CN107341332A

CN107341332A - 一种车用电机驱动系统的评价指标权重的确定方法

Info

Publication number: CN107341332A
Application number: CN201710141618.3A
Authority: CN
Inventors: 宋强; 王伟
Original assignee: Beijing Institute of Technology BIT
Current assignee: Beijing Institute of Technology BIT
Priority date: 2017-03-10
Filing date: 2017-03-10
Publication date: 2017-11-10

Abstract

本发明实施例提供一种车用电机驱动系统的评价指标权重的确定方法，包括：步骤1、确定评价指标，并根据评价指标建立描述系统特征的内部独立的递阶层次结构模型：步骤2、比较任意两个指标以构造判断矩阵，并通过所述判断矩阵确定两个指标之间的重要性和重要程度；假设有n个评价指标，则可得到两两判断矩阵A：步骤3、计算评价指标的相对权重。上述技术方案提出了一种车用电机驱动系统的评价指标权重的确定方法，具有以下有益效果：其采用更为准确的方式确定车用电机驱动系统的各个指标的权重，以更为精确地评价电机的性能。

Description

一种车用电机驱动系统的评价指标权重的确定方法

技术领域

本发明涉及信息技术领域，尤其是指一种车用电机驱动系统的评价指标权重的确定方法。

背景技术

随着社会的发展，电动汽车已经逐渐进入了家庭。现有的电动汽车厂商需要车用电机驱动系统进行评价，才能确定电机驱动系统的性能能否满足使用的需要。

由于车用电机的各种指标非常多，因此如何根据需要确定最佳性能的电机对于汽车厂商来说非常重要，这就要求必须对多种电机进行综合评价才能确定何种电机才是最恰当的。现有的电机驱动系统的综合性能评价涉及多种指标，而如何恰当的确定每一指标的权重则直接影响到综合性能评价的结果。由于现有技术中缺少恰当的评价指标权重确定方法，非常复杂。

发明内容

针对现有技术中对于车用电机驱动系统评价存在的这些问题，本发明实施例要解决的技术问题是提出一种更为合理的车用电机驱动系统的评价指标权重的确定方法。

为了解决上述问题，本发明实施例提出了一种车用电机驱动系统的评价指标权重的确定方法，包括：

步骤1、确定评价指标，并根据评价指标建立描述系统特征的内部独立的递阶层次结构模型：

步骤2、比较任意两个指标以构造判断矩阵，并通过所述判断矩阵确定两个指标之间的重要性和重要程度；假设有n个评价指标，则可得到两两判断矩阵A：

其中a_nn为任意两个评价指标之间比较得出哪个重要及重要程度；

步骤3、计算评价指标的相对权重。

其中，所述步骤1具体包括：将评价指标分解为多个元素，然后根据元素的性质分组以形成不同的层次；其中同一层次的元素作为准则，对下一层次的元素起支配作用，且又受到上一层次元素的支配；其从上至下的支配关系形成递阶层次结构模型。

其中，所述递阶层次结构模型包括：第一层为电动汽车电机驱动系统性能；其中第一层的电动汽车电机驱动系统性能分为了两个第二层：电机驱动系统本身特性、与车辆的匹配特性。其中电机驱动系统本身特性又分为了四个第三层：安全性、动力性、比功率、全转速转矩效率特性；而动力性又分为四个第四层：连续工作特性、峰值特性、堵转特性；全转速转矩效率特性又分为两个第四层：基速区效率、高效区效率范围。与车辆的匹配特性又分为了两个第三层：高校区利用率、效率利用指数。

其中，所述步骤3中利用特征根法计算电动汽车电机驱动系统评价指标的权重。

其中，所述重要程度采用10/10～18/2标度法作为重要度的标度值，具体包括：

等级	语言表达	10/10～18/2
			1	同等重要	10/10
3	稍微重要	12/8
			5	明显重要	14/6
7	强烈重要	16/4
			9	极端重要	18/2
k		(9+k)/(11-k)

