省钱变破财，厂房绿电如何避雷？

做表贴式永磁同步电机设计二十年，电磁计算这活儿一直是"手工活"——翻手册、查公式、用MathCAD一个个算。算一个方案要半小时，对比三个方案就是半天。 前段时间我一直在琢磨一件事：能不能做个工具，输入参数直接出结果？ 问题是，我是做电机的，不是写代码的。Python会一点基础语法，但要从零搭一个带界面的计算程序，光是搞懂GUI框架选型就得花一周，更别提前后端联调和打包发布了。 然后我试了个事——让AI帮我写。 结果，三天时间，一个能用的电磁计算器EXE文件就出来了。输入参数一键出结果，还能生成曲线图，直接能拿去写方案报告。 这篇文章就讲讲这个过程：我是怎么跟AI协作的、踩了哪些坑、最终做出来的东西长什么样。如果你也是电机行业的工程师，希望能给你一点启发。 一、表贴电机电磁计算，到底算什么 先交代一下背景。表贴式（SPM）永磁同步电机，结构相对简单——永磁体贴在转子表面，没有内置式的磁桥和隔磁槽，磁路分析比IPM友好得多。但电磁计算的参数一点不少： 1.1、输入参数 几何参数：定子外径/内径、槽数、极数、槽形尺寸（槽口宽、槽深、槽肩角等） 绕组参数：每槽匝数、并联支路数、线径、节距、绕组型式 永磁体参数：厚度、宽度、牌号（如N35SH）、磁化方向长度、气隙长度 1.2、输出结果 磁路校核：气隙磁密、齿磁密、轭磁密——判断磁路是否饱和 绕组性能：绕组系数（分布系数×短距系数）、有效匝数、相电阻、交直轴电感 性能指标：反电动势、电磁转矩 损耗分解：铜损、铁损、机械损耗——给热设计提供边界条件 这些公式在电机设计手册里都能找到，但手动算太慢了。特别是方案对比阶段，改一个气隙长度就要重算一遍全套，一下午就耗在重复劳动上。 二、我是怎么跟AI协作的 整个开发过程，我本人没从头写过一行代码。我的角色更像是一个"产品经理+专业审核"： Excel计算表格输入 → 描述需求 → AI生成代码 → 我测试验证 → 反馈问题 → AI修改迭代 听起来简单，实际操作有几个关键点值得展开： 2.1、需求描述越具体越好 最开始我跟AI说"帮我写个电磁计算器"，它确实给了一个框架——但离能用的程度差了十万八千里。后来我学乖了，把需求描述要具体到变量名级别： "我需要一个表贴式永磁同步电机的电磁计算器，然后根据excel计算表中的输入参数：定子外径Dso、内径Dsi、槽数Qs、极数2p、槽形为梨形槽（槽口宽bs0、槽口高hs0、槽肩宽bs1、槽总高hs）……输出：气隙磁密Bg、齿磁密Bt、轭磁密By、绕组系数Kw、反电动势E0、电磁转矩Te。技术栈：Python + Flask后端 + HTML/JS前端 + Chart.js绘图。所有计算封装在calculator.py中。" 越具体，AI给的代码越接近你要的，返工次数越少。 2.2、分模块开发，不要一步到位 我一开始想让AI一次性把整个程序写出来，结果发现不行——代码太长、逻辑链路太复杂，AI写到后面就开始前后矛盾，变量名都对不上。 后来改成分模块推进，每一步都可验证： 步骤 内容 验证方式 第1步 核心计算模块 calculator.py 用MathCAD(Excel)手算结果交叉比对 第2步 Web框架 app.py + 基础表单 浏览器输入参数，看能否正常提交 第3步 前后端数据对接 检查后端接收到的参数类型是否正确 第4步 计算结果展示页面 核对数值是否与calculator.py独立运行一致 第5步 Chart.js曲线图生成 检查图表数据与计算结果是否匹配 第6步 PyInstaller打包EXE 在干净环境中双击运行测试 每一步测试通过再进行下一步，避免问题堆积到最后变成一团乱麻。 2.3、验证——这是最重要的一步 AI写的代码，一定要用你的专业知识去验证。这不是可选步骤，是必须的。 我的验证方式是：用MathCAD（Excel）手算3个典型工况（额定点、最大转矩点、弱磁区），跟AI程序的输出逐项对比。 第一次测试就发现了问题——AI把卡特系数（Carter factor）的计算公式搞错了，气隙磁密整体偏低15%。我指出错误后，它立刻修正。后面又陆续发现几个问题：绕组系数漏乘了短距系数、铁损计算中频率代入用了电频率而非磁频率…… 这种"AI写、人验"的模式，效率比纯手写高得多——AI负责把公式翻译成代码、处理数据结构、搭建界面框架；我负责把关专业准确性和物理合理性。 2.4、踩过的坑（省得你再踩） 坑1：AI会"编造"公式 这是最危险的。有时候AI给出的公式看起来很合理——变量齐全、量纲也对——但实际上系数或指数就是错的。比如它给我的永磁体工作点计算里，漏掉了漏磁系数σ，导致Br取值偏高。这种情况只能靠你的专业功底识别，没有任何捷径。 