Robust design optimization of electrical machines for electric and hybrid vehicles

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