zielen.
Bild 1 zeigt das Effizienzdiagramm (Efficiency Map) des angesprochenen DC-Brushless-Motors, in Abhängigkeit von Drehzahl und Drehmoment. Je dunkler das Rot, desto höher ist die Effizienz des Motors. Der große tiefrote Bereich zeigt die erfolgreiche Optimierung. Auch ohne vorgeschaltetes Getriebe arbeitet der Motor in einem weiten Drehzahl- und Drehmomentband sehr effizient. Interessant ist es sich auch weitere Berichte der Simulation anzusehen. Relevant sind ebenfalls der Eingangsstrom, die Gesamt- und Kernverluste (Core Losses) und der Leistungsfaktor, jeweils in Abhängigkeit von Drehzahl und Drehmoment. Mit Hilfe der verschiedenen Simulationen lassen sich die einzelnen Parameter gezielt verbessern und die Auswirkungen von vorgenommenen Veränderungen auf bestimmte Parameter beobachten.
Mehrdimensionale Pareto-Optimierung
Mehrdimensionale Optimierungen sind auch automatisiert möglich. In diesem Fall wird ein bestimmter Parameter solange verfeinert, bis eine weitere Verbesserung zu einer Verschlechterung eines anderen führt. Man bezeichnet diesen Fall als Pareto-Optimum. Mit den optimierten Parametern kann auf Systemebene die Auswirkungen auf das Gesamtsystem, einschließlich der Last, betrachtet werden.
Wie eine solche Pareto-Optimierung aussieht ist in Bild 2 zu sehen. Als Ausgangspunkt dient wieder der DC-Brushless-Motor. Seine Leistungscharakteristik sollte so optimiert werden, dass bei einer bestimmten Stromstärke ein maximales Drehmoment (MTPA, Maximum Torque per Amp) genutzt werden kann. Zwingende erforderlich war außerdem, dass das Drehmoment auf der Abtriebswelle unter Last (Torque Ripple) nicht mehr als 3 Prozent schwankt und das Erreichen eines maximalen Drehmoments von 15 Nm. Beim Ausgangsmotor lagen diese Werte bei rund 10 Prozent und 14 Nm.
Das Bild zeigt das Ergebnis der Pareto-Optimierung. Alle realisierbaren Optima liegen auf der blau eingezeichneten Pareto-Front. Die Motorvariante M-1 stellt das Optimum in Bezug auf das maximal erzielbare spezifische Drehmoment dar, M-3 das Optimum bei den geringst möglichen Drehmomentschwankungen. Die Variante M-2 ist ein Kompromiss zwischen den beiden Extremen. Mit ihr kann die Forderung nach maximal 3 Prozent Drehmomentschwankung, bei einem möglichst hohen spezifischen Wirkungsgrad, gerade noch erfüllt werden. Der Optimierungsfaktor liegt bei über 0,9 und das maximale Drehmoment bei 18 Nm, was die Forderung von mindestens 15 Nm sogar übertrifft. Folgt man der Paretofront nach unten in Richtung M-3, so könnte der Torque Ripple bis zum Erreichen der 15-Nm-Grenze weiter reduziert werden. Dies ginge allerdings zu Lasten des ursprünglichen Designziels, eines möglichst hohen spezifischen Wirkungsgrades, da hier der Optimierungsfaktor auf unter 0,8 absänke.
Das Beispiel des DC-Brushless-Motors zeigt anschaulich, wie schnell und mit welchem geringen Aufwand verschiedene Auslegungsvarianten getestet und auf ihren Einsatzzweck hin optimiert werden können. Die umfangreichen Simulationsergebnisse ermöglichen bereits am virtuellen Prototyp eine genaue Abschätzung der jeweiligen Vor- und Nachteile und der Kosten. Aufwand und Leistung lassen sich frühzeitig abschätzen. Das führt bereits in der Entwicklungsphase zu einer deutlichen Zeitersparnis und Kostenreduzierungen.
