Cloud-Simulation für die Entwicklung von Leistungselektronik

Wichtigste Erkenntnisse

• Verwenden Sie Cloud-Simulationen, um die Testabdeckung zu skalieren und Wartezeiten zu verkürzen, jedoch nur, wenn jeder Durchlauf klare Abnahmeprüfungen aufweist.
• Sorgen Sie für vertrauenswürdige Cloud-Ergebnisse durch reproduzierbare Ausführung mithilfe von festgelegten Solver-Einstellungen, kontrollierten Versionen und automatisierten Pass/Fail-Ausgaben.
• Planen Sie im Voraus Ausgabenlimits, Lizenzen und Sicherheit und verlagern Sie dann zeitkritische Validierungen auf deterministische Tests.

Es funktioniert am besten, wenn Sie es als elastische Rechenleistung für wiederholte, messbare Überprüfungen betrachten und nicht als Ersatz für disziplinierte Modellierung oder Tests. Die Ausgaben der Endnutzer für öffentliche Clouds werden voraussichtlich 679 Milliarden US-Dollar, was darauf hindeutet, dass elastische Rechenleistung zu einem Standardbestandteil des Ingenieurwesens geworden ist und kein Nischenwerkzeug mehr darstellt. Die praktische Schlussfolgerung ist einfach: Cloud-Simulationen lohnen sich, wenn Sie die Skalierbarkeit nutzen, um die Testabdeckung zu erhöhen und die Wartezeit zwischen Designentscheidungen zu verkürzen.

Den größten Nutzen erzielen Sie, wenn Cloud-Läufe an klare Akzeptanzkriterien, Versionskontrolle und wiederholbare Ausführung geknüpft sind. Diese Haltung sorgt auch dafür, dass die Erwartungen realistisch bleiben, da die Simulation von Leistungselektronik empfindlich auf Solver-Einstellungen, Schaltdetails und Steuerungszeitpunkte reagiert. Wenn diese Entscheidungen gut getroffen werden, können cloudbasierte Workflows für Leistungselektronik von „wir haben ein Modell durchlaufen“ zu „wir können dem Trend über alle Ecken hinweg vertrauen“ übergehen.

„Cloud-Simulationen ermöglichen schnellere Validierungsschleifen für Leistungselektronik-Designs.“

Was ist Cloud-Simulation für Workflows in der Leistungselektronik?

Cloud-Simulation für Leistungselektronik bedeutet, dass Sie Ihre Umrichter-, Motorantriebs- oder Netzschnittstellenmodelle auf einem Remote-Computer statt auf einer lokalen Workstation ausführen. Sie senden das Modell, die Eingaben und das Ausführungsskript an einen verwalteten Cluster oder an virtuelle Maschinen. Die Ergebnisse werden als Wellenformen, Protokolle und Pass/Fail-Flags zurückgegeben. Der Zweck besteht in der wiederholbaren Ausführung in großem Maßstab, nicht nur im Remote-Zugriff.

Die meisten Teams verwenden es für zwei unterschiedliche Modi. Der Batch-Modus führt viele unabhängige Aufgaben aus, wie z. B. Parametersweeps oder Regressionssätze, und gibt nach Abschluss die Ergebnisse zurück. Der interaktive Modus unterstützt kürzere Läufe mit engerer Rückmeldung durch den Menschen, häufig über einen Remote-Desktop- oder Notebook-Workflow. Ein kleinerer Teil der Anwendungsfälle zielt auf Echtzeitverhalten ab, was jedoch eine strenge Kontrolle der Schrittgröße, des Timings und I/O erfordert.

Die entscheidende Veränderung besteht darin, dass die Rechenleistung zu einer Variablen wird, die Sie pro Frage zuweisen können. Wenn ein einzelnes hochpräzises Schaltmodell Stunden dauert, können Sie mehrere Fälle parallel ausführen, anstatt auf serielle Ausführungen auf einem Rechner zu warten. Sie sind jedoch weiterhin für die Richtigkeit verantwortlich, sodass die Cloud-Nutzung eine klare Modellverantwortung und eine definierte „Fertig“-Bedingung für jede Ausführung erfordert.

Wenn Cloud-Plattformen die Simulationszeit und Iterationszyklen verkürzen

Cloud-Plattformen verkürzen die Simulationszeit, wenn Ihr Engpass der gesamte Rechendurchsatz ist und nicht das Debugging durch Menschen. Parallele Läufe verwandeln eine lange Warteschlange von Fällen in einen kurzen Batch. Elastische Größenanpassung hilft auch, wenn die Modellgröße aufgrund feinerer Zeitschritte, mehr Umschaltdetails oder längerer Übergänge stark ansteigt. Der Vorteil ist, dass weniger Kalendertage durch Wartezeiten verloren gehen.

Beschleunigungen sind am zuverlässigsten für Workloads, die sich sauber skalieren lassen. Unabhängige Aufgaben wie Monte-Carlo-Sampling, Corner Sweeps und Controller-Gain-Suchen lassen sich gut auf viele Kerne und Knoten abbilden. Auch längere Transientenstudien profitieren davon, wenn Sie mehr Speicher zuweisen und lokale Ressourcenkonflikte vermeiden können. Die interaktive Abstimmung verbessert sich ebenfalls, jedoch nur, wenn Sie die Rückkopplungsschleife eng halten und die Laufkonfiguration konsistent ist.

