CN106202836A - 一种分块转子开关磁阻电机的优化设计方法 - Google Patents

Abstract

本发明公开一种分块转子开关磁阻电机的优化设计方法，优化对象是K_T，η，β_s、β_r、h_cs、h_cr、D_a、N，β_s和β_r分别是定子极弧和转子极弧，h_cs和h_cr分别是定子轭厚和转子块径向高度，D_a是转子外径，N是绕组匝数，优化目标是减少转矩脉动系数K_T和提高电机效率η，将优化对象样本数据空间集作为模糊神经网络的输入，训练模糊神经网络，输出非参数模型；结合约束条件和优化对象，将优化目标转化为目标函数：采用基于自适应权重调整的粒子群优化算法对优化对象进行全局寻优，输出目标函数最优解，实现减少转矩脉动系数K_T和提高电机效率η的优化目标；本发明容易实现、精度高、收敛快。

Description

一种分块转子开关磁阻电机的优化设计方法

技术领域

本发明属于开关磁阻电机领域，特别涉及开关磁阻电机的优化设计。

背景技术

普通开关磁阻电机以其结构简单牢固、成本低和可靠性高以及适用于高速运行和恶劣环境等优点，在航空、电动汽车、煤田开采、风力发电和家电领域已广泛应用。

分块转子开关磁阻电机的结构参见中国专利申请号为201520267436.7、名称为“电动汽车驱动用容错式四相开关磁阻电动机”的文献中公开的电机。如图1所示，分块转子开关磁阻电机主要由外定子1、内转子3和转轴4组成，在外定子的定子齿上绕有绕组2，内转子3是扇形分块转子结构，以扇形分块转子取代传统的凸极结构转子，在减小风阻、提高电机效率方面有明显的效果。该分块转子开关磁阻电机的定子极弧是β_s，转子极弧是β_r，定子轭厚是h_cs，转子块径向高度是h_cr。分块转子开关磁阻电机的这种特殊的结构使其具有多变量、强耦合、高非线性等特点，因此需要对其进行快速而准确的优化设计。

目前，关于电机参数的优化设计多数建立在类比法、经验公式以及有限元基础上，但这类优化设计需要不断调用参数模型以获得其输出，所以过程繁琐、计算效率低，同时由于开关磁阻电机严重的非线性导致模型的数学解析式难以获取，所以无法获得优化目标和各种结构参数之间的数学关系，从而无法建立最优命题。中国专利申请号为201410836987.0、名称为“一种基于遗传算法的车用电机多目标优化设计方法”的文献中公开了针对车用异步电机采用遗传算法的设计方法，以提高功率密度和效率为目标进行优化设计，然而该优化设计方法所采用的遗传算法要进行交叉、变异和选择的进化程序，使得过程较繁琐，且在寻优过程中容易收敛到局部最优解，不利于全局寻优，另外，该优化算法研究的对象是普通异步电机，并非开关磁阻电机。

模糊神经网络是一种将模糊理论和神经网络相结合的智能算法，它将模糊理论的专家知识利用较好、对样本要求较低等优点和神经网络的人工干预少、精度高、较强的自学习能力等优点相结合，可以对非线性模型进行精确逼近。

粒子群算法是一种从随机解出发通过迭代寻找最优解的智能优化算法，该算法与其他智能优化算法相比较，规则更为简单、算法实现容易、精度高、收敛快。基于自适应权重调整的粒子群优化算法，可以实现全局寻优与局部改良的动态平衡。

发明内容

本发明的目的是为克服现有电机参数的优化设计方法的不足，提出一种针对分块转子开关磁阻电机的优化设计方法，能快速、高精度地输出全局最优解。

本发明一种分块转子开关磁阻电机的优化设计方法采用的技术方案是：优化对象是K_T，η，β_s、β_r、h_cs、h_cr、D_a、N，β_s和β_r分别是定子极弧和转子极弧，h_cs和h_cr分别是定子轭厚和转子块径向高度，D_a是转子外径，N是绕组匝数，优化目标是减少转矩脉动系数K_T和提高电机效率η，包括以下步骤：

A、构建样本数据空间集{K_T，η，β_s、β_r、h_cs、h_cr、D_a、N}，将样本数据空间集作为模糊神经网络的输入，训练模糊神经网络，输出非参数模型f₁、f2是函数关系符号；

B、结合约束条件和优化对象，将优化目标转化为目标函数：

maxf表示最大值，obj表示优化对象的目标函数式；

C、采用基于自适应权重调整的粒子群优化算法对优化对象β_s、β_r、h_cs、h_cr、D_a、N进行全局寻优，输出目标函数最优解实现减少转矩脉动系数K_T和提高电机效率η的优化目标。