其中k的取值为1～9。

其中，所述方法还包括：

步骤a、对n个评价指标，获得其两两比较结果构成的判断矩阵A

A＝[a_ij]_m×n

其中，a_ij为第i个元素与第j个元素相比的比例标度，且a_ij满足：

a_ij>0

a_ii＝1

步骤b、利用以下的一种算法计算该矩阵A中元素的相对权重：权重的计算方法包括特征向量法、对数最小二乘法、最小二乘法和最小偏差法；

根据计算出的相对权重，获得权重向量W＝[w₁,w₂,…,w_n]：

AW＝λ_maxW

式中：A为判断矩阵，λ_max为A的非零特征值；

步骤c、对权重向量W进行求解，包括：

步骤c1、将判断矩阵A中各元素按行相乘；

步骤c2、将所得的乘积分别开n次方；

步骤c3、将方根向量归一化处理，得到准则下各被比较元素的排序权重向量W。

其中，所述方法还包括：利用判断矩阵的最大特征值λ_max与判断矩阵的阶数n之间的接近程度，对获得的判断矩阵进行一致性判断，具体包括；

①求出矩阵的最大特征值λ_max：

式中(AW)_i表示AW的第i个元素，w_i表示第i个影响因素的权重；

②求取一致性指标CI：

CI＝(λ_max-n)/(n-1)

③求平均随机一致性指标RI，其中矩阵阶数与RI的对应关系为：

④计算一致性比率CR：

CR＝CI/RI

如果CR<0.1，则该判断矩阵满足一致性的要求；否则对判断矩阵进行修改。

本发明的上述技术方案的有益效果如下：上述技术方案提出了一种车用电机驱动系统的评价指标权重的确定方法，具有以下有益效果：其采用更为准确的方式确定车用电机驱动系统的各个指标的权重，以更为精确地评价电机的性能。

附图说明

图1为本发明实施例的电机驱动系统综合性能评价方法的逻辑架构图；

图2a-图2d为高效区隶属函数示意图；

图3为控制精度隶属函数示意图；

图4为比功率近正态分布图；

图5a-图5c为冷态绝缘电阻隶属函数示意图；

图6为部分幂函数分布示意图；

图7为相应样本曲线的示意图；

图8为灰色关联度示意图；

图9为基于兼容度准则的综合性能评价方法流程图；

图10为本发明实施例的车用电机驱动系统的评价指标权重的确定方法。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

如图10所示，本发明实施例提出的基于AHP法的确定车用电机驱动系统的评价指标权重的方法包括：

步骤31、建立描述系统特征的内部独立的递阶层次结构模型：

将研究的复杂问题分解为一个个元素，然后根据元素的性质分成若干组，形成不同的层次。以同一层次的元素作为准则，它对下一层次的元素起支配作用，同时又受到上一层次元素的支配。这种从上至下的支配关系即形成了表2.1所述的递阶层次结构模型。

表2.1电动汽车电机驱动系统性能层次结构模型

如表2.1所示的，第一层的电动汽车电机驱动系统性能A分为了两个第二层：电机驱动系统本身特性B1、与车辆的匹配特性B2。其中电机驱动系统本身特性B1又分为了四个第三层：安全性C1、动力性C2、比功率C3、全转速转矩效率特性C4；而动力性C2又分为四个第四层：连续工作特性D1、峰值特性D2、堵转特性D3；全转速转矩效率特性C4又分为两个第四层：基速区效率D4、高效区效率范围D5。与车辆的匹配特性B2又分为了两个第三层：高校区利用率C6、效率利用指数C7。

步骤32、构造判断矩阵：

在预设的准则下，比较任意两个指标，通过比较得出哪个重要及重要程度。目前多使用1-9的比例标度作为赋予重要多少的数值。比例标度的含义见表2.2。

表2.2判断矩阵的比例标度

假设有n个评价指标，则可得到两两判断矩阵A：

其中a_nn为任意两个评价指标之间比较得出哪个重要及重要程度。为了使构造的判断矩阵具有更好的一致性，通过10/10～18/2标度法和9/9～9/1 标度法对1～9比例标度法进行改进。

表2.3 10/10～18/2标度法和9/9～9/1标度法

等级	语言表达	10/10～18/2	9/9～9/1
				1	同等重要	10/10	9/9
3	稍微重要	12/8	9/7
				5	明显重要	14/6	9/5
7	强烈重要	16/4	9/3
				9	极端重要	18/2	9/1
k		(9+k)/(11-k)	9/(10-k)

