Transfer function 특성을 고려한 DNN 기반의 EV 구동모터 전자기 진동 저감 최적설계

국문 초록 (Abstract)

최근 EV 관련 기술의 급속한 고도화와 보급 확대로 품질·신뢰성 이슈가 전면에 부상하고 있다. 이는 운전자의 안전·편의성과 직결되며, 차량 전반의 정숙성(NVH) 요구 수준을 한층 높이고 있다. 특히 EV에서는 구동모터를 포함한 구동계 소음·진동의 관리가 필수적이다. 본 연구는 EV 구동모터의 전자기-구조 연성 문제를 고효율·고정확도로 다루기 위하여, 전달함수(Transfer function, TF) 기반 진동 해석과 심층신경망(Deep neural network, DNN) 대리모델을 결합한 다물리계 최적화 프레임워크를 제안한다. 먼저, EV 구동모터에서 발생하는 전자기 기인 진동의 원인과 메커니즘을 정리하고, 공극 퍼미언스 기반의 슬롯 효과를 수식화한 뒤 전자기 유한요소해석(Finite element analysis, FEA) 결과와 비교하여 도출식과 전자기력 고조파(Air-gap electromagnetic force harmonic, AEFH) 차수의 일치를 검증하였다. 이어 구조 진동의 시간영역 응답 이론을 정립하고, 기존의 연성 프로세스와 TF 기반 프로세스를 비교하여 계산 효율과 실무 적용 면에서 TF 접근의 우위를 입증하였다. 특히 헤어핀 와인딩 유·무에 대한 임팩트 해머 시험과 80 kW급 프로토타입 모터 시험으로 TF 기반 방법의 타당성을 검증하였다. 동력성능 시뮬레이션을 통해 에너지 소비 관점과 주행 점유율 관점을 함께 반영한 주요 운전점 및 가중치 산정 체계를 구축하고, 모터 형상 변수에 따른 d–q 축 쇄교자속, AEFH, TF 최대 크기 및 해당 주파수를 DNN 대리모델로 학습하였다. 분산 기반 민감도 분석으로 핵심 설계변수를 선별하고, 반응표면법과 베타 분포 가정을 통해 설계영역을 축소하고 수렴성이 향상된 다목적 최적설계를 수행하였다. 제안 프레임워크로 도출한 최적설계 모델은, 동일 최대 전류 제한 하에서 9,000 rpm에서 약 92.6 kW의 출력을 초과 달성하여 동일 사이즈에서 고출력 설계를 달성하였다. 또한 동일 최대 토크 255.0 Nm 달성에 필요한 입력 전류가 약 5 A 감소해 토크 밀도 우위를 확인하였으며, 가중치 적용 손실 합은 약 2.2% 감소, AEFH는 약 35% 감소, 0차·48차에 의한 고정자 TF 최대값은 약 5.8% 감소하였다. 주요 운전점 기준 최대 약 0.4% 효율 향상을 이루어 에너지 소비 측면의 개선도 확인되었다. 마지막으로, 해를 탐색하기 위한 해석 비용을 DNN 기반과 유한요소 해석 기반의 비교를 통해 본 연구에서 제시하는 최적설계 프로세스의 이점을 강조한다. 결과적으로, 본 연구의 TF 기반 진동 해석 프로세스는 해석 시간을 대폭 단축하여 효율적인 분석 방법을 제공하였고, TF 특성을 고려한 DNN 대리모델 기반 다물리계 최적화 프로세스는 정확도와 계산 효율을 동시에 확보하면서 설계 개선을 제공한다. 본 프레임워크는 EV 구동모터의 고출력·고효율·저진동 설계를 위한 실무적 도구로서의 활용 가능성을 제시하였다.

