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 : Adán Reyes Reyes
• Direction : Sami Hlioui, Delphine Sinoquet, Andre Nasr
• Type : Thèse de doctorat
• Discipline(s) : Génie électrique
• Date : Soutenance le 13/05/2025
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Electrical, optical, bio : physics and engineering (Orsay, Essonne ; 2015-....)
• 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-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l’ingénierie et des systèmes (2020-….)
• Jury : Président / Présidente : Frédéric Messine
• Jury : Examinateurs / Examinatrices : Nathalie Bartoli, Stéphane Brisset, Céline Helbert
• Jury : Rapporteurs / Rapporteuses : Nathalie Bartoli, Stéphane Brisset
• DOI : 10.70675/1ed30d9ez28cdz4ebaz901bzbd95c6991a1e

Mots clés

Mots clés contrôlés

Machines électriques

Optimisation globale

Surfaces de réponse (statistique)

Mots clés libres

Machines électriques

Incertitudes

Optimisation

Surfaces de réponses

Electrical machines

Uncertainties

Optimization

Response surfaces

Résumé

Face aux préoccupations croissantes liées au climat, les véhicules électriques et hybrides se sont imposés comme alternatives aux moteurs à combustion. Les constructeurs automobiles concentrent leurs efforts sur l'optimisation des machines électriques, essentielles pour les chaînes de traction. Les concepteurs utilisent des optimisations multi-objectifs combinées à des modèles de simulation précis, mais ces méthodes déterministes négligent souvent les incertitudes du monde réel. En pratique, les tolérances de fabrication et les méthodes d'assemblage induisent des écarts géométriques et des variations dans les propriétés des matériaux, affectant les performances et soulignant l'importance de l'optimisation robuste.Objectif du projet : Cette thèse vise à développer des méthodes d'optimisation robuste pour renforcer la résilience des machines électriques face aux incertitudes, contrairement aux conceptions déterministes. L'objectif est d'élaborer une méthodologie complète intégrant tous les paramètres pertinents, tout en équilibrant la complexité des modèles et les exigences de calcul. Les choix de formulation, comme les optimisations basées sur des espérances ou des probabilités, seront guidés par les spécifications de conception.Chapitres du manuscrit :1. État de l'art sur l'optimisation robuste des machines électriques : Ce chapitre introduit les concepts fondamentaux de l'optimisation robuste, notamment les objectifs, contraintes et mesures de risque. Il explore les fonctions de probabilité, les tolérances de fabrication, les propriétés des matériaux et les incertitudes des conditions de fonctionnement. Une revue des méthodes d'optimisation, comme celles de Taguchi et l'optimisation bayésienne (BO), met en lumière les techniques pour traiter ces variabilités.2. Optimisation basée sur des métamodèles fixes : Ce chapitre décrit l'optimisation d'une machine synchrone à réluctance assistée par aimants permanents à l'aide de métamodèles fixes. Les simulations par éléments finis génèrent des métamodèles pour chaque fonction objectif, optimisées ensuite avec des méthodes basées sur differentes mesures de risque. Les résultats montrent l'impact du choix de formulation sur les conceptions face aux incertitudes et exigences spécifiques, tout en soulignant l'importance de la précision des métamodèles. L'optimisation bayésienne est explorée comme alternative lorsque les métamodèles fixes sont insuffisants.3. Optimisation bayésienne des machines électriques : L'optimisation bayésienne (BO) est appliquée aux optimisations déterministes. Deux algorithmes BO sont comparés aux modèles fixes dans un problème multi-objectifs, et BO se montre plus performant. Ce chapitre met en avant l'efficacité adaptative de BO pour l'optimisation de la conception des machines électriques.4. Optimisation bayésienne robuste : Ce chapitre explore l'optimisation bayésienne sous incertitude, en commençant par l'optimisation à double boucle. Bien que cette méthode estime des mesures de risque en construisant des métamodèles, elle génère souvent des écarts avec les simulations par éléments finis. Pour résoudre ce problème, l'algorithme EFISUR (Expected Feasible Improvement Stepwise Uncertainty Reduction) est introduit, adapté aux scénarios multi-objectifs et au traitement parallèle pour construire MEFISUR (Modified EFISUR). Les tests sur des cas jouets et des machines électriques montrent la robustesse et les performances de MEFISUR.Appendice: Perspectives sur l'Optimisation multi-fidélité : Cet appendice l'optimisation multi-fidélité pour la conception de machines, en utilisant des modèles de fidélité variable pour équilibrer coût de calcul et complexité. Les premiers résultats montrent le potentiel de cette approche pour renforcer la robustesse des machines électriques. Cette thèse vise à repousser les limites de la conception des machines électriques grâce à des méthodes d'optimisation innovantes.

Amid rising climate concerns, electric and hybrid vehicles have surged as replacements for combustion engines. With this, automakers are focused on optimizing electric machine design, a key to vehicle powertrains. Electric machine designers use multi-objective optimization combined with accurate simulation models to simulate machine behavior precisely, but these deterministic methods often ignore real-world uncertainties. In reality, manufacturing tolerances and assembly methods cause geometry and material properties deviations, impacting machine performance and underscoring the need for robust optimization.Project Goal: This Ph.D. project seeks to develop robust optimization methods to enhance electric machine resilience to uncertainties, surpassing deterministic designs. It aims for a comprehensive methodology incorporating all relevant parameters while balancing model complexity and computational demands. Formulation choices, such as optimizations based on expectations or probabilities, will be guided by design specifications.Manuscript Chapters:1. State of the art on Robust Optimization of Electrical Machines: This chapter establishes fundamental concepts in robust optimization, including objectives, constraints, and risk measures. It introduces probability functions and examines manufacturing tolerances, material properties, and uncertainties in operating conditions. A survey of optimization methods, such as Taguchi and Bayesian Optimization (BO), showcases techniques for addressing these variabilities.2. Fixed Surrogate Model-Based Optimization: This chapter details the optimization of a Permanent Magnet Assisted Synchronous Reluctance Machine using fixed surrogate models. Finite Element Method simulations create metamodels for each key metric, which are then optimized using methods based on expectations, worst-case scenarios, and the hypervolume indicator function. Results from these approaches highlight how formulation choice impacts design outcomes, given specific uncertainties and requirements. The chapter also notes the criticality of metamodel accuracy and explores Bayesian Optimization as an alternative when surrogate models fall short.3. Bayesian Optimization of Electrical Machines: Bayesian Optimization (BO) is applied to deterministic optimization. Two BO algorithms are tested against fixed-surrogate models in a multi-objective problem, with BO outperforming fixed-surrogate models. This chapter emphasizes BO's adaptive efficiency for design optimization.4. Bayesian Robust Optimization: This chapter covers Bayesian optimization under uncertainty, starting with double-loop optimization. This method estimates risk measures by constructing metamodels for objective functions and constraints, yet often yields discrepancies with finite element simulations. To address these issues, the chapter introduces the Expected Feasible Improvement with Stepwise Uncertainty Reduction (EFISUR) algorithm, adapted for multi-objective scenarios and parallel processing, to build MEFISUR (Modified EFISUR). Testing on toy cases and two electric machine optimization problems shows MEFISUR's robustness and performance.Appendix: Perspectives on Multi-fidelity optimization: This appendix introduces multi-fidelity optimization for machine design, using models of varying fidelity to balance computational cost and design complexity. Initial results indicate multi-fidelity optimization's potential to enhance the robustness of electric machines.Through this thesis, the results aim to push the boundaries of electric machine design using innovative optimization methods.