CN104517013A - 一种基于遗传算法的车用电机多目标优化设计方法 - Google Patents

Abstract

本发明公开一种基于遗传算法的车用电机多目标优化设计方法，该方法包括：建立电机优化设计的数学模型；异步电机基于遗传算法的优化设计；对优化问题进行编码：把优化问题的求解的参数形式转换成基因码串的表现形式；初始群体产生编码后，首先随机产生一定数量的个体组成初始群体；确定和评估适应度函数；选择交叉变异；反复执行选择、交叉、变异使群体适应度升高，个体逐渐接近最优解，直至满足规定的收敛依据，最后达到全局最优解。本发明优化速度快、成本低、效率高，缩短了电机设计周期，使电机在满足其性能要求的前提下，功率密度和电机效率显著提高，且遗传算法具有普适性、潜在的全局收敛性和有效性，适合应用到电机优化设计中。

Description

一种基于遗传算法的车用电机多目标优化设计方法

技术领域

本发明涉及车用电机技术领域，尤其涉及一种基于遗传算法的车用电机多目标优化设计方法。

背景技术

车用电机，是用于汽车等机械的一类专用电机，泛指车辆上一切使机械能转化为电能、电能转化为机械能的机械装置，特指发电机、电能机和电动机。以电动汽车用驱动电机为例，电动汽车对驱动电机的可控性、稳态精度、动态性能等均要求较高，而驱动电机的工况又比较复杂：装配空间小，经常工作在高温、坏天气及频繁振动等恶劣环境下。因此，电动汽车用驱动电机的设计过程要比一般工业用电机复杂的多。电机优化设计时需要综合考虑电机的性能、体积、成本等目标，而这些优化目标之间往往是相互冲突的；此外，在优化过程中，必须考虑实际生产难度和应用条件。由于电机的高度非线性和各参数间的强耦合，电机的计算方法会直接影响到计算结果的准确性，从而影响最终的优化结果。因此，优化方法和计算方法是电机优化设计中的关键。但是，传统的车用电机多目标优化方法普遍存在优化速度慢、成本高、效率低等不足，延长了电机设计的周期。

发明内容

本发明的目的在于通过一种基于遗传算法的车用电机多目标优化设计方法，来解决以上背景技术部分提到的问题。

为达此目的，本发明采用以下技术方案：

一种基于遗传算法的车用电机多目标优化设计方法，其包括：

A、建立电机优化设计的数学模型；数学模型如下：

$\left.\begin{array}{c}\min /\max :f\left(x\right)\\ g_i\left(x\right)\≤0,i=\mathrm{1,2,3},.....,m\\ X_i\∈[a_j,b_j],j=\mathrm{1,2,3}...,n\end{array}\right\}---\left(1\right)$

其中，X＝[x₁,x₂,x₃,…,x_n]为设计参量即电磁系统的参数，包括但不限于冲片尺寸、绕组参量；g_i(X)为约束条件，包括性能约束和一般约束；

B、异步电机基于遗传算法的优化设计，其中，设置优化目标为每台电机的功率密度和电机效率；优化变量为：铁心长度、每槽导体数、线规、定子槽底宽、定子槽身高、转子槽肩宽、转子槽身高；选定交流电机的额定功率、额定电压、输出转速、转矩作为性能约束；

C、对优化问题进行编码：把优化问题的求解的参数形式转换成基因码串的表现形式；

D、初始群体产生编码后，首先随机产生一定数量的个体组成初始群体，其中，所述初始群体由基因片段组成，每个基因片段又是一个群体；

E、确定和评估适应度函数；

F、选择交叉变异；反复执行选择、交叉、变异使群体适应度升高，个体逐渐接近最优解，直至满足规定的收敛依据，最后达到全局最优解。

特别地，所述步骤B还包括：按工程设计中电机尺寸的极限约束条件来设计一般约束条件。

特别地，所述步骤C中在参数进行编码过程中需确保问题编码的完备性、健全性及冗余性，并参考实际加工工艺，选择编码方式和长度。

特别地，所述步骤D还包括：将异步电机优化设计的特点和技术指标作为参考，确定基因片段群体范围。

特别地，所述步骤E中选取率密度PN和电机效率J作为适度函数，通过加权系数进行优化衡量，具体公式如下：

PN_i≥PN₀   i∈[1,k]

                               (2)。

J_i≥J₀     i∈[1,k]

本发明提出的基于遗传算法的车用电机多目标优化设计方法的优化速度快、成本低、效率高，缩短了电机设计周期，使电机在满足其性能要求的前提下，功率密度和电机效率显著提高，且遗传算法具有普适性、潜在的全局收敛性和有效性，适合应用到电机优化设计中。

附图说明

图1为本发明实施例提供的基于遗传算法的车用电机多目标优化设计方法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容，除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

请参照图1所示，图1为本发明实施例提供的基于遗传算法的车用电机多目标优化设计方法流程图。其中，所述遗传算法是一种基于自然选择原理和自然遗传机制的随机搜索最优解的方法。它模拟自然界中的生命进化机制，在人工系统中实现特定指标的优化。其基本思想是：首先通过编码操作将问题空间映射到编码空间，然后在编码空间内进行选择、交叉、变异三种遗传操作及其循环迭代操作，模拟生物遗传进化机制，搜索编码空间的最优解，最后映射到原问题空间，从而得到原问题的最优解。遗传算法通过交叉算子和变异算子的协同作用确保状态空间各点的概率可达性，在选择算子的作用下保证迭代进程的方向性。

