Многокритериальная оптимизация конструкции системы масляного распылительного охлаждения для двигателя с hairpin‑обмотками на основе оптимизации роя частиц‑обратного распространения‑несправедливого сортирующего генетического алгоритма III

Почему важно охлаждать электрические двигатели

По мере того как электромобили становятся мощнее и компактнее, двигатели, которые их приводят в движение, испытывают всё большие нагрузки. Внутри этих двигателей плотные медные обмотки могут нагреваться настолько, что теряют магнитную прочность, что сокращает срок службы и снижает энергоэффективность. В этой работе рассматривается продвинутый способ омывать такие обмотки охлаждающим маслом и применяются интеллектуальные компьютерные алгоритмы для переработки тонкого распределительного кольца, которое подаёт масло, с целью сделать двигатель холоднее и надёжнее в эксплуатации.

Как «масляный дождь» защищает нагруженные двигатели

Современные тяговые двигатели часто используют так называемые hairpin‑обмотки — жёсткие медные шины, согнутые в форме U и плотно уложенные вокруг ротора. Такие плотные пучки хороши для передачи мощности, но одновременно являются самыми нагретыми частями двигателя. Один из перспективных подходов — система масляного распылительного охлаждения: полое кольцо вокруг обмоток выпускает несколько струй масла, которые направляются на горячую медь, растекаются тонкой пленкой и уносят тепло, после чего масло возвращается в контур охлаждения. В статье рассматривается 230‑кВт двигатель, который уже оснащён таким кольцом, но первоначальная конструкция оставляла обмотки слишком горячими, а давление в масле было относительно высоким, что создавало нагрузку на систему охлаждения.

Испытание различных способов распыла масла

Исследователи сначала задали простой вопрос: какая форма сопла даёт лучшее охлаждение? Они сравнили три коммерческих типа сопел — плоский распыл, полный конус и веерообразный — моделируя, как каждое из них смачивает реалистичный, без упрощений, пучок обмоток. С помощью детальных расчётов течений и теплообмена были получены температурные «облака», показывающие, где обмотки остаются горячими или холодными. Плоское сопло, как правило, омывало только центральную часть обмоток, оставляя соседние проводники более нагретыми. Веерообразное сопло работало несколько лучше, но всё ещё создавал резкие температурные перепады между соседними обмотками. Сопло типа «полный конус», напротив, равномернее разбрызгивало масло по поверхности, обеспечивая более гладкое температурное поле и наименьшую пиковую температуру — примерно на 22% ниже, чем у плоского распыла, и на 5% ниже, чем у веерного сопла. Это сопло было выбрано в качестве отправной точки для дальнейшей переработки.

Исследование пространства параметров виртуальными экспериментами

Далее команда обратилась к геометрии самого распылительного кольца. Были выделены шесть ключевых размеров, включая большие и малые диаметры каждого сопла, угол распыла, поворот сопел вокруг кольца, количество сопел и осевую длину кольца. Вместо перебора всех возможных сочетаний они использовали ортогональный план — структурированный набор из 25 тщательно подобранных вариантов — чтобы эффективно изучить, как эти факторы влияют на две целевые величины: максимальную температуру обмоток и максимальное внутреннее давление масла. Для каждого варианта продвинутая численная гидродинамика (CFD) дала значения температур и давлений. Анализ чувствительности показал, что один параметр — малый диаметр сопла — оказывает поразительно наибольшее влияние и на охлаждение, и на давление, тогда как другие размеры продолжают играть важные вспомогательные роли.

Разрешение тонких настроек с помощью алгоритмов

Чтобы превзойти эти 25 пробных конструкций, авторы обучили нейронную сеть устанавливать зависимость между геометрией кольца и показателями охлаждения, используя результаты симуляций в качестве обучающего набора. Затем эту сеть включили в гибридную схему оптимизации, сочетающую оптимизацию роя частиц с современным многокритериальным генетическим алгоритмом. Проще говоря, виртуальные «частицы» и «потомки» исследуют пространство вариантов, предлагая тысячи новых форм распылительного кольца. Нейросеть быстро предсказывает температуру и давление для каждого кандидата, а алгоритм отбирает только те решения, которые хорошо балансируют обе цели, формируя так называемый фронт Парето. Из этого фронта команда выбрала одну конструкцию, в которой сопла немного меньше, но их больше, а длина кольца и угол распыла тонко настроены так, чтобы обеспечить сильное, равномерное покрытие маслом без чрезмерного роста внутреннего давления.

Что даёт оптимизированная конструкция

Наконец, выбранную конструкцию снова проверили с помощью полных CFD‑симуляций. Прогнозы и результаты моделирования пиковых температур и давлений совпали примерно в пределах 2%, что свидетельствует о высокой точности интегрированного алгоритма. По сравнению с исходным кольцом оптимизированная версия снизила максимальную температуру обмоток на 8,5% и уменьшила пиковое внутреннее давление масла на 25,6%. Для электромобильного двигателя это означает более холодную медь, меньший риск магнитных повреждений и меньшую нагрузку на масляный насос — всё это без изменения базовой компоновки двигателя. Работа демонстрирует, как сочетание реалистичных расчётов течений с интеллектуальными поисковыми алгоритмами позволяет извлечь больше производительности из существующего оборудования, указывая путь к более холодным, эффективным и долговечным высокомощным электроприводам.

Цитирование: Liu, Y., Xu, P., Chen, S. et al. Multi-objective optimization design of oil spray cooling system for hairpin motor based on particle swarm optimization-backpropagation-non-dominated sorting genetic algorithm III. Sci Rep 16, 11593 (2026). https://doi.org/10.1038/s41598-026-42028-7

Ключевые слова: охлаждение электрического двигателя, масляное распылительное охлаждение, hairpin‑обмотки, многокритериальная оптимизация, электромобили