电驱动单元开发方法的进展及其在30000rpm高速EDU开发中的应用

电

动

车

千

人

会

今天，作为一名开发工程师，目睹汽车和移动行业的电气化进程之快着实令人惊叹。在过去的十年里，我们看到了比前几代工程师在整个职业生涯中都难以经历的颠覆性的变化。我们站在一个范式转变的顶峰，这相当于从蒸汽到内燃机的转变[ICE][1]。

电驱动单元[EDU]目前的发展趋势是围绕高速、紧凑而设计的。目前，随着汽车制造商在这一不断发展的格局中找到新立足点的呼声越来越高，传动系统的开发也呈现出多样化。

虽然工程师们正在积极推动EDU的发展，但新兴技术的极限正在聚焦到超过500千瓦的功率水平和超过30000转/分的电机速度。然而，新型电动汽车（EV）动力系统的开发方法和工具却远不及经典的发动机动力系统解决方案那么成熟。

电动汽车的新型动力系统架构将支持很多不同的概念、布置和解决方案。随着高度多样化的动力传动系统逐渐进入电动汽车市场，在全球各地的开发团队的开发过程中面临未知问题也越来越多。在电气化动力传动系统的新世界里，对几十年来发动机的理解和认知还没有来得及进一步发展，工程师们就已经陷入电气化的难题中。

不过无论怎样设计EDU，都必须达到我们的开发目标。这是基于车辆需求，如图1所示的需求列表：

表1： 系统需求示例

 图2: 电气化总成概览：同轴平行轴，平行轴偏置，

行星轮同轴，行星轮偏置

为了能够在低样本数量和高置信度的同时进行设计验证，开发人员的输入至关重要。设计验证过程的效率随着所提供需求的准确性和详细程度而提高。涉及最终产品性能标准的详细需求文件构成了验证过程的基石。

设计扮演着下一个重要角色。故障模式影响分析（FMEA）需要详细的设计，最好是全面的物料清单（BoM）。否则，验证将成为通用和非特定的——这将引入最终产品中薄弱环节的风险。

为了减少验证过程中的浪费，需要知道最终产品的使用空间。问题是：设计将用在何处，其用途是什么？这意味着需要收集、分类和分析目标市场用户驾驶方式的综合数据库。

下一点需要考虑的是需要满足的寿命、可靠性和置信度目标。这些共同构成了设计验证计划（DVP）的基础。

AVL在内部研发方面的广泛经验和持续投资使其开发出一套通过大量测试和客户验证的方法论。

系统级方法和/或子系统级和/或组件级方法可以在开发最佳质量的产品的同时缩短了上市时间。

本文详细讨论了虚拟开发方法，如NVH仿真、效率优化、EMC仿真和经过优化生成的DVP包括占空比开发。

NVH的物理性质

任何结构噪声问题都有三个重要因素，即源、传输路径和辐射面。在大多数情况下，电动机械和齿轮啸叫NVH问题都可以追溯到激振力，激振力通过结构传播。因此，为了首先模拟这些现象，必须准确地模拟源，即带载时齿轮的传动误差带来啸叫声和电磁力激励。其次，到结构的传输路径及其从结构表面到空气的辐射为NVH优化提供了进一步的空间。

在传统和混合动力车辆中，电磁啸叫通常不会被感知到，因为它们被内燃机相关的噪声所掩盖。但是，在全电动驱动或仅电动驱动模式的混合动力车中，由于缺少可掩盖这些音调噪声的背景噪声，因此人们很容易察觉到来自电机和逆变器的噪声。电机中音调噪声的主要来源之一是定子电磁力。逆变器也可能导致音调NVH问题，需要采取具体措施。

这里介绍了完整EDU NVH模型的物理性质，然后简要讨论了整体动力传动系统NVH优化。EDU中涉及的所有部分对NVH有直接或间接影响。

在计算带载齿轮和空载齿轮的弹性啮合力时，需要齿轮的详细模型。此外，动态模型需要柔性轴和外壳。壳体刚度会影响轴变形的方式，并会在仿真模型中带来诸如非对中等进一步的影响。齿轮轮齿修形只有几微米，齿轮齿隙也只有几百微米，壳体和轴的变形都是不能忽略的。

