Kompensation von Magnetisierungsabweichungen in Permanentmagnet-Synchronmotoren durch selektive Rotormontage

Abstract

Die Herstellung elektrischer Antriebe für Elektro- und Hybridfahrzeuge entwickelt sich von der heutigen Kleinserienproduktion hin zur Massenproduktion. Optimierte Ansätze der Qualitätssicherung in der Produktion von Verbrennungsmotoren können aufgrund technologischer Unterschiede nicht direkt auf die Produktion von Elektromotoren übertragen werden. Um die heutigen hohen Ausschussraten zu reduzieren, müssen neue Strategien entwickelt werden. Permanentmagnet-Synchronmotoren sind aufgrund ihrer kompakten Bauweise und hohen Leistungsdichte die am häufigsten eingesetzten Antriebe hybrider und elektrischer Fahrzeuge und müssen hohen Qualitäts- und Sicherheitsanforderungen genügen. Die Magnetisierung der Permanentmagnete unterliegt natürlichen Schwankungen, die durch Prozessregelung nicht verhindert werden können, da der Magnetisierungsprozess bereits im Sättigungsbereich durchgeführt wird. Magnetisierungsabweichungen in den Einzelteilen führen direkt zu Streuungen im montierten Rotor. Diese verringern im Betrieb die Leistung des Elektromotors und verursachen Vibrationen, die wiederum Geräuschemissionen und Verschleiß erhöhen. Eine Reparatur der Rotoren sowie der montierten Motoren am Ende der Produktionslinie ist aufgrund der Aufbauart technisch nicht möglich. Aus diesem Grund wird in dieser Arbeit eine Strategie der selektiven Rotormontage entwickelt, die es erlaubt, unvermeidbare Abweichungen der Magnetisierung zu erkennen und in nachfolgenden Prozessschritten zu kompensieren. Durch Ändern der Reihenfolge und Verdrehen der fehlerhaften Einzelteile soll der zusammengebaute Rotor wieder innerhalb der Toleranz liegen und ein möglichst gleichmäßiges Magnetfeld aufweisen. Eine Herausforderung ist hierbei die Entwicklung geeigneter Methoden zur Vorbehandlung der Magnetisierungs- Messwerte mittels Datenreduktion, Merkmalsselektion und –extraktion. Anschließend erfolgt eine Klassifikation der Merkmalsvektoren durch künstliche neuronale Netzwerke, welche die Grundlage der selektiven Optimierung bildet. Ein Fuzzy Inferenz System wird zur Auswahl der idealen Kombination der Einzelteile eingesetzt. Dabei wird Expertenwissen über den Prozess und die geplante Kompensation mittels Fuzzy Regeln in einer Regelbasis gespeichert. Die Methoden zur Datenanalyse, Klassifikation und Optimierung werden in MATLAB implementiert und anhand von experimentellen und simulativen Daten validiert.