Автоматизация, оптимизация и создание прогнозирующей модели в pSeven на примере электромагнитного расчета

В статье продемонстрирована эффективность инструмента для анализа данных и оптимизации pSeven в создании автоматизированных расчетных цепочек, интеграции стороннего программного обеспечения и нахождении оптимальных точек для исследуемых изделий.

В качестве объекта исследования был выбран цилиндрический электромагнит в решателе электромагнитного поля Ansys Maxwell. При разработке электромагнитов обычно имеют место такие вопросы, как определение заданного усилия в диапазоне хода якоря с учетом одной или нескольких пружин, изменение массогабаритных характеристик при сохранении мощности, сокращение времени срабатывания, оптимизация работы электромагнита в составе механизма.

Тяговое усилие электромагнита развивается при нарастании магнитного поля в зазоре между якорем и магнитопроводом и сильно связано с большим количеством геометрических переменных, свойствами материалов и обмоточными данными катушки возбуждения. По мере изменения доступной области под катушку (внешний диаметр, внутренний диаметр и высота) выходные параметры также изменяются. Многие пользователи подходят к этому процессу итеративно, вычисляя параметры катушки самостоятельно и вручную обновляя модель FEA.

pSeven

Рисунок 1 — Электромагнит в разрезе

Запросить демоверсию pSeven

 

Первая задача состоит в создании автоматизированной расчетной цепочки для определения геометрических параметров электромагнита, обеспечивающих минимальные омические потери в медном проводе и минимальную массу изделия.

Вторая задача заключается в создании предиктивной модели, заменяющей многочасовые ресурсозатратные вычисления на мгновенные расчеты, точно прогнозирующие результаты.

 

Данная работа включает этапы по созданию:
•    Конструкции электромагнита в Ansys Maxwell в связке Ansys WorkBench
•    Автоматизированной цепочки
•    Аппроксимационной модели

 

Особенности решаемых задач:
•    Обратная зависимость оптимизируемых параметров
•    Необходимость в рамках ограниченного числа расчетных итераций получить оптимальную конструкцию электромагнита, которая будет учитывать ограничение на силу, значение которой становится известным только после вычисления в Ansys WorkBench
•    Создание автоматизированной связи между самописным ПО и программой Ansys WorkBench

 

Решение:
На этапе создания автоматизированной расчетной цепочки (рисунок 2) размещаются следующие блоки:
•    DSE — создает комбинации точек, передаваемых на расчет
•    IN — формирует текстовый файл для передачи в решатель
•    Program — содержит программу, высчитывающую и сохраняющую в текстовый файл число витков, сопротивление катушки и другие параметры
•    OUT — читает сохраненный блоком Program текстовый файл и нужные величины передает в Ansys WorkBench
•    ANSYS — открывает заранее подготовленный проект в Ansys WorkBench, изменяет параметры и производит расчет.

 

pSeven

Рисунок 2 — Автоматизированная расчетная цепочка

 

Узнать больше о pSeven

 

В ходе адаптации автоматизированной схемы под задачи оптимизации блок DSE настраивается так, чтобы геометрические размеры составных частей электромагнита изменялись согласно рисунку 3.

pSeven

Рисунок 3 — Анимация перестраиваемой геометрии электромагнита

 

Детальные настройки блока DSE содержатся на рисунке 4:

Целевые функции:
•    масса → min
•    потери → min

Ограничение на целевую функцию:
•    сила ∈ [10; 40 Н]

Варьируемые величины изделия:
•    Высота катушки ∈ [20; 30 мм]
•    Приращение радиального размера катушки ∈ [0; 3 мм]
•    Калибр провода принимает одно из дискретных значений: 25, 26, 27
•    Напряжение ∈ [10; 50 В]

Постоянные величины изделия:
•    Внутренний диаметр катушки
•    Температура катушки
•    Коэффициент заполнения и др.

 

pSeven

Рисунок 4 — Графический интерфейс блока DSE

О работе блока DSE. В созданной конфигурации блок в рамках указанного расчетного бюджета (120 точек) сперва генерирует несколько комбинаций точек из раздела Variables и передает их на расчет. Когда значения из блока Ansys вернутся в раздел Responses блока DSE, внутри него построится внутренняя модель машинного обучения, определяющая, какие новые расчетные комбинации нужно сформировать, чтобы за наименьшее число итераций получить минимумы массы и потерь в электромагните. Затем эти точки передаются на расчет и каждые несколько итераций аппроксимационная модель перестраивается.

По окончанию расчетов оптимальными будут признаны 36 точек (рисунок 6 — таблица Real Model). 

Во второй задаче с помощью блоков для визуального программирования строится прогнозирующая модель (рисунок 5). 
На этапе валидации, который не связан с тестовой выборкой, в ML-модель передаются те входные точки из раздела Variables блока DSE, которые ранее были признаны оптимальными. Затем эта модель прогнозирует для них выходные результаты, которые сравниваются с реальными посчитанными данными (рисунок 6) из первой задачи этой статьи. Ошибка прогноза составляет тысячные доли. Время расчета сократилось с 4 часов до 1 секунды

pSeven

Рисунок 5 — Прогнозирующая модель

 

pSeven

Рисунок 6 — значения, полученные из Ansys Workbench и значения, предсказанные ML-моделью

Таким образом, pSeven — великолепный инструмент, который обеспечивает невероятную эффективность в создании автоматизированных расчетных цепочек, интеграции стороннего программного обеспечения и нахождении оптимальных точек для исследуемых изделий. В сочетании с высочайшим профессионализмом специалиста-расчетчика этот продукт способен сократить время, затрачиваемое на расчеты, в разы. А если воспользоваться прогностической моделью, эффективность увеличится в тысячи раз. 

 

Автор  статьи:

Д.А. Бархатов, технический специалист ГК «ПЛМ Урал»

 

Оставьте заявку
Наш менеджер свяжется с вами
Оставить заявку