„Sie wählen ein Ausführungssystem aus, nicht nur Server.“

Die Cloud-Geschwindigkeit ist auch ein Planungsproblem. Wenn Sie ohne Begrenzungen arbeiten, sieht das Wachstum der Rechenleistung bis zum Eintreffen der Rechnung wie „mehr Geschwindigkeit“ aus. Teams, die konsistente Zykluszeitgewinne erzielen, legen Job-Timeouts fest, definieren einen minimalen Ergebnissatz und entscheiden im Voraus, welche Fragen detaillierte oder durchschnittliche Modelle erfordern.

Für eine genaue Cloud-Ausführung erforderliche Änderungen an der Modellkonfiguration

Eine präzise Cloud-Ausführung hängt von der Reproduzierbarkeit ab, nicht vom Standort. Ihr Modell muss jedes Mal auf die gleiche Weise ausgeführt werden, wobei Abhängigkeiten, Solver-Einstellungen und Eingaben vollständig spezifiziert sein müssen. Außerdem benötigen Sie eine klare Trennung zwischen Modellcode und Ausführungskonfiguration, damit die Automatisierung funktionieren kann. Wenn Sie versteckte Zustände entfernen, entstehen bei Cloud-Ausführungen keine „mysteriösen Unterschiede” mehr.

• Kategorie, Schrittweite und Toleranzen, damit die Ergebnisse vergleichbar bleiben
• Modell- und Bibliotheksversionen sperren und bei jedem Lauf als Artefakt aufzeichnen
• Automatisieren Sie die Einrichtung und den Abbau, damit Menschen keine Parameter manuell bearbeiten müssen.
• Erfassen Sie Wellenformen, Ereignisse und Metadaten, die zum Debuggen eines fehlgeschlagenen Falls erforderlich sind.
• Definieren Sie Abnahmekontrollen, die Rohdaten in Pass/Fail-Ergebnisse umwandeln.

Leistungselektronikmodelle verstärken kleine Unterschiede in der Konfiguration, da sich Schaltkanten und Steuerungszeitpunkte durch kleine numerische Änderungen verschieben können. Wenn Ihr Modell lokal variable Schrittweiten verwendet, müssen Sie bewusst entscheiden, wann variable Schrittweiten akzeptabel sind und wann sie Zeitprobleme verdecken. Das Verhalten von Gleitkommazahlen kann sich ebenfalls je nach Instanztyp unterscheiden, was von Bedeutung ist, wenn Ihre Steuerungslogik von engen Schwellenwerten abhängt.

Eine praktische Schutzmaßnahme besteht darin, zwei Modellstufen beizubehalten. Eine Stufe ist ein schnelles Screening-Modell, das für Abdeckungs- und frühe Sensitivitätsprüfungen verwendet wird. Die andere Stufe ist ein hochpräzises Modell, das für die endgültige Überprüfung von Wellenformgrenzen, Schutzverhalten und Regelungsstabilität verwendet wird. Cloud-Computing ist nur dann hilfreich, wenn beide Stufen definiert sind und Sie wissen, welche Stufe welche Frage beantwortet.

Verwendung von Cloud-Läufen zur Validierung von Kontrollen und Schutzlogik

Cloud-Läufe unterstützen die Validierung von Steuerungs- und Schutzlogik, indem sie denselben Controller über eine Vielzahl von Betriebspunkten und Fehlerzuständen hinweg testen. Sie führen Closed-Loop-Tests durch, sammeln objektive Prüfungen und markieren Vorteil frühzeitig. Das schafft Vertrauen, bevor Sie Zeit im Labor damit verbringen, hardware zu verkabeln hardware Probleme zu verfolgen, die in der Simulation sichtbar waren. Das Ergebnis sind straffere, ruhigere Laborsitzungen.

Ein konkreter Arbeitsablauf ist eine dreiphasige Siliziumkarbid-Traktionswechselrichtersteuerung, die über Spannungs- und Lastbereiche hinweg validiert wird. Sie können Hunderte von Durchläufen ausführen, bei denen die Gleichstrom-Busspannung, die Motordrehzahl und temperaturabhängige Geräteparameter variieren, und dann Ereignisse wie Phasenstromsensor-Vorspannung und kurzzeitige Überstrombedingungen einspeisen. Das Ziel besteht darin, zu bestätigen, dass die Strombegrenzung bei der vorgesehenen Schwelle ausgelöst wird, dass die Abschaltsequenz stabil ist und dass die Neustartlogik nicht schwankt. Wenn der Durchlaufsatz gut definiert ist, führt jede Steuerungsänderung zu einem klaren Unterschied in den Pass/Fail-Ergebnissen.