进一步地，步骤C中，采用基于自适应权重调整的粒子群优化算法对优化对象β_s、β_r、h_cs、h_cr、D_a、N进行全局寻优的方法是：先设置粒子群参数，粒子数为40，粒子维数为6，最大迭代次数为1000，自适应惯性权重系数w(k)的初始值为0.75，学习因子c₁＝c₂＝3；再确定优化对象β_s、β_r、h_cs、h_cr、D_a、N的搜索范围：然后初始化，令时刻t＝0，权重系数w(k)＝0.75，开始迭代，计算粒子即优化对象β_s、β_r、h_cs、h_cr、D_a、N的个体极值和群体极值，根据各粒子的目标函数maxf值的集中与分散情况，权重系数w(k)自适应调整，粒子更新自己的速度和位置；最后，当迭代次数达到最大迭代次数后输出目标函数最优解

本发明的有益效果是：

1、本发明针对非线性模型的数学解析式难以获取而导致无法获得优化目标和各种结构参数之间的数学关系，从而无法建立最优命题的问题，提出利用模糊神经网络训练样本空间的方法，该方法训练出的非参数模型精度高而且回归速度快。

2、本发明基于自适应权重调整的粒子群优化算法相比较遗传算法的交叉、变异、选择等繁琐的进化程序，不仅可以实现全局寻优与局部改良的动态平衡，而且该算法容易实现、精度高、收敛快。另外只需要通过软件编程实现，无需其他硬件设备，成本低，易于工程实现。

附图说明

图1为分块转子开关磁阻电机的结构示意图；

图2为本发明提供的一种分块转子开关磁阻电机的优化设计方法流程图；

图3为图2中基于自适应权重调整的粒子群优化算法的流程图。

具体实施方式

参见图2，利用二维有限元软件对分块转子开关磁阻电机建立有限元模型，获取不同结构参数下的转矩脉动和电机效率，由此构建样本数据空间集{K_T，η，β_s、β_r、h_cs、h_cr、D_a、N}，其中，K_T是转矩脉动系数，η是电机效率，β_s和β_r分别表示电机的定子极弧和转子极弧，h_cs和h_cr分别表示电机的定子轭厚和转子块径向高度，D_a表示转子外径，N是绕组匝数。

将样本数据空间集{K_T，η，β_s、β_r、h_cs、h_cr、D_a、N}作为模糊神经网络的输入，输入模糊神经网络，经过模糊神经网络的训练，输出得到分块转子开关磁阻电机的非参数模型，该非参数模型为：

$\left\{\begin{array}{c}{K}_T=f_1({\mathrm{\β}}_s,{\mathrm{\β}}_r,h_{cs},h_{cr},D_a,N)\\ \mathrm{\η}=f_2({\mathrm{\β}}_s,{\mathrm{\β}}_r,h_{cs},h_{cr},D_a,N)\end{array}\right.---\left(1\right)$

式中，f₁、f2表示函数关系符号。

模糊神经网络采用三层结构，第一层为输入层，输入节点数为8，第二层为隐含层，节点数为13，第三层为输出层，节点数为3。模型训练次数设置为800次，使模糊神经网络输出均方误差小于0.001时才满足要求。

本发明优化设计的优化目标为：减少转矩脉动系数K_T和提高电机效率η，优化对象为：定子极弧β_s和转子极弧β_r、定子轭厚h_cs、转子块径向高度h_cr、转子外径D_a和绕组匝数N，约束条件为：

$\left\{\begin{array}{c}{D}_s=C\\ l_a=C^{*}\\ T\≥T_N\end{array}\right.---\left(2\right)$

式中，D_s表示定子外径，l_a表示电机定子轴长，C表示定值，C^*表示不同于C的定值，C和C^*根据电机应用场合的实现条件确定，T表示电机输出转矩，T_N表示额定转矩。

结合约束条件和优化对象，将优化目标转化为如下的目标函数：

$\max f=max\left(\frac{\mathrm{\η}}{K_T}\right)=obj({\mathrm{\β}}_s,{\mathrm{\β}}_r,h_{cs},h_{cr},D_a,N)---\left(3\right)$

式中，maxf表示目标函数f的最大值，表示目标函数的最大值，obj表示优化对象的目标函数式。

由于目标函数为一个复杂的非线性函数，难以满足可微、连续等严格的数学条件，因此无法采用传统最优设计方法。本发明采用基于自适应权重调整的粒子群优化算法对优化对象β_s、β_r、h_cs、h_cr、D_a、N进行全局寻优。基于自适应权重调整的粒子群优化算法的原理为：当各粒子的目标函数值趋于一致时，惯性权重系数自适应增加；而当各粒子的目标函数值较分散时，惯性权重系数自适应减小，从而粒子加快向最优解靠近。具体如下：

参见图3，先设置粒子群参数，其中粒子数为40，粒子维数为6，最大迭代次数为1000，自适应惯性权重系数w(k)的初始值为0.75，学习因子c₁＝c₂＝3。

确定优化对象β_s、β_r、h_cs、h_cr、D_a、N的搜索范围是：

然后初始化，令时刻t＝0，权重系数w(k)＝0.75。

开始迭代：t＝t+1，由此计算粒子β_s、β_r、h_cs、h_cr、D_a、N的个体极值和群体极值。根据各粒子β_s、β_r、h_cs、h_cr、D_a、N的目标函数maxf值的集中与分散情况，权重系数w(k)自适应调整，致使粒子β_s、β_r、h_cs、h_cr、D_a、N向目标函数maxf最优解收敛速度加快。其中，自适应调整的权重系数w(k)的函数为：