步骤33、计算评价指标的相对权重：

对于步骤32得到的判断矩阵A，计算排序权重常用的方法有：行和正规化方法、列和求逆法、和积法、方根法、特征根法。其中特征根法在工程上多有应用，因此本文也采用特征根法计算电动汽车电机驱动系统评价指标的权重。

表2.4电动汽车电机驱动系统各性能指标权重

如表2.4可以看出，其中第一层的电动汽车电机驱动系统性能A为1；电机驱动系统本身特性B1为0.6429、与车辆的匹配特性B2为0.3571，即两个子层的重要性之和为其父层的重要性。以此类推。

其中，所述方法还包括：

A＝[a_ij]_m×n

a_ij>0

a_ii＝1

根据计算出的相对权重，获得权重向量W＝[w₁,w₂,…,w_n]：

AW＝λ_maxW

式中：A为判断矩阵，λ_max为A的非零特征值；

步骤c、对权重向量W进行求解，包括：

步骤c1、将判断矩阵A中各元素按行相乘；

步骤c2、将所得的乘积分别开n次方；

①求出矩阵的最大特征值λ_max：

式中(AW)_i表示AW的第i个元素，w_i表示第i个影响因素的权重；

②求取一致性指标CI：

CI＝(λ_max-n)/(n-1)

④计算一致性比率CR：

CR＝CI/RI

以一个具体例子来说明：

采用1～9比例标度方法，利用层次分析法确定电机驱动系统评价体系8 个用户需求之间的相对重要性判断矩阵A及其重要性权重矢量W为：

将判断矩阵代入式(3-1)并将权重系数归一化，可得评价指标的重要性权重向量

W＝[0.0222 0.0531 0.1114 0.1114 0.2574 0.1508 0.0343 0.2593]^T。

一致性比率CR＝0.0781<0.1,因此判断矩阵的一致性是可以接受的。

具体的，上述的确定车用电机驱动系统的评价指标权重的方法，可以用来进行车用电机驱动系统综合性能评价。该车用电机驱动系统综合性能评价方法，包括：

步骤1、基于行驶工况运行效能对电机驱动系统进行台架实际测试，以确定评价指标体系；

步骤2、确定隶属函数μ(x)；

步骤3、根据权重系数确定评价模型；

步骤4、针对评价模型进行模糊多属性决策；

步骤5、进行车用电机驱动系统综合性能评价。

其中，由于车用电机驱动系统是一个复杂的系统，其包括很多个评价指标，因此所述如何确定权重系数关系到评价的客观性和准确性。现有技术中对于评价的权重确定方式有很多种，例如常用的有：二项系数法、层次分析法(Analytic Hierarchy Process，AHP)、德尔菲法(又称专家咨询法)、模糊、灰色、物元评估法等，其共同的特点是以专家评分为基础。其中应用最广的是层次分析法(AHP)。该方法是一种将定性和定量分析相结合的系统分析方法，是分析多目标、多准则复杂大系统的有力工具，具有思路清晰、方法简便、适用面广、系统性强等特点，因而得以迅速发展与广泛应用。本文从电动汽车电机驱动系统的使用性能的出发，以AHP法为基础，提出了适合电动汽车电机驱动系统的评价指标权重计算模型。

其中，步骤4中的针对评价模型进行模糊多属性决策包括：

模糊多属性决策理论的原理为：

给定一个方案集A＝{A₁,A₂,…,A_m}和相应于每个方案的属性集C＝ {C₁,C₂,…,C_n}，以及每个属性相对重要程度的权重W＝{w₁,w₂,…,w_n}。属性指标权重的大小表示方式可以是数字的，也可以是语言的；涉及的数据结构可以是精确的，也可以是不精确的。所有语言或不精确的属性指标，权重大小和数据结构等都被相应地表示成决策空间中的模糊子集或模糊数。其模糊指标值矩阵可以写成：

