CN109684775B - 一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法 - Google Patents
一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法 Download PDFInfo
- Publication number
- CN109684775B CN109684775B CN201910066753.5A CN201910066753A CN109684775B CN 109684775 B CN109684775 B CN 109684775B CN 201910066753 A CN201910066753 A CN 201910066753A CN 109684775 B CN109684775 B CN 109684775B
- Authority
- CN
- China
- Prior art keywords
- magnetic
- motor
- alnico
- population
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005291 magnetic effect Effects 0.000 title claims abstract description 252
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000004907 flux Effects 0.000 title claims abstract description 47
- 230000033228 biological regulation Effects 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims description 44
- 238000013461 design Methods 0.000 title claims description 29
- 239000000463 material Substances 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000005347 demagnetization Effects 0.000 claims abstract description 15
- 239000000696 magnetic material Substances 0.000 claims abstract description 15
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 6
- 238000013459 approach Methods 0.000 claims abstract description 4
- 229910000828 alnico Inorganic materials 0.000 claims description 49
- 230000005415 magnetization Effects 0.000 claims description 31
- 230000035699 permeability Effects 0.000 claims description 28
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 238000004804 winding Methods 0.000 claims description 13
- 230000005284 excitation Effects 0.000 claims description 10
- 230000005389 magnetism Effects 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 239000011162 core material Substances 0.000 claims description 6
- 238000013016 damping Methods 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 6
- 238000003012 network analysis Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 229910017709 Ni Co Inorganic materials 0.000 claims description 4
- 229910003267 Ni-Co Inorganic materials 0.000 claims description 4
- 229910003262 Ni‐Co Inorganic materials 0.000 claims description 4
- 229910052742 iron Inorganic materials 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000004323 axial length Effects 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000000977 initiatory effect Effects 0.000 claims description 2
- 238000009401 outcrossing Methods 0.000 claims 1
- 238000011084 recovery Methods 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract 1
- 230000001105 regulatory effect Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- BGPVFRJUHWVFKM-UHFFFAOYSA-N N1=C2C=CC=CC2=[N+]([O-])C1(CC1)CCC21N=C1C=CC=CC1=[N+]2[O-] Chemical compound N1=C2C=CC=CC2=[N+]([O-])C1(CC1)CCC21N=C1C=CC=CC1=[N+]2[O-] BGPVFRJUHWVFKM-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 229910000976 Electrical steel Inorganic materials 0.000 description 1
- QJVKUMXDEUEQLH-UHFFFAOYSA-N [B].[Fe].[Nd] Chemical compound [B].[Fe].[Nd] QJVKUMXDEUEQLH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- KPLQYGBQNPPQGA-UHFFFAOYSA-N cobalt samarium Chemical compound [Co].[Sm] KPLQYGBQNPPQGA-UHFFFAOYSA-N 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910001172 neodymium magnet Inorganic materials 0.000 description 1
