maxwell電機轉矩掃描與使用MTPA策略繪製效率map圖

1.電機轉矩掃描

電機用的ipm_1

電流激勵設置：

• A相：Im*sin(2*pi*fs*time+th)
• B相：Im*sin(2*pi*fs*time+th-2*pi/3)
• C相：Im*sin(2*pi*fs*time+th+2*pi/3)

初始機械角度：

電機參數：（先保持init和th都爲0）

A相軸線位置：

N極軸線：

1.1初始機械角度

首先掃描init（原始設置是52.5deg），因爲電機有兩對極，因此掃描範圍是0到180度，間隔5度。

觀察轉矩圖：

能夠看到，不一樣init下轉矩有明顯變化。下面以init爲橫軸，平均轉矩爲縱軸，進行進一步觀察。

能夠看到，在5~95deg區間內轉矩爲正，電機工做在電動狀態，其餘區間轉矩爲負，電機工做在發電狀態。40deg時電機轉矩達到最大值。

在35~45deg進行進一步掃描，以下圖。

init爲38.5deg時，轉矩達到最大，爲4.5956Nm。

1.2電流角

對th進行掃描。

th爲4.97327（285度）時轉矩最大，最大值爲4.643Nm。

1.3小結

能夠看到，上面的兩幅圖有軸對稱關係，即設置init和設置th是等價的，當th爲285度時，即再通過75度電角度纔到達零點，也能夠說成讓轉子先轉約38度機械角度。略小於52.5度，及定子磁場超前於轉子磁場。

畫出下圖，能更好地說明這一問題。

data1<-read.csv("Torque Plot 1.csv")#init
data2<-read.csv("Torque Plot 2.csv")#th
plot(data1$init..deg.,data1$avg.Moving1.Torque...deg.,type="l",col="red")
par(new=TRUE)
plot((2*pi-data2$th...)/pi*90,data2$avg.Moving1.Torque....,type="l",col="blue")

能夠看到，兩者幾乎徹底重合。

若是開啓機械瞬態分析，則能夠看到轉速的波動，但此時沒有添加外電路，因此不能設定控制策略。

2.MTPA

2.1dq變換

下面對不一樣的電流進行掃描，在此以前先回顧一下Clark和Park變換，即Id和Iq的計算。

以前在matlab中搭建的模型：

即

\[I_d=I_\alpha\cos(th)+I_\beta\sin(th)\\=\frac{2}{3}(I_a-0.5(I_b+I_c))\cos(th)+\frac{2}{3}\frac{\sqrt3}{2}(I_b-I_c)\sin(th)\\=\frac{2}{3}(I_a\cos(th)+I_b\cos(th-\frac{2\pi}{3})+I_c\cos(th+\frac{2\pi}{3}))\]

同理

\[I_q=-I_\alpha\sin(th)+I_\beta\cos(th)\\=-\frac{2}{3}(I_a-0.5(I_b+I_c))\sin(th)+\frac{2}{3}\frac{\sqrt3}{2}(I_b-I_c)\cos(th)\\=-\frac{2}{3}(I_a\sin(th)+I_b\sin(th-\frac{2\pi}{3})+I_c\sin(th+\frac{2\pi}{3}))\]

在maxwell的Output Variables中能夠進行這樣的設置：

2.2MTPA

保持init=52.5deg，即d軸和A相軸線對齊，掃描Im和th，其中th掃描範圍0~2*pi，步長0.1745（10deg），Im掃描範圍0~7.5A，步長0.5A。

獲得下圖：

導出表格

獲得下表：

繪圖觀察一下：

data<-read.csv("Table 1.csv")
data<-data[,c(1,2,5,7,9)]
library(ggplot2)
ggplot(data,aes(th...,avg.Moving1.Torque....,col=factor(Im..A.)))+geom_line()
ggplot(data,aes(th...,avg.Moving1.Torque....,col=factor(Im..A.)))+geom_line()+
  xlim(0,1.7)+ylim(-1000,7000)

尋找每一個電流下的最大轉矩：

I<-unique(data$Im..A.)
n<-length(I)
temp<-rep(0,n)
table<-data.frame(Im=temp,th=temp,Tor=temp,Id=temp,Iq=temp)
for(i in 1:n){
  dataI<-data[data$Im..A.==I[i],]
  index<-which.max(dataI$avg.Moving1.Torque....)
  table[i,]<-dataI[index,]
}

獲得表格：

 

這就是這一轉速下的轉矩指令表。

2.3效率MAP

下面利用maxwell中的工具繪製效率map，與上面的掃描結果進行對比。

在View菜單欄中打開ACT Extensions工具。

選擇Machine Toolkit進入。

選擇待求解的工程，並進行相應設置。

其中極數是爲了肯定電流頻率和電機轉速的關係。

設置求解精度。

進一步設置：（通常保持默認便可）

完成設置後點擊Finish開始計算。

計算完成後獲得下列圖像。

由於損耗中只考慮了StrandedLoss，因此效率很高。

ID：

IQ：

Im/1.414=Irms：

提取轉速爲1800rpm處的值：

並與掃描法獲得的結果對比，以下圖：

library(readxl)
table2<-read_xlsx("mtpa對比.xlsx")

layout(matrix(c(1,1,2,3), 2, 2, byrow = FALSE), 
       widths=c(1, 1), heights=c(1, 1)) 
plot(table$Tor,table$Im,type="l",col="red",xlim=c(0,7000),ylim=c(0,8),xlab="Torque/mNm",ylab="Im/A")
par(new=TRUE)
plot(1000*table2$Torque,table2$Im,type="l",col="blue",xlim=c(0,7000),ylim=c(0,8),xlab="",ylab="")
legend("topleft",legend=c("sweep","toolkit"),
       col=c("red","blue"),lty=1,lwd=2)
plot(table$Tor,-table$Id,type="l",col="red",xlim=c(0,7000),ylim=c(-5000,0),xlab="Torque/mNm",ylab="Id/mA")
par(new=TRUE)
plot(1000*table2$Torque,1000*table2$Id,type="l",col="blue",xlim=c(0,7000),ylim=c(-5000,0),xlab="",ylab="")
legend("bottomleft",legend=c("sweep","toolkit"),
       col=c("red","blue"),lty=1,lwd=2)
plot(table$Tor,table$Iq,type="l",col="red",xlim=c(0,7000),ylim=c(0,6000),xlab="Torque/mNm",ylab="Iq/mA")
par(new=TRUE)
plot(1000*table2$Torque,1000*table2$Iq,type="l",col="blue",xlim=c(0,7000),ylim=c(0,6000),xlab="",ylab="")
legend("topleft",legend=c("sweep","toolkit"),
       col=c("red","blue"),lty=1,lwd=2)

可見兩者很是接近，從方法上說是一致的。也就是說，使用掃描法多考慮幾個轉速取值，併兼顧電流和電壓限制，一樣能夠手動繪出效率map圖。