其中为第m个备选方案中，第n个评价指标通过该指标的隶属函数得到的模糊值；

采用广义模糊合成算子对权重矢量W和模糊指标矩阵实行变换，得到模糊决策矢量

其中：为m个备选方案；⊙为模糊合成算子；D为模糊决策矢量，即权重w与模糊指标通过模糊合成算子计算所得的矢量；M是指方案数，即参加评价的方案数量。

根据模糊集排序方法对模糊决策矢量中元素进行比较，确定方案集A中的最优方案。显然，如何选择适当的模糊合成算子⊙和如何选择适当的模糊集排序方法是解决模糊多属性决策问题的关键。

由上述原理可以看出，如何选取合适的模糊合成算子是进行模糊多属性决策的关键所在。

模糊合成算子由两步运算组成，第一步运算是用权重对模糊矩阵修正，第二步用于对修正后的模糊矩阵综合。表3.1为目前常用的模糊合成算子，其在第一步分别用了取小和乘法运算，第二步分别用了去大和有界和运算。

电机驱动系统综合性能的评价涉及不同类型的电机，评价指标值包括实际的测试值和仿真值，因此，合成算子的选择要体现不同类型电机驱动系统评价指标权重的差异，而且还要充分利用评价指标的原始数据，选用第一步为乘法运算而第二步为有界和运算的算子比较适合电机驱动系统综合性能评价。

表3.1模糊合成算子对比

与实数空间不同，在模糊数空间中，大小的判断随可能性水平的变化而变化，致使理想解的确定变得十分复杂和困难。目前比较常用的是折衷型模糊决策方法，即先通过模糊指标值与权重的合成运算，求出方案的模糊效用集，并定义诸模糊效用集中的模糊理想解与模糊负理想解作为决策的参照基准，通过比较各模糊效用集与参照基准间的距离，确定方案与模糊理想解的相对贴近度，选择其中最佳方案。

其中，步骤5中的进行车用电机驱动系统综合性能评价具体包括：

如图1所示的，在进行车用电机驱动系统综合性能评价时，其目标层为电机驱动系统综合性能，其准则层为常规试验性能和给予行驶工况的运行效能；而常规试验性能又涉及到效率特性、动力特性安全特性。由图1可以看出，各种性能都一一对应指标层的多项指标，

由于电机驱动系统的性能不仅涉及电气性能、动力性能、安全性能及可靠性等技术指标，而且涉及与整车匹配程度相关的效能指标。不同类型的电机驱动系统考核的侧重点不同，不同工况下运行的电动汽车电机驱动系统的效能指标也不相同，图2为电机驱动系统评价指标，这些指标都是与表2.1 中的指标对应的。

电机驱动系统通过测试平台自动测试结果和仿真结果都可以获得各评价指标精确值，但是由于电机驱动系统研制单位与配套整车单位签定合同中合同值的不同以及不同类型电机驱动系统设计的特殊性，为了能够准确度量各评价指标值在各方案中的满意度，需要针对合同指标值以及目前的技术水平确定各评价指标的隶属函数，利用模糊数集合间的测度工具实现电机驱动系统综合性能的评价。

步骤41、确定评价指标隶属函数：

隶属函数的确定本质上是客观的，但又允许一定程度上的主观行为和人为技巧，主观行为应体现专家的经验、观点和某些公认的准则。针对研究对象的不同，研究问题性质的不同，隶属函数可以通过不同的方法来确定，如模糊统计法、三分法、二元对比排序法、专家评分法等。目前常用的隶属函数包括矩形分布、指数分布、正态分布、梯形分布、柯西分布、岭形分布等。

电机驱动系统评价指标体系中既有效益型指标、又包括成本型指标和区间型指标，对应隶属函数可分成三种型式：升型指标、降型指标和中间型指标，即指标的隶属度分别随指标值单调增加、单调下降或先增后降。通过对电机驱动系统综合性能评价指标的特点进行研究分析，对属于升降型的指标，鉴于半岭形分布的良好的渐入渐出特性以及在大量实际运用中的良好性质，采用了以升半岭形模糊分布和降半岭形模糊分布为主的隶属函数；对属于中间型指标，则选用正态型模糊分布，具体如下：