다국어 초록 (Multilingual Abstract)

The rapid advancement and widespread adoption of electric vehicle (EV) technologies have brought quality and reliability to the forefront, directly affecting driver safety and comfort and elevating vehicle-wide noise, vibration, and harshness (NVH) requirements. Managing noise and vibration from the driveline, including the traction motor, is therefore essential. This research proposes a multi-physics optimization framework that integrates transferfunction (TF) based vibration analysis with deep neural network (DNN) surrogate models to address the electromagnetic–structural coupling problem of EV traction motors with high efficiency and accuracy. The sources and mechanisms of electromagnetic vibration are systematized, the slotting effect is formulated using an airgap permeance model, and the resulting expressions are validated against electromagnetic finite element analysis (FEA) by confirming agreement in orders of airgap electromagnetic force harmonics (AEFHs). A comparison with a conventional coupled workflow verifies the computational efficiency and practical applicability of the TF approach. Impact hammer tests with and without hairpin windings and vibration tests on an 80 kW prototype motor further confirm the validity of the method. Driving cycle simulations are used to construct main operating points and weighting factors reflecting both energy consumption and duty cycle perspectives. DNN surrogate models are trained for d–q axis flux linkages, electromagnetic force harmonics, TF maxima and their frequencies, and frequency resolved TFs as functions of geometric variables. Variance-based sensitivity analysis identifies influential variables, and response surface contraction enables rapidly convergent multi objective optimization. The optimized design achieves approximately 92.6 kW at 9,000 rpm under the same maximum current limit, demonstrating higher power within the same size. The current required to deliver the same peak torque of 255.0 Nm decreases by about 5 A, indicating superior torque density. The weighted loss sum decreases by about 2.2%, weighted AEFHs sum decreases by about 35%, and the stator TF maximum due to the 0th and 48th spatial orders decrease by about 5.8%. Although overall efficiency maps show only small average differences, the maximum efficiency gain at key operating points is about 0.4%, indicating improved energy consumption. In conclusion, the TF-based vibration analysis shortens analysis time, and the DNN surrogate driven multi-physics optimization achieves both accuracy and computational efficiency while delivering experimentally validated design improvements. The proposed framework provides a practical tool for high power, high efficiency, and low vibration EV propulsion motor design.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1. 연구 배경 및 동향 1
• 1.2. 연구 목적 및 내용 6
• 1.3. 논문 구성 8
• 제2장 EV 구동모터의 전자기력 분석 10
• 2.1. 전자기 진동의 발생과 원인 10
• 2.2. 전자기력 분석 11
• 2.2.1. 전기자 권선의 기자력(Armature Reaction Field) 11
• 2.2.2. 회전자의 자계(PM Field) 16
• 2.2.3. 공극 퍼미언스 (Air-gap Permeance) 18
• 2.2.4. 방사방향 전자기력 22
• 2.3. PMSM의 방사방향 전자기력 분석 26
• 2.4. EV 구동모터의 제어 특성에 따른 전자기력 31
• 제3장 Transfer Function 기반 진동 응답 분석 43
• 3.1. 구조 진동 이론 44
• 3.2. Transfer function 계산 및 진동 특성 분석 51
• 3.2.1. 80 kW급 EV 구동모터 IPMSM 진동 시험 검증 75
• 제4장 동력성능 시뮬레이션을 통한 EV 구동모터 주요 운전점 선정 79
• 4.1. 주행 부하 80
• 4.2. 주행모드를 고려한 구동모터의 주요 운전점 산정 81
• 제5장 Deep Neural Network 기반 EV 구동모터 다물리계 최적화 85
• 5.1. Deep Neural Network 이론 86
• 5.2. Deep Neural Network 대리모델 학습 90
• 5.2.1. Deep Neural Network 대리모델 정합성 검증 95
• 5.3. Deep Neural Network 대리모델 기반 최적화 프로세스 101
• 5.3.1. EV 구동모터의 목표 사양 및 설계 제원 102
• 5.3.2. 분산 기반의 민감도 분석 및 설계 영역 정의 105
• 5.3.3. 대리모델 및 다목적 최적화 알고리즘 결합 최적화 113
• 제6장 결론 126
• 참 고 문 헌 128
• 부 록 136