Contribution méthodologique au dimensionnement optimal et robuste des machines électriques dédiées aux chaines de traction VE et VEH

Robust design optimization of electrical machines for electric and hybrid vehicles

• Auteur / Autrice : Adan Reyes reyes
• Direction : Sami Hlioui
• Type : Projet de thèse
• Discipline(s) : Génie électrique
• Date : Inscription en doctorat le 01/12/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio-physics and engineering
• Partenaire(s) de recherche : Laboratoire : Systèmes et applications des technologies de l'information et de l'énergie (Gif-sur-Yvette, Essonne ; 2002-....)
• Partenaire(s) de recherche : référent : École normale supérieure Paris-Saclay (Gif-sur-Yvette, Essonne ; 1912-....)

Mots clés

Mots clés libres

Machines électriques

Incertitudes

Optimisation

Surfaces de réponses

Electrical machines

Uncertainties

Optimization

Response surfaces

Résumé

Suite à l'émergence rapide des véhicules électriques sur le marché automobile, les constructeurs cherchent à améliorer régulièrement les performances de leurs produits pour s'imposer face à la concurrence. La phase de dimensionnement de la machine électrique s'avère alors importante et les concepteurs font souvent appel à des méthodes d'optimisation multi-objectifs couplées à des modèles physiques décrivant avec une grande précision le comportement de la machine. Ces modèles se basent sur les paramètres géométriques du design à simuler et sur les caractéristiques physiques des matériaux données par les fournisseurs. Cependant, dans un prototype, les valeurs réelles de ces paramètres géométriques ainsi que les caractéristiques des matériaux peuvent présenter des écarts par rapport à celles utilisées dans les simulations. En effet, les tolérances de la méthode de fabrication utilisée peuvent causer des écarts entre les dimensions réelles dans la machine et les valeurs des paramètres géométriques données par l'optimisation. Ces mêmes méthodes de fabrication (découpe de tôles, moulage des aimants…) impactent aussi les caractéristiques des matériaux utilisés : dégradant souvent leurs performances par rapport à leurs caractéristiques initiales. Finalement, les techniques et conditions d'assemblage de la machine réalisée peuvent aussi impacter ses performances électromagnétiques. Comment alors optimiser une machine électrique en présence de tous ces paramètres incertains ? Ce sujet de thèse a pour objectif de mettre en place de nouvelles méthodes de dimensionnement optimal rendant plus robuste la solution finale face à toute incertitude liée aux paramètres d'entrée, assurant ainsi la qualité de la solution proposée.

Following the rapid emergence of electric vehicles in the automotive market, manufacturers are seeking to regularly improve their product's performance to stand out from the competition. The electrical machine's design is considered as a significant phase, and designers often use multi-objective optimization methods coupled with physical models describing the machine's behavior with great precision. These models are based on the design's geometrical parameters and the physical characteristics of the materials given by the suppliers. However, in a prototype, the real values of these geometrical parameters and the characteristics of the materials may deviate from those used in simulations. Indeed, the manufacturing method's tolerances can cause deviations between the dimensions of the geometrical parameters given by the optimization and those in the real machine. These same manufacturing methods (sheet metal cutting, magnet molding...) also impact the material's characteristics : often decreasing their performance compared to their initial characteristics. Finally, the assembly techniques of the machine can also impact its electromagnetic performances. How then to optimize an electrical machine in the presence of all these uncertain parameters? This thesis subject aims at developing new design optimization methods making the final solution more robust to any uncertainty related to the input parameters, thus ensuring the quality of the proposed solution.