①效率特性指标隶属函数的建立

根据统计测试的13套电机驱动系统的系统效率>80％区域(高效区)，其平均值为61.2％，高于此数值的点有7个，其平均值为73.9％；低于61.2％这一整体平均值的数值点有6个，其平均值为46.4％；高效区最高值为87％。因此，用以上四个值46.4％、61.2％、73.9％、87％模糊子集的代表值，采用岭形分布构造高效区隶属函数，参考图2a-图2d：

由于实际中控制精度难以精确统计，合同中一般规定位于某区间即可。因此，控制精度隶属函数的确立主要依据合同指标用降半岭形模糊分布描述，其隶属度随指标值的增加而下降，如图3所示：

式中：a₁为期望值；a₂为容许值。当不存在期望值或容许值时，可设 a₁＝min(x)，a₂＝max(x)。

②动力特性指标隶属函数的建立

对于连续和峰值工作特性，按不同绝缘等级电机的温升限值用降半岭形模糊分布描述，目前常用电机驱动系统大多为H级，温升限值为125K，由于峰值工作特性测试时间较短，统计16套电机驱动系统最低温升不小于10K，因此其隶属度为

堵转工作特性主要是依据合同指标中规定的堵转转矩和额定转矩，通过升半岭形模糊分布描述：

式中：T₂为合同规定的堵转转矩；T₁为额定转矩。

比功率指标比较特殊，一般情况大一些比较有利，但由于目前技术约束和实际使用的情况，它也无需太大否则将增加成本。根据统计测试的16套电机驱动系统，比功率取值区间大致为[0.5，1.33]，以合同规定值x₀为最理想值，其隶属函数由两条S型曲线组成，且高于x₀的满意度比低于x₀的满意度稍大，依此构造比功率近正态分布其隶属函数为：

当取值为α＝3,β＝2时，其比功率近正态分布图如图4所示的。

③安全特性指标隶属函数的建立

从统计的16套电机驱动系统冷态绝缘电阻测试来看，用500V兆欧表测试电机及控制器的绝缘能力基本都超过500MΩ，但也存在未达到合同规定值的情况，由于数据比较集中，因此根据合同规定值R确立隶属函数为：

图5a-图5c为上述三个冷态绝缘电阻隶属函数示意图。

外形评价指标合同中定义的指标值往往比较模糊，如一般要求重量小于某值即可，对于这类指标的描述应是一个渐变的过程，即在考虑误差测试范围内隶属度变化较慢，超出此区间越大该指标满意度越低，因此，定义部分幂函数分布隶属函数：

式中：a₂为合同中的规定值；[△l△h]为允许的误差范围；图6为部分幂函数分布示意图。

④运行效能指标隶属函数的建立

运行效能指标由于属于新提出的指标，并没有数据可以参考，因此主要根据实际情况采用升半岭形分布描述其隶属函数。

传统评价方法的局限性表现在：电机驱动系统的综合性能评价不仅包含同一类型电机驱动系统在不同行驶工况下的综合性能对比，而且涉及不同类型电机驱动系统在同一行驶工况下的综合性能对比，因此，评价方法既要能够反映出同一类型电机驱动系统性能的差异，又要反映不同类型电机驱动系统对应评价指标的变化趋势。然而传统折衷型模糊决策方法对于电机驱动系统评价存在如下局限：

(1)测度工具的局限

折衷型模糊决策方法中方案的模糊效用集与参照基准间的距离测度主要是将样本个体看作是空间中的点，通过计算空间中两点之间的距离来衡量接近程度，是一种用于描述样本值贴近的统计量。值越小表示样本越贴近。最常见的距离系数是明考斯基距离：

以q＝2时欧氏距离为例，假设有3个样本，五个属性因子，图7为相应样本曲线。通过欧氏距离计算得到显然计算结果无法正确体现图中样本曲线的贴近情况，样本2与样本3尽管在数值上贴近，但在形状方向上截然相反。所以距离系数虽然能够正确的比较样本间的值相似程度，却不能准确的衡量样本之间的形相似程度，只能粗略和局部地反应而不能完全反映样本其他方面的差异。