本实施例中基于遗传算法的车用电机多目标优化设计方法具体包括：

S101、建立电机优化设计的数学模型；数学模型如下：

$\left.\begin{array}{c}\min /\max :f\left(x\right)\\ g_i\left(x\right)\≤0,i=\mathrm{1,2,3},.....,m\\ X_i\∈[a_j,b_j],j=\mathrm{1,2,3}...,n\end{array}\right\}---\left(1\right)$

其中，X＝[x₁,x₂,x₃,…,x_n]为设计参量即电磁系统的参数，包括但不限于冲片尺寸、绕组参量；g_i(X)为约束条件，包括性能约束和一般约束。

S102、异步电机基于遗传算法的优化设计，其中，设置优化目标为每台电机的功率密度和电机效率；优化变量为：铁心长度、每槽导体数、线规、定子槽底宽、定子槽身高、转子槽肩宽、转子槽身高；选定交流电机的额定功率、额定电压、输出转速、转矩作为性能约束。于本实施例中按工程设计中电机尺寸的极限约束条件来设计一般约束条件。

S103、对优化问题进行编码：把优化问题的求解的参数形式转换成基因码串的表现形式。在参数进行编码过程中需确保问题编码的完备性、健全性及冗余性，并参考实际加工工艺，选择编码方式和长度。

S104、初始群体产生编码后，首先随机产生一定数量的个体组成初始群体，其中，所述初始群体由基因片段组成，每个基因片段又是一个群体。如铁心长度这个基因片段的群体，将异步电机优化设计的特点和技术指标作为参考，确定基因片段群体范围。

S105、确定和评估适应度函数。评价函数是用来判断群体中的个体的优劣程度的指标，它是根据所求的功率密度和电机效率等目标来进行评估的。于本实施例中选取率密度PN和电机效率J作为适度函数，通过加权系数进行优化衡量，具体公式如下：

PN_i≥PN₀  i∈[1,k]

                          (2)。

J_i≥J₀     i∈[1,k]

S106、选择交叉变异；反复执行选择、交叉、变异使群体适应度升高，个体逐渐接近最优解，直至满足规定的收敛依据，最后达到全局最优解。

选择操作是遗产算法中环境对个体适应性的评价方式，按照适者生存的目的选择强者使他们作为父代繁殖下一代。交叉是将种群中2个适应度强的个体随机的交换某些基因片段，从而产生新一代，变异是保持多样性的有效方法。

本发明的技术方案优化速度快、成本低、效率高，缩短了电机设计周期，使电机在满足其性能要求的前提下，功率密度和电机效率显著提高，且遗传算法具有普适性、潜在的全局收敛性和有效性，适合应用到电机优化设计中。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (5)

1.一种基于遗传算法的车用电机多目标优化设计方法，其特征在于，包括：

A、建立电机优化设计的数学模型；数学模型如下：

$\left.\begin{array}{c}\min /\max :f\left(x\right)\\ g_i\left(x\right)\≤0,i=\mathrm{1,2,3},.....,m\\ X_i\∈[a_j,b_j],j=\mathrm{1,2,3}...,n\end{array}\right\}---\left(1\right)$

其中，X＝[x₁,x₂,x₃,…,x_n]为设计参量即电磁系统的参数，包括但不限于冲片尺寸、绕组参量；g_i(X)为约束条件，包括性能约束和一般约束；

B、异步电机基于遗传算法的优化设计，其中，设置优化目标为每台电机的功率密度和电机效率；优化变量为：铁心长度、每槽导体数、线规、定子槽底宽、定子槽身高、转子槽肩宽、转子槽身高；选定交流电机的额定功率、额定电压、输出转速、转矩作为性能约束；

C、对优化问题进行编码：把优化问题的求解的参数形式转换成基因码串的表现形式；

D、初始群体产生编码后，首先随机产生一定数量的个体组成初始群体，其中，所述初始群体由基因片段组成，每个基因片段又是一个群体；

E、确定和评估适应度函数；

F、选择交叉变异；反复执行选择、交叉、变异使群体适应度升高，个体逐渐接近最优解，直至满足规定的收敛依据，最后达到全局最优解。

2.根据权利要求1所述的基于遗传算法的车用电机多目标优化设计方法，其特征在于，所述步骤B还包括：按工程设计中电机尺寸的极限约束条件来设计一般约束条件。

3.根据权利要求2所述的基于遗传算法的车用电机多目标优化设计方法，其特征在于，所述步骤C中在参数进行编码过程中需确保问题编码的完备性、健全性及冗余性，并参考实际加工工艺，选择编码方式和长度。

4.根据权利要求3所述的基于遗传算法的车用电机多目标优化设计方法，其特征在于，所述步骤D还包括：将异步电机优化设计的特点和技术指标作为参考，确定基因片段群体范围。

5.根据权利要求1至4之一所述的基于遗传算法的车用电机多目标优化设计方法，其特征在于，所述步骤E中选取率密度PN和电机效率J作为适度函数，通过加权系数进行优化衡量，具体如下：

$\begin{array}{cc}P{N}_i\≥P{N}_0& i\∈[1,k]\\ J_i\≥J_0& i\∈[1,k]\end{array}---\left(2\right).$