Die Simulation der Ölverteilung in einem rotierenden Elektromotor dauert Sekunden. Die Vorhersage der Temperaturentwicklung von Bauteilen unter realen Betriebslasten dauert Minuten. Diese beiden Zeitskalen gehören zu unterschiedlichen physikalischen Problemen, und keine einzelne Simulationsmethode überbrückt sie wirtschaftlich. Ingenieure, die thermische EDU-Vorhersagen zuverlässig durchführen, setzen nicht einfach ein einziges Werkzeug länger ein, sondern verbinden zwei Methoden intelligent miteinander. Die Kosten, dies nicht zu tun, zeigen sich nicht nur in Rechenaufwand, sondern in übersehenen Hotspots und falschen Isolationsklassenauswahlen.
Einleitung
Wenn Sie an der EDU-Kühlung arbeiten, sind Sie wahrscheinlich auf dieses Problem gestoßen. Dieser Artikel erläutert, warum die Zeitskalen-Lücke besteht, wo konventionelle Ansätze versagen und wie Partikel-CFD mit einem hybriden 3D/1D-Thermalmodell so gekoppelt werden kann, dass räumlich aufgelöste Hotspot-Vorhersagen in der Geschwindigkeit von Auslegungsiterationen geliefert werden. Der beschriebene Workflow und die genannten Zahlen stammen aus unserer EDU-Fallstudie mit shonDy und shonTA.
Warum die Zeitskalen-Diskrepanz von Bedeutung ist
Die Wicklungsisolierung degradiert mit der Temperatur. Als weit verbreitete Ingenieursregel gilt, dass jede Erhöhung der dauerhaften Betriebstemperatur um 10 °C die Lebensdauer der Isolierung ungefähr halbiert. Diese Faustregel ist eine Näherung der Arrhenius-artigen thermischen Alterung, die im Rahmen der Norm IEC 60085 beschrieben wird. In der Praxis ist das tatsächliche Halbierungsintervall materialspezifisch und muss für jedes Material individuell bestimmt werden.
Zwei Simulationsprobleme stehen im Mittelpunkt dieser Auslegungsfrage. Das erste ist fluidisch: Wo gelangt das Öl im Inneren der Maschine hin, und welche Oberflächen werden tatsächlich über verschiedene Betriebspunkte hinweg benetzt? Dies ist ein Freie-Oberflächen-Problem, das sich innerhalb von Sekunden stabilisiert. Das zweite ist thermisch: Wie entwickeln sich die Bauteiltemperaturen, wenn sich Wärme über den Fahrzyklus hinweg ansammelt? Dies entfaltet sich über Minuten. Die Physik ist unterschiedlich, die Zeitskalen sind unterschiedlich, und keine einzelne Simulationsmethode bewältigt beides effizient.
Das Problem der Randbedingungen
Die übliche Vorgehensweise besteht darin, die beiden Analysen zu entkoppeln: zunächst eine kurze CFD-Simulation für die Ölverteilung durchzuführen und anschließend thermische Randbedingungen manuell mithilfe empirischer Wärmeübergangskoeffizienten (WÜK)-Korrelationen festzulegen, bevor das Thermalmodell ausgeführt wird. Dies funktioniert bei einfachen Geometrien. In einem EDU entstehen dabei Fehler, die sich potenzieren.
Empirische WÜK-Korrelationen sind für gleichförmige Strömung über vereinfachte Oberflächen wie Rohre, ebene Platten und Ringspalte kalibriert. Im Inneren eines rotierenden Elektromotors ist die Ölverteilung geometrieabhängig und stark asymmetrisch. Die Stirnwicklung auf der Wellenseite kann direkten Ölstrahlkontakt erhalten, während die gegenüberliegende Seite nur Spritzer abbekommt. Statische Leitbleche, Wellenkanäle und die Rotorgeometrie beeinflussen alle, wo das Öl landet. Ein einziger mittlerer WÜK, der über die gesamte Wicklungsoberfläche angewendet wird, glättet genau die Variation, die den Hotspot-Standort bestimmt.