通常，物理模型中不包括的是不同支承轴承之间变形的相互作用；例如，施加在壳体上的输入轴轴承上的力也会导致中间轴轴承发生偏转。这些偏转对啸叫和敲击声有重大影响，因为它们会影响齿轮接触和齿隙。几乎所有齿轮箱中都使用的滚珠轴承是NVH的重要组成部分，具有非线性径向、弯曲和轴向刚度，通常涉及初始间隙。间隙导致轴的轴向和径向移动，从而间接啸叫和敲击声。无论是在模拟还是测量中观察到的，这些间隙对激励传递到外壳表面都有非常重要的影响。在评估NVH的动态模型中包含轴承的非线性是很重要的。深沟球轴承就是一个例子，它可以导致轴的轴向和径向位移高达几百微米。

温度和油类型是其他重要影响因素。它们对系统的影响是多方面的，而且相当重要。较高的温度会影响滚珠轴承的间隙，如上所述，滚珠轴承的间隙高度影响NVH。油还影响滚珠轴承中的阻尼。空载齿轮接触区域的油温显著影响啸叫声。空载齿轮的接触刚度和阻尼非常重要，因此，在仿真中对其值的错误估计和建模技术可能导致完全错误的啸叫评估。 

为了使得测量结果和仿真结果达到高度一致性，对所有这些物理因素进行综合考虑是非常必要的。AVL使用啸叫试验台对该模型表面各点的加速度进行了关联（测量与模拟）研究，如图3所示。

图3：在啸叫试验台上，在结构上的一个采样点上，

测量的单阶加速度与模拟单阶加速度的比较

电机NVH优化的第一步是考虑电机的电磁激励[2]。图4显示了电机的磁通密度。该模型考虑了电磁饱和和热退磁等非线性效应。该模型提供损耗、扭矩和力等输出，作为转子角度的函数。此模拟的电流供应通常是一组完美的正弦信号，但实际上，由于调制、逆变器饱和等原因，存在含有谐波的三相波，并导致额外的转矩脉动阶数、新的定子力阶数和增加的损耗（尤其是在磁铁和硅钢中）[3]。

由于转子和定子之间的电磁场相互作用，会产生电磁力。这些力是电磁啸叫声的来源，受极数、槽数、几何形状、运行策略等的影响。这些力可以在时域和频域中表示。电磁啸叫声的主要来源是定子电磁力。但是，在某些情况下，扭矩波动会影响齿轮和轴承力，并产生噪音。施加在电机定子齿槽上的力是由电磁场产生的，图5显示了这些力的矢量图。

与扭矩和效率一样，电机设计中的微小变化可能会带来NVH的显著恶化或改善 [4]。根据极数、槽数、绕组特性，可以确定谐波激励。谐波将激励结构并产生振动。力的形式和分布非常重要。

逆变器对NVH也有一些直接和间接的贡献。逆变器本身的影响来自电容器。逆变器电容器中的脉动力会导致逆变器本身发出高频噪声。参考文献[5][6]对此进行了详细解释。

逆变器对NVH的第二个影响是由于电流信号中的高频成分。图6显示了电流信号的测量样本。高频成分增加了NVH测量的新阶次。这些阶次噪声在电机的表面上，可通过麦克风测量。

参考文献[3]详细说明了这些结束如何影响谐波以及如何产生谐波，包括实验验证。

图6 电流信号中的高频成分对逆变器NVH的影响

 完整的EDU的NVH优化

详细的NVH模型的复杂性使得使用单个模型或工具进行EDU的NVH优化非常困难，不仅很难在一个模型中建力多个物理模型，而且计算量也非常大。另一个挑战是解算器的差异，因为一些工具是时域解算器，而其他工具是频域解算器。

为了完善工具链，AVL的EDU NVH优化由一个已建立的工作流执行，该工作流描述了不同工具的输入和输出如何相互作用[7]。

AVL开发了多个联合仿真模型，例如，通过将带载的齿接触分析纳入多体工具AVL EXCITE，而对于某些工具，可以对数据做离线耦合定义，例如，可以将定子电磁力力映射到EDU的多体模型中，还开发了包括逆变器开关效应的综合工作流程。以连贯的方式研究结果也很重要，DOE技术在这方面被广泛使用。只要有可能，数据交换都通过使用python脚本实现了自动化。

由于更严格的二氧化碳排放限制和不断变化的环境意识，对混合动力和电动汽车的需求不断增加。然而，电动出行尚未完全普及，主要是由于车辆的价格和续航问题。为了增加续航里程，摩擦学（效率及其与耐久性和NVH的权衡）正成为传动系发展中越来越重要的因素。 

例如，对于配备内燃机且二氧化碳排放量为119 g/km的车辆，变速箱损耗可节省4%的成本。这听起来不算多，但这4%只是指变速箱的影响。如果看一下整个动力系统，可以通过消除摩擦来节省20%的CO2/km [8]。对于混合动力系统和电池电动汽车来说，传动效率的作用变得更加重要。

