1.電機轉矩掃描
電機用的ipm_1
電流激勵設置：
- A相：Im*sin(2*pi*fs*time+th)
- B相：Im*sin(2*pi*fs*time+th-2*pi/3)
- C相：Im*sin(2*pi*fs*time+th+2*pi/3)
初始機械角度：
電機參數：（先保持init和th都為0）
A相軸線位置：
N極軸線：
1.1初始機械角度
首先掃描init（原始設置是52.5deg），由於電機有兩對極，所以掃描范圍是0到180度，間隔5度。
觀察轉矩圖：
可以看到，不同init下轉矩有明顯變化。下面以init為橫軸，平均轉矩為縱軸，進行進一步觀察。
可以看到，在5~95deg區間內轉矩為正，電機工作在電動狀態，其他區間轉矩為負，電機工作在發電狀態。40deg時電機轉矩達到最大值。
在35~45deg進行進一步掃描，如下圖。
init為38.5deg時，轉矩達到最大，為4.5956Nm。
1.2電流角
對th進行掃描。
th為4.97327（285度）時轉矩最大，最大值為4.643Nm。
1.3小結
可以看到，上面的兩幅圖有軸對稱關系，即設置init和設置th是等價的，當th為285度時，即再經過75度電角度才到達零點，也可以說成讓轉子先轉約38度機械角度。略小於52.5度，及定子磁場超前於轉子磁場。
畫出下圖，能更好地說明這一問題。
data1<-read.csv("Torque Plot 1.csv")#init
data2<-read.csv("Torque Plot 2.csv")#th
plot(data1$init..deg.,data1$avg.Moving1.Torque...deg.,type="l",col="red")
par(new=TRUE)
plot((2*pi-data2$th...)/pi*90,data2$avg.Moving1.Torque....,type="l",col="blue")
可以看到，二者幾乎完全重合。
如果開啟機械瞬態分析，則可以看到轉速的波動，但此時沒有添加外電路，所以不能設定控制策略。
2.MTPA
2.1dq變換
下面對不同的電流進行掃描，在此之前先回顧一下Clark和Park變換，即Id和Iq的計算。
之前在matlab中搭建的模型：
即
\[I_d=I_\alpha\cos(pos)+I_\beta\sin(pos)\\=\frac{2}{3}(I_a-0.5(I_b+I_c))\cos(pos)+\frac{2}{3}\frac{\sqrt3}{2}(I_b-I_c)\sin(pos)\\=\frac{2}{3}(I_a\cos(pos)+I_b\cos(pos-\frac{2\pi}{3})+I_c\cos(pos+\frac{2\pi}{3}))\]
同理
\[I_q=-I_\alpha\sin(pos)+I_\beta\cos(pos)\\=-\frac{2}{3}(I_a-0.5(I_b+I_c))\sin(pos)+\frac{2}{3}\frac{\sqrt3}{2}(I_b-I_c)\cos(pos)\\=-\frac{2}{3}(I_a\sin(pos)+I_b\sin(pos-\frac{2\pi}{3})+I_c\sin(pos+\frac{2\pi}{3}))\]
在maxwell的Output Variables中可以進行這樣的設置：
2.2MTPA
保持init=52.5deg，即d軸和A相軸線對齊，掃描Im和th，其中th掃描范圍0~2*pi，步長0.1745（10deg），Im掃描范圍0~7.5A，步長0.5A。
得到下圖：
導出表格
得到下表：
繪圖觀察一下：
data<-read.csv("Table 1.csv")
data<-data[,c(1,2,5,7,9)]
library(ggplot2)
ggplot(data,aes(th...,avg.Moving1.Torque....,col=factor(Im..A.)))+geom_line()
ggplot(data,aes(th...,avg.Moving1.Torque....,col=factor(Im..A.)))+geom_line()+
xlim(0,1.7)+ylim(-1000,7000)
尋找每個電流下的最大轉矩：
I<-unique(data$Im..A.)
n<-length(I)
temp<-rep(0,n)
table<-data.frame(Im=temp,th=temp,Tor=temp,Id=temp,Iq=temp)
for(i in 1:n){
dataI<-data[data$Im..A.==I[i],]
index<-which.max(dataI$avg.Moving1.Torque....)
table[i,]<-dataI[index,]
}
得到表格：
這就是這一轉速下的轉矩指令表。
2.3效率MAP
下面利用maxwell中的工具繪制效率map，與上面的掃描結果進行對比。
在View菜單欄中打開ACT Extensions工具。
選擇Machine Toolkit進入。
選擇待求解的工程，並進行相應設置。
其中極數是為了確定電流頻率和電機轉速的關系。
設置求解精度。
進一步設置：（一般保持默認即可）
完成設置后點擊Finish開始計算。
計算完成后得到下列圖像。
因為損耗中只考慮了StrandedLoss，所以效率很高。
ID：
IQ：
Im/1.414=Irms：
提取轉速為1800rpm處的值：
並與掃描法得到的結果對比，如下圖：
library(readxl)
table2<-read_xlsx("mtpa對比.xlsx")
layout(matrix(c(1,1,2,3), 2, 2, byrow = FALSE),
widths=c(1, 1), heights=c(1, 1))
plot(table$Tor,table$Im,type="l",col="red",xlim=c(0,7000),ylim=c(0,8),xlab="Torque/mNm",ylab="Im/A")
par(new=TRUE)
plot(1000*table2$Torque,table2$Im,type="l",col="blue",xlim=c(0,7000),ylim=c(0,8),xlab="",ylab="")
legend("topleft",legend=c("sweep","toolkit"),
col=c("red","blue"),lty=1,lwd=2)
plot(table$Tor,-table$Id,type="l",col="red",xlim=c(0,7000),ylim=c(-5000,0),xlab="Torque/mNm",ylab="Id/mA")
par(new=TRUE)
plot(1000*table2$Torque,1000*table2$Id,type="l",col="blue",xlim=c(0,7000),ylim=c(-5000,0),xlab="",ylab="")
legend("bottomleft",legend=c("sweep","toolkit"),
col=c("red","blue"),lty=1,lwd=2)
plot(table$Tor,table$Iq,type="l",col="red",xlim=c(0,7000),ylim=c(0,6000),xlab="Torque/mNm",ylab="Iq/mA")
par(new=TRUE)
plot(1000*table2$Torque,1000*table2$Iq,type="l",col="blue",xlim=c(0,7000),ylim=c(0,6000),xlab="",ylab="")
legend("topleft",legend=c("sweep","toolkit"),
col=c("red","blue"),lty=1,lwd=2)
可見二者非常接近，從方法上說是一致的。也就是說，使用掃描法多考慮幾個轉速取值，並兼顧電流和電壓限制，同樣可以手動繪出效率map圖。