坑2：PyInstaller打包依赖缺失 Python打包成EXE是出了名的坑多。AI一开始生成的spec文件没有处理隐式导入（比如numpy的某个backend），在开发环境能跑，打包后一启动就崩溃。后来加了hidden-imports参数才解决。建议打包前先用虚拟环境测试，排除环境污染的可能。 坑3：前后端数据类型不匹配 AI写的前端表单传参默认都是字符串，后端calculator.py接收后直接拿去做浮点运算，没做类型转换，结果算出来全是NaN。这类问题在静态类型语言里编译期就能发现，Python里只能靠测试暴露。 三、最终做出来的电磁计算器 折腾了三天，成品如下： 3.1、界面 3.2、计算结果示例 以一台36槽8极、外径122mm的样机为例，输入参数后点击"计算"： 磁路校核： • 气隙磁密Bg：0.659T • 齿磁密Bt：1.54T（硅钢片还有余量，建议优化齿宽） • 轭磁密By：1.49T（安全裕度充足） 性能指标： • 反电动势E0：227.92V @1000rpm • 电磁转矩Te：9.55 N·m 效率η：89.5% 损耗分解： • 铜损Pcu：136.4W • 铁损Pfe：79W • 机械损耗Pmech：10W 3.3、曲线图功能 这是我觉得比较实用的部分——结果不只是干巴巴的数字，还能一键生成： 转矩-转角曲线：观察转矩脉动情况，评估齿槽转矩是否超标 3.4、交付形态 最终打包成单个EXE文件： 不需要安装Python运行环境 不需要配置任何依赖库 不需要联网 双击即用，跟普通Windows软件没区别 四、这个工具能帮你干什么 说了一大堆技术细节，回到实用层面——这个计算器到底能帮你解决什么问题？ 4.1、快速方案可行性评估 接到新项目，客户给了功率、转速、体积约束，要快速判断方案能不能走通。以前用MathCAD半天出一个方案，现在打开计算器，3秒钟出结果，当场就能跟客户讨论技术路线。 4.2、多方案对比选型 客户要对比三个方案（比如不同极对数、不同磁钢牌号），选性价比最高的。以前每个方案算一遍，改参数重算，大半天就没了。现在三个方案参数分别保存为JSON，10分钟并排对比完，效率差距很明显。 4.3、参数敏感性分析 领导问："气隙从0.8mm加到1.2mm，效率能涨多少？" 以前得改10个值、算10遍，算到怀疑人生。现在改参数点10次计算，2分钟出趋势图，直接给出定量结论。 4.4、新人培训 & 设计评审 带新人讲电磁计算原理，白板推公式他们听得云里雾里。打开计算器，改个极弧系数看反电动势怎么变，直观、好理解。评审会上也能用，比PPT上写死的数字更直观。 五、AI协作开发的经验总结 回顾整个过程，有几个认知层面的收获，比工具本身更有价值： 5.1 AI擅长实现，人负责判断 AI写代码的速度远超人类，但它不懂电机设计的物理本质。公式对不对、参数范围合不合理、结果有没有物理意义——这些必须靠人的工程判断力。AI是放大器，放大的是你的专业能力，而不是替代它。 5.2 需求描述的质量决定产出质量 这是投入产出比最高的一环。花30分钟把需求文档写清楚（变量定义、公式来源、输入输出格式、异常处理逻辑），能省下至少半天的反复修改时间。建议用"伪代码+注释"的方式描述计算逻辑，AI理解起来最准确。 5.3 分步迭代 > 一步到位 不要指望AI一次生成一个完美项目。分模块、分步骤，每一步都验证正确性，是保证最终结果靠谱的唯一路径。慢就是快——前期多花时间验证calculator.py的正确性，后面界面随便换都不会出根本性问题。 六、总结 写在最后，做电机设计二十年，工具从纸质手册、科学计算器、MathCAD、Ansoft Maxwell，到现在用AI辅助开发——工具在变，但核心没变： 理解电机原理，才能用好工具。 这个计算器不是要替代Maxwell、Motor-CAD这些专业有限元软件，而是在设计初期帮你快速估算、快速筛方案。等基本方案确定了，再用专业软件做精细化仿真验证。两层工具各司其职，效率最大化。 AI是个好工具，但前提是——你得知道自己要它干什么，还得有能力判断它干得对不对。 有问题可以留言讨论。如果你也在尝试用AI辅助电机设计工作，或者有其他效率工具的心得，欢迎分享。 🔜 下期预告：IPM版来了——难度完全不是一个量级 SPM版三天搞定，我以为IPM也就是多加几个参数的事——结果差点翻车。 磁桥漏磁、隔磁槽、d/q轴不对称、弱磁计算……每一个都是AI的"知识盲区"。AI写的公式看起来头头是道，实际算出来的弱磁倍数虚高了20%+。最后还是靠十几年老本行才把这几个坑填平。 下一篇，聊聊IPM电磁计算器的开发全过程——哪些地方AI真的帮不上忙，哪些经验系数是有限元都替不了的。来源：电机视窗