Das Risiko: Ein Thermalmodell, das auf gemittelten oder empirischen WÜKs basiert, kann eine sichere maximale Wicklungstemperatur vorhersagen, während der tatsächliche Hotspot in dem Bereich, der den geringsten Ölkontakt erhält, deutlich höher liegt. In einem reinen Lumped Parameter Thermal Network (LPTN) wird jedes Bauteil als einzelner Temperaturknoten dargestellt, d. h. die Wicklung hat einen einzigen Temperaturwert, keine Verteilung. Dieser einzelne Wert kann sicher erscheinen, während ein lokalisierter Hotspot innerhalb desselben Bauteils kritisch hoch ist. Diese Differenz zeigt sich erst beim Testen oder, schlimmer noch, im Feld.
Die Alternative, Partikel-CFD für die gesamte Dauer eines Fahrzyklus auszuführen, ist nicht praktikabel. Partikelmethoden haben einen Rechenaufwand, der mit der simulierten Zeit bei den Auflösungen, die zur Auflösung von Ölfilmen auf Wicklungsoberflächen erforderlich sind, stark ansteigt. Minuten physikalischer Zeit würden Wochen an Rechenzeit erfordern.
Die Kopplungsmethode
Die praktische Lösung besteht darin, die kurze Partikel-CFD-Simulation für das einzusetzen, worin sie tatsächlich gut ist: die Charakterisierung der quasi-stationären Ölverteilung und die Extraktion räumlich aufgelöster WÜKs, um diese Daten dann als Randbedingungen an ein schnelles Thermalmodell zu übergeben, das die langsame Dynamik behandelt.
Dies funktioniert, weil die Ölverteilung in einem EDU bei einem gegebenen Betriebspunkt innerhalb von Sekunden einen quasi-stationären Zustand erreicht. Das WÜK-Feld an den Wicklungs- und Statoroberflächen stabilisiert sich, bevor die Bauteiltemperaturen sich nennenswert verändern konnten. Die kurze Simulation ist wirklich repräsentativ für die thermischen Randbedingungen während des Dauerbetriebs.
Das Ergebnis des Partikel-CFD-Schritts ist kein einzelner mittlerer WÜK pro Oberfläche, sondern eine räumlich aufgelöste Punktwolke, die dem Thermalmodell mitteilt, dass eine Seite der Wicklung direkten Ölkontakt hat, während die andere kaum oder gar keine Benetzung aufweist. Diese Verteilung, auf die Knoten des hybriden 3D/1D-Thermalmodells abgebildet, ist es, was eine Hotspot-Vorhersage von einer Temperaturschätzung unterscheidet. Im Gegensatz zu einem reinen LPTN löst der hybride Ansatz die Wärmeentwicklung innerhalb jedes Bauteils mittels 3D-FEM auf, d. h. die räumlich aufgelösten WÜKs aus dem Partikel-CFD-Schritt fließen in ein Modell ein, das tatsächlich anzeigen kann, wo innerhalb der Wicklung die Temperatur ihr Maximum erreicht.
Setup-Checkliste: Was der Kopplungsworkflow erfordert
Die Methodik ist unkompliziert anzuwenden, aber spezifische Setup-Entscheidungen bestimmen, ob die WÜK-Übergabe zuverlässig ist. Folgendes spiegelt die Anforderungen des Workflows in jeder Phase wider.
Partikel-CFD-Phase
- Alle rotierenden Bauteile bei der Zieldrehzahl einbeziehen; die Ölverteilung ist zentrifugalgetrieben und drehzahlabhängig
- Realistisches Ölvolumen und Welleneinlassdurchfluss verwenden, da diese die benetzte Fläche direkt bestimmen
- Simulation durchführen, bis sich die WÜK-Werte an den Wicklungs- und Statoroberflächen stabilisiert haben
- WÜK als räumlich aufgelöste Ausgabe extrahieren, nicht als bauteilbezogenen Mittelwert
- Bei Bedarf einer Fahrzyklus-Interpolation an 2-3 repräsentativen Betriebspunkten wiederholen
Thermalmodell-Phase
- Die WÜK-Punktwolke auf entsprechende LPTN-Konvektionsknoten abbilden, nicht als einzelnen Mittelwert pro Bauteil
- Thermischen Kontaktwiderstand zwischen Festkörpern einbeziehen (Welle-Rotor, Rotor-Magnete)
- Wellen-Ölkanäle bei Bedarf mit einem 1D-Strömungsnetzwerk modellieren
- Die thermische Simulation über die gesamte Betriebsdauer ausführen; das Thermalmodell bewältigt die langsame Dynamik effizient
- Die maximale Wicklungstemperatur gegen die Isolationsklassenbewertung prüfen, nicht nur die mittlere Wicklungstemperatur
Ergebnisse aus unserer Fallstudie
In einem konkreten Fall (2.000 U/min Motordrehzahl, 1,6 L Öl, 12 L/min Wellendurchfluss, 9 kW Gesamtwärmeverluste) erreichten die WÜK-Werte an den Wicklungs- und Statoroberflächen nach etwa 4,5 Sekunden der Partikel-CFD-Simulation einen stationären Zustand. Die extrahierten räumlichen Mittelwerte betrugen 160 W/m²K an der Wicklung und 200 W/m²K am Stator. Diese Werte sind nicht gleichmäßig verteilt: Die aufgelöste Verteilung zeigt deutlich höhere WÜKs in Bereichen mit direktem Ölkontakt.