$w\left(k\right)=\left\{\begin{array}{c}w{\left(k\right)}_{min}-\frac{(f-f_{min})\·\[w{\left(k\right)}_{max}-w{\left(k\right)}_{min}\]}{f_{avg}-f_{min}},f\≤f_{avg}\\ w{\left(k\right)}_{max},f>f_{avg}\end{array}\right.---\left(5\right)$

式中，w(k)是权重系数；w(k)_max和w(k)_min分别是最大和最小权重系数；f表示该粒子当前位置的目标函数值，f_avg和f_min分别表示所有粒子β_s、β_r、h_cs、h_cr、D_a、N当前位置的目标函数maxf的平均值和目标函数maxf的最小值。

在粒子找到个体极值和群体极值，并且权重系数在此过程中做自适应调整后，粒子更新自己的速度和位置。

当迭代次数达到最大迭代次数后输出目标函数最优解即输出优化后的β_s、β_r、h_cs、h_cr、D_a、N结构参数下的目标函数最优解若未达到最大迭代次数，则继续迭代，从计算粒子个体极值和群体极值开始依此循环，直至输出最优解为止，至此，即可完成对分块转子开关磁阻电机的优化设计，实现减少转矩脉动系数K_T和提高电机效率η的优化目标。

Claims (5)

1.一种分块转子开关磁阻电机的优化设计方法，优化对象是K_T，η，β_s、β_r、h_cs、h_cr、D_a、N，β_s和β_r分别是定子极弧和转子极弧，h_cs和h_cr分别是定子轭厚和转子块径向高度，D_a是转子外径，N是绕组匝数，优化目标是减少转矩脉动系数K_T和提高电机效率η，其特征是包括以下步骤：

A、构建样本数据空间集{K_T，η，β_s、β_r、h_cs、h_cr、D_a、N}，将样本数据空间集作为模糊神经网络的输入，训练模糊神经网络，输出非参数模型f₁、f2是函数关系符号；

B、结合约束条件和优化对象，将优化目标转化为目标函数：

maxf表示最大值，obj表示优化对象的目标函数式；

C、采用基于自适应权重调整的粒子群优化算法对优化对象β_s、β_r、h_cs、h_cr、D_a、N进行全局寻优，输出目标函数最优解实现减少转矩脉动系数K_T和提高电机效率η的优化目标。

2.根据权利要求1所述一种分块转子开关磁阻电机的优化设计方法，其特征是：步骤C中，采用基于自适应权重调整的粒子群优化算法对优化对象β_s、β_r、h_cs、h_cr、D_a、N进行全局寻优的方法是：先设置粒子群参数，粒子数为40，粒子维数为6，最大迭代次数为1000，自适应惯性权重系数w(k)的初始值为0.75，学习因子c₁＝c₂＝3；再确定优化对象β_s、β_r、h_cs、h_cr、D_a、N的搜索范围：然后初始化，令时刻t＝0，权重系数w(k)＝0.75，开始迭代，计算粒子即优化对象β_s、β_r、h_cs、h_cr、D_a、N的个体极值和群体极值，根据各粒子的目标函数max f值的集中与分散情况，权重系数w(k)自适应调整，粒子更新自己的速度和位置；最后，当迭代次数达到最大迭代次数后输出目标函数最优解

3.根据权利要求2所述一种分块转子开关磁阻电机的优化设计方法，其特征是：权重系数w(k)的为：

$w\left(k\right)=\left\{\begin{array}{c}w{\left(k\right)}_{min}-\frac{(f-f_{min})\·\[w{\left(k\right)}_{max}-w{\left(k\right)}_{min}\]}{f_{avg}-f_{min}},f\≤f_{avg}\\ w{\left(k\right)}_{max},f>f_{avg}\end{array}\right.,$

w(k)_max和w(k)_min分别是最大和最小权重系数，f表示该粒子当前位置的目标函数值，f_avg和f_min分别表示所有粒子当前位置的目标函数max f的平均值和目标函数max f的最小值。

4.根据权利要求1所述一种分块转子开关磁阻电机的优化设计方法，其特征是：步骤A中，模糊神经网络采用三层结构，第一层为输入层，输入节点数为8，第二层为隐含层，节点数为13，第三层为输出层，节点数为3，模型训练次数为800次，模糊神经网络输出均方误差小于0.001。

5.根据权利要求1所述一种分块转子开关磁阻电机的优化设计方法，其特征是：步骤B中，所述约束条件为D_s是定子外径，l_a是电机定子轴长，C是定值，C^*是不同于C的定值，T是电机输出转矩，T_N是额定转矩。