(2)决策模式的差异

在技术细节上，有两种不同的考虑：①先对模糊指标值进行加权，然后确定模糊理想解和模糊负理想解，并计算方案与二者之间的距离，进而排列方案的优劣次序；②在模糊指标值基础上确定模糊理想解和负理想解，并引入满意度的概念来刻画方案与模糊理想解之间的差异，对方案在各属性上的满意加权，调整方案的优劣次序，最终得到最大满意解。相比较而言，前者步骤简单，但导致模糊元素非线性化，需采用近似计算技术来提高决策效率。后者虽然步骤较多，但始终保持模糊元素的线性性质，故能获得问题的解析性结果。

通过传统评价方法局限性分析可知，传统方法可以有效的表述同一类型电机驱动系统的综合性能，但不能有效的表述不同类型电机驱动系统的综合性能以及评价指标的变化趋势，而其单一的决策模式更加限制了评价方法的有效性，大大降低了准确性和可操作性。因此，结合电机驱动系统评价方法的特点，改进距离测度工具和决策模式，提出更能够全面反映电机驱动系统性能的评价方法。

①测度工具的改进

灰关联度也可以度量模糊集之间的接近程度。设X₀＝{x₀(k)|k＝1,2,…,m}为参考序列(系统特征序列)，X_i＝{x_i(k)|k＝1,2,…,m}(i＝1,2,…,n)为比较序列，称 x_i(k)在各指标下与x₀(k)的关联系数为：

式中：为两级最小差；为两级最大差；ρ为分辨系数，一般取ρ＝0.5。

定义比较序列X_i对参考序列X₀的灰关联度为

灰色关联度用于趋势变化分析，它根据因素之间发展趋势的相似或相异程度来衡量因素间接近的程度。关联性实质上是曲线几何形状的差别，几何形状越相似，关联程度也越大。但关联系数公式就是参考点和比较点之间距离的一种函数，是对离散函数空间的一种接近测度，只能反映曲线几何形状的差别，但是不能反映曲线间的位置关系。图8为灰色关联度示意图，通过定性分析曲线①、②的相似程度大于曲线①、④的相似程度，因此曲线①、②的关联度大于曲线①、④的关联度，但曲线①、②的相似程度与曲线①、③的基本相同，得出的关联度也应是相近的。但曲线②比③距①更近些，可见仅利用关联度并不能完全反映模糊集之间的接近程度。

从分析可以看出，虽然距离测度在确定两曲线之间相似接近程度时存在缺陷，但它们在某种程度上却反映了曲线间的位置，能够表述同种类型电机驱动系统评价指标的变化趋势，而灰色关联度又恰好可以反映曲线几何形状的相似性，能够表述不同类型电机驱动系统评价指标的变化趋势。为了使评价结果符合现代决策规则，提高评价结果的可信度，使测度工具能够适应同种类型和不同类型电机驱动系统评价，对于电机驱动系统综合性能评价而言，由于其没有相对独立的参考序列标准，因此计算评价方案灰色关联度时按照传统的折衷多属性决策，以理想解M⁺和M^-为参考序列，方案A_i与理想解M⁺的关联度越ζ⁺大，方案越佳；方案A_i与理想解M^-的关联度越ζ^-小，方案越佳。假设方案A_i以隶属度μ_i从属于理想解M⁺，以1-μ_i从属于理想解M^-，建立优化模型确定隶属度：

式中：μ＝(μ₁,μ₂,…,μ_n)为系统的最优解向量。

令可以得到

μ_i表示方案灰色关联度优属于理想方案的程度，μ_i越大，决策方案越优。

将这二种反映模糊集间接近程度的度量综合考虑，提出了“综合接近度”，定义为：

式中：α为权重系数，可根据评价电机驱动系统的具体类型确定。

②决策模式的改进

为了尽量减小决策模式的差异，提高评价方法的有效性，建立一种从众多备择方案中产生优化方案的方法，实现现代科学的决策。根据多元统计分析理论，评价方案间的相关程度可通过等级相关系数表示为