AVL开发了一种多层次系统优化方法，工作流程示意图如图7所示，其中变速器架构的详细效率分析在概念或详细布置阶段完成，并且使用AVL SO（系统优化器）可以研究车辆的整体效率。

AVL传动效率分析程序“TEAP”提供了当前运行条件下常见和新传动概念的预测效率和阻力损失数。齿轮、轴承、离合器、同步器、密封件等的分析和数值模型，以及变速箱润滑油的大型数据库，已整合到一个工具中，以便在早期产品开发阶段进行效率模拟。

仿真结果已与几十个测试项目中收集的基准数据进行了比较和验证，这些测试项目涵盖了从传统传动系到现代混合动力和电驱动应用的整个范围。

Mathworks的SIMULINK中建立的快速有效的模型允许工程师对不同概念进行效率模拟。这使得实验研究的设计具有很高的质量，实现了设计的最佳参数。它提供了一个独特的模型，通过混合物理模型、测量和统计的经验数据以及利用不同系统的知识/行为的大数据平台来预测EDU的效率。该工具还可以考虑子系统级损失的敏感性研究和优化。

可在子系统级研究和优化的一些参数示例如下所示

o基于DOE的逆变器脉冲调制和电机设计参数优化

o轴承布置/预载

o油泵/润滑策略

o齿轮微观几何（与NVH权衡）

o锥形轴承上的预载

o预载优化，通过提高整体拖拽扭矩来提高效率。

o考虑热伸长和结构变形的传动模型中的预载研究。

图8显示了AVL DVP的效率测试程序示例。 

这种开发——组件级的模拟、测量和优化需要和整个EDU系统级的优化保持一致。效率的优化始终与NVH行为有关。这种多目标和多领域优化使工程师能够在不同的性能属性之间进行权衡。

在本案例研究中，共评估了153个变量，包括23个输出参数和6个输入参数。图10显示了153台模拟电机、25000个数学点和200个帕累托前沿变量。在帕累托前沿中，1被选为最有希望的一个。

与基准机相比，应力和温度均在材料边界内，冷却液流速降低38.9%，允许进口冷却液温度提高8.3%，材料成本降低1%，扭矩提高21.7%，峰值功率提高44.3%，同时保持相同的转矩脉动和NVH力行为。

图10：最关键输出的折衷图

模拟点为深蓝色，可行数学点为橙色，不可行数学点为灰色，最佳点为浅蓝色

图11： 突出公差区域的扭矩鲁棒性分析

对最佳电机进行公差效应评估。图11显示了组合变量对输出扭矩的影响，突出显示了定义的参数公差范围。转矩对低磁铁厚度和低磁铁宽度的组合最为敏感，因此可以重新定义这些灵敏度，以确保满足最小转矩要求。此外，该分析还可以预测制造的电机中有多少百分比无法达到表1所示的各项目标

图12 在这种情况下，需要重新定义公差，因为2.6%的变量因公差而无法获得所需扭矩，0.2%的转子应力高于规定的材料极限。

除了机械振动之外，电气方面的电磁兼容性也是汽车工业电子发展中最具挑战性的课题之一。市场上的新参与者正在提高他们的国家标准，该行业的大部分企业都需要遵循这些标准。

这就是为什么伴随EMC技术支持而来的开发变得越来越重要，而且从一开始就在开发项目中包含这一专业技能。在汽车电力电子系统中，如果没有滤波器结构，就不可能通过公告认证。由于各个部件的安装空间不断缩小，滤波器的尺寸及其优化变得越来越重要。

基于此，AVL选择了一种方法论，以确保EMC团队尽可能早地参与电子项目，其设计方法将在以下段落中描述，更详细的内容将在[9]中介绍。

首先，有必要深入了解电气系统环境，了解项目设置中EMC相关参与者的耦合路径和发射方、接收方行为特征。如图13所示，由于电子系统中的大多数组件是源和汇，同时又受到它们之间耦合路径的影响，因此这些组件之间存在着严重的互连和相互作用。

图13：组件和耦合路径相互作用

在识别和澄清不同的耦合路径、源和接收器结构后，共模和差模干扰的分离，对策的分析和设计很好的保证了过往滤波器设计。最后，这两个子集将组合并合并在一起，形成特定设置的最佳滤波器拓扑，其物理评估结果将用于同步前向加载（frontloading）模拟的参数设置，以不断提高模拟结果的准确性。