Die Cloud-Validierung funktioniert am besten, wenn Sie sie wie Testengineering und nicht wie Plotten behandeln. Sie benötigen eine kleine Reihe numerischer Prüfungen, wie z. B. Überschreitungsgrenzen, Einschwingzeitgrenzen und Schutzreaktionszeitfenster, damit Sie Durchläufe vergleichen können, ohne jede Kurve einzeln betrachten zu müssen. Außerdem benötigen Sie Rückverfolgbarkeit, damit ein fehlgeschlagener Fall genau reproduziert werden kann, einschließlich der Modellrevision und des Eingabeseeds.

Nachdem der Cloud-Lauf stabil läuft, besteht der nächste Schritt darin, den Kreislauf mit hardware zu schließen. Teams verschieben häufig denselben Controller in einen Echtzeitsimulator für Tests, bei denen I/O Ausführungszeitpunkt begrenzt und messbar sind. OPAL-RT-Systeme werden in dieser Phase häufig eingesetzt, da sie sich auf die deterministische Echtzeitausführung konzentrieren und dennoch mit Standard-Modellierungstoolchains arbeiten. Cloud-Simulation und HIL sind als mehrstufiger Ablauf am stärksten, wobei jede Stufe eine andere Art von Risiko abdeckt.

Grenzen, Kosten und Sicherheitsbeschränkungen, die Sie einplanen müssen

Cloud-Simulationen haben Grenzen, die sich in Form von Kostenvolatilität, Latenz, Lizenzierungsproblemen und Sicherheitsanforderungen zeigen. Die Kosten steigen schnell, wenn die Läufe lang, hochauflösend und uneingeschränkt sind. Aufgrund der Latenz eignet sich die Cloud nicht für die direkte Interaktion mit physischer hardware engen Schleifen. Die Sicherheitsplanung ist wichtig, da Modelldateien und Testvektoren oft wichtige IP-Informationen enthalten.

Die Datenverarbeitung hat auch physische Auswirkungen, die sich auf die Unternehmensführung und die Budgetplanung auswirken. Rechenzentren verbrauchten im Jahr 2022 etwa 460 TWh Strom, was daran erinnert, dass „alles ausführen“ mit realen Kosten verbunden ist und nur für Fragen reserviert sein sollte, die technische Entscheidungen beeinflussen. Betrachten Sie dies als eine zwingende Funktion für die Priorisierung. Wenn eine Ausführung keine Designentscheidung beeinflusst, sollte sie nicht skaliert werden.

Sicherheit und Compliance beruhen auf grundlegenden Kontrollen, die konsequent durchgeführt werden. Sie benötigen eine rollenbasierte Identitäts- und Zugriffsverwaltung, Verschlüsselung für gespeicherte und übertragene Daten sowie klare Regeln für die Aufbewahrung von Datenartefakten. Bei regulierten Projekten spielt auch der Speicherort der Daten eine Rolle. Daher benötigen Sie eine dokumentierte Antwort darauf, wo Simulationen ausgeführt und wo Ergebnisse gespeichert werden. Die Kostenkontrolle sollte ebenso streng sein, mit Kontingenten, Kennzeichnungen und Warnmeldungen, damit das Team die Ausgaben nahezu in Echtzeit sehen kann.

Auswahl eines Cloud-Simulations-Stacks für Teams im Bereich Leistungselektronik

Die Auswahl eines Cloud-Simulationsstacks hängt von der Übereinstimmung zwischen Kategorie, Modellgenauigkeit und Validierungs-Governance ab. Sie benötigen einen Pfad für die Batch-Skalierung, einen Pfad für wiederholbare Regressionen und einen Pfad, der mit der Laborvalidierung verbunden ist, wenn Timing und I/O im Mittelpunkt I/O . Die Integration ist wichtiger als die reine Rechenleistung, da Simulationen nur dann zählen, wenn die Ergebnisse vertrauenswürdig sind. Sie wählen ein Ausführungssystem aus, nicht nur Server.

Beginnen Sie mit drei Entscheidungen, die Sie verteidigen können. Entscheiden Sie, welche Modelle in großem Umfang im Batch-Verfahren ausgeführt werden sollen und welche eine manuelle Interaktion erfordern. Entscheiden Sie, wie Ergebnisse zu Pass/Fail-Ergebnissen werden, da Plots nicht auf Hunderte von Fällen skalierbar sind. Entscheiden Sie, wie Modellrevisionen, Solver-Einstellungen und Ausführungsskripte gesteuert werden, damit die Ausführungen auch bei Teamwechseln über einen längeren Zeitraum hinweg vergleichbar bleiben.

Behalten Sie bei der endgültigen Beurteilung die Disziplin bei der Ausführung im Blick. Cloud-Simulationen zahlen sich aus, wenn Sie die Eingaben standardisieren, die Rechenleistung begrenzen und nur die Tests fördern, die das Laborrisiko verringern. In Kombination mit einer deterministischen Validierung auf Echtzeitplattformen erhalten Sie einen Workflow, der sowohl die Skalierbarkeit als auch das Timing berücksichtigt. OPAL-RT eignet sich ideal für Teams, die diese zweite Stufe erreichen möchten, ohne sich auf eine begrenzte Toolchain festzulegen, solange die gleichen strengen Anforderungen an Modelle, Testkriterien und Änderungskontrolle gelten.