The homogenized harmonic balance finite element (FE) method enables efficient nonlinear eddy-current simulations of 3-D devices with lamination stacks by combining the harmonic balance method with a frequency-domain-based homogenization technique. This approach avoids expensive time stepping of the eddy-current field problem and allows the use of a relatively coarse FE mesh that does not resolve the individual laminates. In this paper, we extend the method to handle excitation signals with a dc bias. To achieve this, we adapt the original homogenization technique to better account for ferromagnetic saturation. The resulting formula for the homogenized reluctivity is evaluated using a look-up table computed from a 1-D FE simulation of a lamination and containing the average magnetic flux density in the lamination and the corresponding skin depth. We compare the results of the proposed method to those from a fine-mesh transient reference simulation. The tests cover different levels of ferromagnetic saturation and frequencies between 50 Hz and 10 kHz. For moderate ferromagnetic saturation, the method gives a good approximation of the eddy-current losses and the magnetic energy, with relative errors below 10%, while reducing the required number of degrees of freedom at 10 kHz by 1.5 orders of magnitude. This results in a reduction in simulation time from 2 days on a contemporary server to 90 minutes on a standard workstation.


翻译:均匀化谐波平衡有限元方法通过将谐波平衡方法与基于频域的均匀化技术相结合,实现了对含叠片堆叠的三维器件进行高效的非线性涡流仿真。该方法避免了涡流场问题中昂贵的时间步进计算,并允许使用相对粗糙的有限元网格,而无需解析单个叠片。在本文中,我们将该方法扩展至处理带有直流偏置的激励信号。为实现这一目标,我们调整了原有的均匀化技术,以更好地考虑铁磁饱和效应。均匀化磁阻率的最终公式通过查找表进行评估,该表基于叠片的一维有限元仿真计算得出,其中包含了叠片中的平均磁通密度及相应的趋肤深度。我们将所提方法的结果与精细网格瞬态参考仿真结果进行了比较。测试涵盖了不同水平的铁磁饱和以及50 Hz至10 kHz的频率范围。在中等铁磁饱和条件下,该方法能较好地近似涡流损耗和磁能,相对误差低于10%,同时在10 kHz频率下将所需自由度数量减少了1.5个数量级。这使得仿真时间从当代服务器上的2天缩短至标准工作站的90分钟。

0
下载
关闭预览

相关内容

【WWW2021】场矩阵分解机推荐系统
专知会员服务
33+阅读 · 2021年2月27日
误差反向传播——CNN
统计学习与视觉计算组
30+阅读 · 2018年7月12日
在TensorFlow中对比两大生成模型:VAE与GAN
机器之心
12+阅读 · 2017年10月23日
语义分割中的深度学习方法全解:从FCN、SegNet到DeepLab
炼数成金订阅号
26+阅读 · 2017年7月10日
MNIST入门:贝叶斯方法
Python程序员
23+阅读 · 2017年7月3日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
VIP会员
相关资讯
误差反向传播——CNN
统计学习与视觉计算组
30+阅读 · 2018年7月12日
在TensorFlow中对比两大生成模型:VAE与GAN
机器之心
12+阅读 · 2017年10月23日
语义分割中的深度学习方法全解:从FCN、SegNet到DeepLab
炼数成金订阅号
26+阅读 · 2017年7月10日
MNIST入门:贝叶斯方法
Python程序员
23+阅读 · 2017年7月3日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
Top
微信扫码咨询专知VIP会员