图14 系统共模和差模共振识别

物理滤波器设置由共模和差模子集组合而成。该滤波器拓扑的构建之后，根据图15所示的模拟共模和差模行为，对物理原型进行验证。重复验证的经验和数据可以进一步改进模型。

图15 基于仿真结果的阻抗测量评估

对于基于失效模式的验证，需要详细了解系统的设计。考虑了装配图、系统CAD、物料清单（BOM）、扭矩和负载路径以及润滑剂流量。部件将暴露的运行条件边界，应从需求文件中获取。该系统作为子总成进行评估，然后分解到至部件级别。

子总成内考虑了所有应力、载荷和滑动接触。在其子总成中考虑每个部件的潜在失效模式。

DVP从失效参数表开始。该参数表包含现有子系统和部件的列表。将高周和低周疲劳、磨损、擦伤、点蚀、剥落、热老化或化学老化和腐蚀等故障模式分配给部件，并定义发生故障的关键位置。此外，还评估了失效原因和导致失效的操作条件。加剧的条件，如油污染、高环境温度或振动，意味着可能加速损坏的区域。通过FMEA，可以创建损伤模型——从用于快速A-B比较的简化分析公式到具有可与物理测试相媲美的置信水平的详细模拟。故障模式分析、使用空间中的实际用户驾驶模式和损伤模型可用于了解设计可能遇到的寿命损伤分布。

损伤分析产生基本数据；操作条件下产生的损坏的加速系数AF和相对累积损坏RAD（任何驾驶循环相对于参考使用空间的损坏）。加速系数表示与参考用户相比，负载点更快或更严重的程度。必须仔细选择应力水平，既不引入也不消除任何关键失效模式。过度的损伤加速可能会导致在产品使用寿命期间通常不会发生的失效机制。每个工作点可能导致多个故障机制加速，但严重程度不同。例如，温度可以加速腐蚀、潮气扩散和膨胀，但速率不同[1]。

将加速系数乘以试验持续时间除以参考时间，得出RAD，表示哪项试验最接近参考，或者失效模式是否过度验证。由于试验持续时间较短，具有极高加速系数的试验可能对验证目标的影响较小。较高的RAD（2）系数（RAD>>1）表示某些失效模式明显过度测试。理想情况下，所有部件和所有部件失效模式的RAD为1，测试持续时间较短。

（5）通过使用损伤率、循环使用权重和寿命目标确定。

DVP中还有两点需要考虑——可靠性和置信度。

当投入大量资源用于开发和制造时，对产品性能和可靠性置信度绝对不可掉以轻心，一旦出了问题，品牌的声誉也可能受到影响。在该方法中，对产品的置信度来自2个方面：全面且有充分依据的FMEA方法，以及对测试目的和依赖性的理解。这样，就可以生成一个稳健的DVP，以确保在测试取得成功。

可靠性是一种统计特性，因此从来不是一个黑白选项。通常，可靠性目标假定轴承寿命模型（广泛使用），该模型现在普遍存在，并提供B10行驶距离和/或寿命。B10表示预计有10%的样品在该寿命期内失效，不是由于碰撞等极端事件，而是由于部件或系统的失效。

与许多统计相关标准一样，产品的质量和可变性也非常重要，应在结果中予以考虑。质量的改进会带来更好的产品一致性，将减少了所需的测试量。

置信度、可靠性和待测样本数量之间的相互作用是复杂的。它们依赖于对潜在系统可变性的详细分析，以最大限度地减少无效的测试。或者，如果根据测试标准假设了可变性，并且可以使用许多样本进行测试，则可以使用粗暴的测试方法。

与产品预期使用寿命相比，测试的难度可以调整，以减少测试样品数量。这是统计相关性的应用，通常依赖于失效的韦伯分布预期。增加测试难度，同时保持通过的样本数量，增加任何给定样本通过寿命目标的机会。因此，增加测试难度可以减少所需的样本数量。为了减少所需样本而不断增加测试难度当然是不可能的，需要在测试付出和结果之间取得平衡。

无论在DVP和建模方面投入了多少努力，样本在测试条件下运行的方式都会有所不同。这些微小的变化可能会导致验证级别的重大变化，并且在很大程度上容易被忽略掉。一个新的解决方案是在测试期间应用在线损伤跟踪。该过程可确保在试验台上进行的试验对产品具有适当的可靠性，并确保其得到有效的验证。图16显示了基于试验结果而非固定循环的在线损伤数据值。

图16：基于测试原始数据和测试实施修正的在线损伤图