| Summary: | Le coût, l'autonomie et la durée de vie sont les principaux aspects qui freine le public dans l'achat d'une voiture électrique. Tous ces aspects sont liés à la batterie qui ne permet de stocker qu'une quantité limitée d'énergie. Dans ces conditions, il est indispensable de maîtriser les pertes d'énergie de la chaîne de traction. La machine électrique étant le principal consommateur d'énergie, elle joue un rôle important dans l'efficacité énergétique globale. Dans ce contexte, comment réduire les pertes de la machine électrique pour la rendre plus efficace ? Pour répondre à cette question, l'objectif de ce travail est de modéliser (avec une précision suffisante) et réduire les pertes fer dans notre application machine électrique de traction afin de les maîtriser. On comblera ainsi le manque de confiance en les modèles de pertes fer que peut avoir le concepteur de machine du concepteur de machine en lui permettant de réaliser des optimisations fines jusque dans les dernières phases de développement. Dans la première partie de ce manuscrit, le lecteur découvrira alors une machine synchrone à rotor bobiné du point de vue du matériau magnétique doux. Les premières conclusions montrent qu'une modélisation fine est nécessaire pour bien prendre en compte les phénomènes générateurs de pertes. On s'intéresse également à la mesure des matériaux magnétiques doux afin de comprendre de manière générale et tangible les pertes dans le matériau. On prend également conscience de la toute première source d'incertitude des modèles, la mesure du matériau. Enfin, nous présentons les démarches couramment rencontrées dans la littérature pour la modélisation des pertes fer. Face aux limitations des modèles couramment rencontrés, le modèle LS (un modèle d'hystérésis scalaire qui décompose les pertes en une contribution statique et une contribution dynamique) est redéveloppé afin qu'il réponde encore mieux aux exigences de l'industrie automobile. Il est précis et facilement identifiable à partir de mesures faciles à réaliser. La contribution statique reprend le modèle de Preisach formulé à l'aide des fonctions d'Everett dont l'identification à partir des caractéristiques mesurées est directe. La contribution dynamique quant à elle est dorénavant identifiable à partir de caractérisations en induction sinusoïdales. La précision du modèle ainsi améliorée est ensuite validée sur 63 cas tests exigeants dont la forme de l'induction est à fort contenus harmoniques. Le modèle développé est ensuite couplé avec un modèle électromagnétique élément finis de la machine électrique et validé par l'expérience. Les mesures faites sur le matériau étant l'un des points faibles des modèles, une méthodologie permettant d'évaluer la pertinence de la plage des mesures est proposée. On dresse également un état de l'art de l'impact du process (découpage, empilement et assemblage des tôles) sur les pertes fer afin d'aider le concepteur à mettre en balance les impacts liés au process qui n'ont pu être modélisés. Enfin des méthodologies parmi lesquels, les méthodologies des plans d'expériences sont mises en place afin d'optimiser les cartographies de commandes en des temps de calcul raisonnables. On montre des gains allant jusqu'à 50% de réduction des pertes totales de la machine dans certaines zones de fonctionnement par rapport à une optimisation dont l'objectif serait de minimiser uniquement les pertes dans les conducteurs de la machine. Ces résultats montrent l'intérêt d'utiliser un modèle de pertes fer précis afin de réduire les pertes totales de la machine. === Cost, range and lifetime are the main aspects that hold back the consumer to buy electric cars. These three aspects are all related to the battery which stores a limited amount of energy. Under such condition energy consumption is a major concern in electric cars. As the major electricity consumer, electrical machines play a key role for global energy savings. In this context how the electric machine can be made more energy efficient? To answer this question this thesis aim to model (accurately enough) and reduce the iron losses in traction electrical machine for electrical car. Indeed iron loss model suffer from a lack of confidence when it comes to fine optimization during the late phase of development. This thesis answers this question and takes into account the development criteria of the car industry and the constraints of the electric car. The first part of the thesis gives an overview of the application by taking a wounded rotor synchronous machine as a case study. The reader will discover the electrical machine with a soft magnetic material perspective. First, conclusion show that fine modelling of the electric machine is necessary to achieve desired accuracy. An overview on soft magnetic material behavior and measurements is then given. The reader will then acquire a broad feeling on soft magnetic material behavior and understands the first source of inaccuracy of the models (the measurements). Then, the typical models for predicting iron losses in magnetic materials are presented in a literature review. The second part of this study focus on iron loss modelling aspect. The loss surface model (a scalar hysteresis model made of a static and dynamic contribution) is used as the base of this modelling work. The static contribution is re-developed using Everett function formulation of the Preisach model is used to allow easy identification of the model directly from measurements. The identification of the dynamic contribution is re-worked to allow identification from sine-wave measurements (triangular wave measurement previously required). The model accuracy is improved and validated on 63 test cases with high harmonic distortion wave forms. The iron loss model is then coupled to finite element model of the electric machine and the limits of the model are investigated. One of the limits coming from measurement limitation, a methodology to evaluate the relevance of the measurement range is proposed. A literature review of the main impact of the process including cutting, stacking and assembling effects on electrical steel magnetic characteristics is intended to complement the modelling work to help the decision making of the designer on aspects that cannot be modeled. Finally methodologies playing with the modelling hypothesis and involving design of experiment and response surface are presented to reduce computational time and allow the optimization of the control of the machine. The optimizations carried out show total machine loss reduction up to 50% for some working point of the machine compared to an optimization dedicated to minimize only Joule's losses. This results show the interest of using a reliable iron loss model to reduce the total loss of the machine.
|
|---|