式中：n为评价对象数；为第k号对象在第i方案中的排序次数；h为通过不同决策方法得到的评价方案数。

评价方案的兼容度实质是指该评价方案与其他评价方案的等级相关系数的加权平均值，数学表达式为：

式中：w_j为第j个评价方案的权重，通常在对各个评价方案没有特别偏好时取

③基于兼容度准则的评价方法

基于兼容准则的电机驱动系统综合性能评价方法就是从原h个评价方案的基础上，生成一个新评价方案y＝{y_k}，使其兼容度最大，即

其物理意义是：如果每一评价方案看成是n维欧式空间的一个点，求于 h个评价方案有最大兼容度的评价方案可以归结为在n维欧氏空间中，求与 h个点按欧氏距离平方和达极小值的点。即解如下的极值问题：

由此可见，求与h个评价方案有最大兼容度的评价方案，等价于在n维评价方案空间中，寻找最小二乘意义下对h个点的最佳逼近点。

显然，若每种评价方法是独立的，某个电机驱动系统方案的兼容度越大，则该电机驱动系统评价结果的代表性越强，可靠性越高。图9为基于兼容度准则的综合性能评价方法流程。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims

1.一种车用电机驱动系统的评价指标权重的确定方法，其特征在于，包括：

步骤3、计算评价指标的相对权重。

2.根据权利要求1所述的车用电机驱动系统的评价指标权重的确定方法，其特征在于，所述步骤1具体包括：将评价指标分解为多个元素，然后根据元素的性质分组以形成不同的层次；其中同一层次的元素作为准则，对下一层次的元素起支配作用，且又受到上一层次元素的支配；其从上至下的支配关系形成递阶层次结构模型。

3.根据权利要求1或2所述的车用电机驱动系统的评价指标权重的确定方法，其特征在于，所述递阶层次结构模型包括：第一层为电动汽车电机驱动系统性能；其中第一层的电动汽车电机驱动系统性能分为了两个第二层：电机驱动系统本身特性、与车辆的匹配特性。其中电机驱动系统本身特性又分为了四个第三层：安全性、动力性、比功率、全转速转矩效率特性；而动力性又分为四个第四层：连续工作特性、峰值特性、堵转特性；全转速转矩效率特性又分为两个第四层：基速区效率、高效区效率范围。与车辆的匹配特性又分为了两个第三层：高校区利用率、效率利用指数。

4.根据权利要求1所述的车用电机驱动系统的评价指标权重的确定方法，其特征在于，所述步骤3中利用特征根法计算电动汽车电机驱动系统评价指标的权重。

5.根据权利要求1所述的车用电机驱动系统的评价指标权重的确定方法，其特征在于，所述重要程度采用10/10～18/2标度法作为重要度的标度值，具体包括：

其中k的取值为1～9。

6.根据权利要求1所述的车用电机驱动系统的评价指标权重的确定方法，其特征在于，所述方法还包括：

A＝[a_ij]_m×n

a_ij＞0

a_ii＝1

根据计算出的相对权重，获得权重向量W＝[w₁，w₂，…，w_n]：

AW＝λ_maxW

式中：A为判断矩阵，λ_max为A的非零特征值；

步骤c、对权重向量W进行求解，包括：

步骤c1、将判断矩阵A中各元素按行相乘；

步骤c2、将所得的乘积分别开n次方；

7.根据权利要求6所述的车用电机驱动系统的评价指标权重的确定方法，其特征在于，所述方法还包括：利用判断矩阵的最大特征值λ_max与判断矩阵的阶数n之间的接近程度，对获得的判断矩阵进行一致性判断，具体包括；

①求出矩阵的最大特征值λ_max：

<mrow> <msub> <mi>&lambda;</mi> <mi>max</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mrow> <mo>(</mo> <mi>A</mi> <mi>W</mi> <mo>)</mo> </mrow> <mi>i</mi> </msub> <mo>/</mo> <msub> <mi>nw</mi> <mi>i</mi> </msub> </mrow>

式中(AW)_i表示AW的第i个元素，w_i表示第i个影响因素的权重；

②求取一致性指标CI：

CI＝(λ_max-n)/(n-1)

④计算一致性比率CR：

CR＝CI/RI

如果CR＜0.1，则该判断矩阵满足一致性的要求；否则对判断矩阵进行修改。