Tabelle 1: Wesentliche Ergebnisse der gekoppelten Simulation
| Kenngröße | Wert |
|---|---|
| WÜK-Stabilisierungszeit in Partikel-CFD | ~4,5 s |
| Mittlerer WÜK Wicklung | 160 W/m²K |
| Mittlerer WÜK Stator | 200 W/m²K |
| Vorhergesagte maximale Wicklungstemperatur | 235 °C |
Die in das hybride 3D/1D-Thermalmodell eingespeisten Daten der gekoppelten Simulation ergaben einen Systemtemperaturbereich von 80 °C (anfängliche Öltemperatur) bis 235 °C bei der maximalen Wicklungstemperatur. Der Wärmepfad ist klar aufgelöst: Energie fließt von den Wicklungen in den Stator und wird an die Umgebung abgegeben. Der Spitzenwert von 235 °C ist die maßgebliche Größe für die Isolationsklassenauswahl und ist nur zugänglich, weil das Thermalmodell eine räumlich aufgelöste WÜK-Verteilung anstelle eines Gesamtmittelwerts erhalten hat.
Tabelle 2: Vergleich der Ansätze für thermische Randbedingungen. Die Kopplung von Partikel-CFD mit einem thermischen Netzwerk verbindet Hotspot-auflösende Genauigkeit mit der Effizienz der Fahrzyklussimulation und überbrückt so die Lücke zwischen empirischen thermischen Netzwerken und vollständiger 3D-CFD.
| Ansatz | WÜK-Eingabe | Hotspot-Genauigkeit | Fahrzyklus-Geschwindigkeit |
|---|---|---|---|
| LPTN mit empirischen Korrelationen | Einzelner Mittelwert pro Oberfläche | Übersieht asymmetrische Hotspots | Schnell |
| Vollständige 3D-CFD + Thermik | Vollständig aufgelöst | Hoch | Für Fahrzyklen nicht praktikabel |
| Partikel-CFD → Netzwerk | Räumlich aufgelöst pro Region | Hoch (Hotspot-Position erfasst) | Praktikabel für Auslegungsiterationen |
Fazit
Die Zeitskalen-Lücke in der thermischen EDU-Simulation ist eine reale ingenieurtechnische Randbedingung, keine Softwarebeschränkung. Partikel-CFD und das hybride 3D/1D-Thermalmodell sind keine konkurrierenden, sondern komplementäre Methoden, die jeweils für einen spezifischen Teil des Problems geeignet sind. Die Partikelsimulation liefert die Ölverteilung und die Oberflächenwärmeübergangskoeffizienten, die das Thermalmodell nicht eigenständig erzeugen kann. Das hybride 3D/1D-Thermalmodell liefert die Temperaturentwicklung über die Zeit, wobei 3D-FEM die Wärmeentwicklung innerhalb jedes Bauteils auflöst, und das zu einem Rechenaufwand, den die Partikelsimulation wirtschaftlich nicht aufrechterhalten kann. Werden sie korrekt verbunden, mit räumlich aufgelösten WÜKs als Übergabepunkt, liefert der kombinierte Workflow Hotspot-Vorhersagen, die präzise genug sind, um Isolationsklassenentscheidungen und die Auslegung von Kühlkreisläufen zu treffen, und das in einer Geschwindigkeit, die zur Auslegungsiterationsphase passt, nicht nur zur abschließenden Validierung.
Wenn Sie an der EDU-Kühlung arbeiten und diesen Workflow auf Ihre eigene Auslegung anwenden möchten, fordern Sie eine Testversion von shonDy und shonTA an.