Оптимизация электрической коробки передач с помощью искусственного интеллекта


Новая тенденция в области электромобилей заключается в предложении многоскоростных коробок передач для повышения эффективности электропривода (например, сравнить с традиционной схемой: http://hyundai.yug-avto.ru/cars/sonata/). С одной стороны, в разных документах говорится, что с 3 или 4-скоростной коробкой передач мы можем повысить эффективность электромобилей более чем на 15%. С другой стороны, хорошо известно, что только с одной скоростью электрическая трансмиссия сделана оптимальной для набора рабочих точек. Вот почему в этой статье мы предлагаем новую электрическую трансмиссию, которая представляет собой комбинацию между одной передачей мощности с одним электродвигателем и 1-ступенчатой коробкой передач, а другой - передачей мощности со вторым электродвигателем и 3-ступенчатой коробкой передач (см. Рисунок 1). В этой статье мы предлагаем проанализировать всю возможную кинематику и конструкцию коробки передач, чтобы получить лучшую архитектуру с использованием подхода искусственного интеллекта.


Рисунок 1: описание электропривода

Мы предлагаем совершенно новый подход к оптимизации коробки передач с помощью искусственного интеллекта с использованием платформы DessIA. DessIA - это платформа для инженеров, которая помогает им в механическом проектировании нескольких механических систем (передача энергии, аккумулятор…). Суть нашего подхода заключается в том, чтобы генерировать все допустимые решения (более 10 решений по мощности 20), а затем оптимизировать их в соответствии с несколькими ограничениями для получения наилучшего дизайна. Подход DessIA можно описать в 4 разных этапа:

● Описание передачи энергии математическим способом. Мы определили концепцию, которая является OOD (Oriented-Object Design), чтобы иметь возможность описывать все взаимодействия между всеми различными компонентами. Например, компонент вала детализирует его различные соединения (с 2 или 3 подшипниками, с сетками ...), а вал компонента может определять его вес и размеры.

Оптимизация электрической коробки передач с помощью искусственного интеллекта

● Поиск всех допустимых решений. Использование дерева решений, связанного с базой данных правил, для получения всех допустимых решений (мы сначала генерируем все решения, а затем проверяем несколько правил, чтобы определить жизнеспособность концепции)

● Выберите лучшего кандидата с помощью алгоритма машинного обучения. Чтобы помочь нашему решателю, мы анализируем все допустимые решения с помощью алгоритма машинного обучения и создаем несколько семейств решений. Тогда мы просто оптимизируем лучшего кандидата для каждой семьи.

● Оптимизация 3D САПР. Для получения окончательного САПР коробки передач мы используем непрерывную оптимизацию с генетическим алгоритмом в сочетании с дискретным подходом (дерево решений, например, число зубьев шестерни…)


Рисунок 2: описание использованного подхода искусственного интеллекта

Используя платформу DessIA, мы генерируем всю архитектуру с максимальным числом валов, равным 4. Затем мы определяем всю возможную архитектуру, варьируя количество синхронизаторов, зубчатых зацеплений и сцеплений всей возможной архитектуры. В итоге мы получаем миллиарды решений. Для каждого решения мы можем оценить количество путей передачи энергии, изменив состояние каждого синхронизатора, чтобы проверить, является ли решение приемлемым для спецификаций. На рисунке 3 описаны допустимые решения (более 500 архитектур проверяют различные спецификации) в двух местах: число валов по отношению к числу зубчатых зацеплений и число синхронизаторов с 3 позициями по отношению к количеству двухпозиционных синхронизаторов. Приемлемые точки отображаются зеленым цветом, а неприемлемые решения - красным.


Рисунок 3: Точки, используемые для комбинаторного подхода

Для улучшения анализа 500 решений мы определяем два параметра:

● Оценка стоимости: этот параметр определяется относительным образом (15 евро за каждую линию вала, 5 евро за одну зубчатую сетку и 7 евро за синхронизатор)

● Оценка эффективности: этот параметр определяется относительным образом (функция зависит от количества зубчатых зацеплений вдоль пути передачи мощности для всех скоростей).


Рисунок 4: Описание архитектуры № 175


Рисунок 5: Допустимое решение в самолете (эффективность, стоимость коробки передач)


Рисунок 6: Описание архитектуры № 173

На рисунке 5 описана вся приемлемая архитектура в плоскости (эффективность, стоимость коробки передач), и фокусировка выполняется для решений 173 (рисунок 6) и 175 (рисунок 4). На первом этапе, проанализировав рисунок 6, мы можем сделать вывод, что архитектура с номером 173 является оптимальной с точки зрения стоимости и эффективности (у нас есть только две зубчатые сетки между двигателями и дифференциалом для каждой скорости). Принимая во внимание, что архитектура номер 175 не является оптимальной с точки зрения эффективности, потому что две скорости требуют 4 зубчатых зацепления для передачи мощности.

Каждое допустимое решение, описанное на рисунке 5, может быть проанализировано в 3D. Но время, необходимое для выполнения всех этих оптимизаций, велико. Итак, в следующей части мы предлагаем ввести подход машинного обучения, чтобы обобщить все эти 500 архитектур в небольшом количестве семей.

Выводы

Мы предлагаем оптимизацию 3-скоростной коробки передач с подходом искусственного интеллекта. В этой статье мы подробно расскажем, как анализировать многие архитектуры, чтобы сходиться во второй раз с несколькими семействами коробок передач. Это семейство определяется с помощью подхода машинного обучения, и мы объясняем, что 3D-оптимизация может быть выполнена только для одного кандидата из каждого семейства. В нашем случае семейство 2 оптимально соответствует нашим спецификациям.

Подводя итог, наш подход разделить на 4 этапа:

● Математическое описание коробки передач с OOD (Oriented-Object Design)

● Построение всей допустимой архитектуры (определение набора данных)

● Машинное обучение для определения кластера / семьи

● 3D оптимизация для анализа массы, упаковки и жизнеспособности коробки передач


Electric gearbox optimization with Artificial Intelligence
Pierre-Emmanuel Dumouchel, Steven Masfaraud


Авторизация
Забыли свой пароль?