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910000938 samarium–cobalt magnet Inorganic materials 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02K—DYNAMO-ELECTRIC MACHINES
- H02K21/00—Synchronous motors having permanent magnets; Synchronous generators having permanent magnets
- H02K21/02—Details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Power Engineering (AREA)
- Control Of Electric Motors In General (AREA)
- Iron Core Of Rotating Electric Machines (AREA)
Abstract
本发明公开了一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法，(1)设置电机各部分材料特性，Pareto多目标遗传算法设置基本参数(2)建立非线性等效变磁网络模型(3)对可调磁材料进行模拟计算，对记忆电机在线调磁预测(4)基于NSGAⅡ的多目标遗传算法联合非线性变磁网络对电机结构参数优化，获取初步可行非支配解集(5)改变励磁电流大小，更新调磁材料退磁特性，重新对初步可行非支配解集中所有参数组合的目标函数进行求解，再次获取非支配解集(6)改变励磁电流大小，缩小非支配解集范围，使其逐渐逼近适于记忆电机多模式运行的最优解集。最终在该最优解集前沿的参数组里获得最优参数组合，确定电机结构。
Description
技术领域
本发明涉及一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法，属于电机技术领域。
背景技术
在电机技术领域，永磁同步电机(PMSM)由于其结构简单、体积小、重量轻、损耗小、效率高等优点受到了极为广泛的应用。然而由于普通永磁材料(如钕铁硼)的固有特性，电机内的气隙磁场基本保持恒定，作为电动运行时调速范围十分有限，在诸如轮毂直驱等场合的应用受到一定限制，故以实现永磁电机的气隙磁场的有效调节为目标的可调磁通永磁电机一直是电机研究领域的热点和难点。
近几年来，一种磁通可调记忆电机(以下简称“记忆电机”)逐渐受到了国内外研究者的重视并取得突破性进展，它采用高剩磁低矫顽力的永磁材料，如铝镍钴、钐钴。通过施加瞬时脉冲改变永磁体磁化水平，从而改变永磁体磁化强度对气隙磁场进行调节，同时撤销励磁脉冲后，永磁体的剩磁具有被永磁体记忆的特点，几乎无励磁损耗，能够简单高效实现电机在线调磁。
由于可调磁记忆材料的应用，使得记忆电机的设计，分析与优化较为困难，且精度得不到保证，因而建立快速和满足精度要求的解析计算等效模型，以及合理联合现代多目标优化算法，对实现记忆电机的动态运行工况的分析与优化设计具有重要的理论和实际意义。文献“Electromagnetic Performance Analysis of a New Stator-Permanent-MagnetDoubly Salient Flux Memory Motor Using a Piecewise-Linear Hysteresis Model”中(公开发表于2011年IEEE Transactions on Magnetics 47卷，5期，1106-1109页)提出了一种调磁材料采用分段线性磁滞回线近似模型，基于商用有限元软件(ANSYS)的时步有限元分析预测方法,并获得与实验较为近似的结果。然而，这种方法操作繁琐，计算复杂，耗时，灵活性差，给电机后期设计优化带来困难。文献“Multimode Optimization DesignMethodology for a Flux-Controllable Stator Permanent Magnet Memory MotorConsidering Driving Cycles”中(公开发表于2018年IEEE Transactions on IndustrialElectronics 65卷，7期，5353-5366页)提出了一种考虑定子永磁型记忆电机的多模式运行的多目标优化，其主要思想是通过对多参数进行敏感度分析，人为定义高、中、低三种敏感度区间，在进行多目标优化时舍弃低敏感度参数，实现参数降维，减少计算成本。但是，该方法存在一定的缺点，其中最突出的在于其敏感度区间需要人为参与设定，导致最终的优化结果参入了人为主观因素。申请号为201410836987.0的专利提出了一种基于遗传算法的车用电机多目标优化设计方法，旨在通过简单遗传算法对车用电机进行多目标优化，然而其在多目标优化问题上采用加权法，权重系数需参入人为主观因素，导致最终的优化结果会出现一定偏差。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供了一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法，该方法能够在满足精度要求的情况下，快速建立解析计算模型,对记忆电机调磁性能进行预测，并通过合理优化算法获得适合记忆电机多模式运行的最优结构参数组合，明显缩短计算时间，提高设计效率，减少人为干预。
为实现上述目的，本发明采用的技术方案为：一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法。包括以下步骤：
步骤1、电机各部分材料确定及材料磁化特性曲线设置；并将铁芯初始磁导率μIron和可调磁材料的初始磁导率μPM设置为真空磁导率μ0；利用Pareto多目标遗传算法实现基本参数设置。
步骤2、全局磁网络模型生成：在某一静态时刻，电机整体可视为一静态稳定磁场，故根据电机几何拓扑结构，及磁路分布变化，能够将其划分成具有一定规则形状的磁通道。将流经某磁通道的磁通和该磁通道两端磁压的比值，定义为该此通道磁导，其反应了该磁通道的导磁能力，是关于其几何形状、尺寸、材料特性的函数：
其中l表示此通道在磁通流经方向长度，S(x)表示磁通道任意处截面积，μ(x)表示任意处导磁材料特性。
根据电机内部磁路确定各磁通道的串并联关系，联接形成等效磁导网络。
在电机动态运行中，电机内部磁场在不停变化，磁导网络的结构会随转子转动角度变化而不断变化，即变磁网络。在整个变磁网络中，根据各磁导的大小和连接方式是否会随着转子旋转而改变，将其划分为固定磁导和非固定磁导两个计算模块。其中固定磁导包括电机定转子上的铁芯结构及永磁体，如定子齿轭、转子齿轭等，其各自在变磁网络中的连接方式不随定转子之间的相对位置的变化而变化，大小只与电机结构、参数尺寸和自身的磁导率有关；非固定磁导包括定转子之间的气隙等效磁导，由于气隙是一个连续的空间，磁链在其中根据“磁阻最小原则”流动，故其磁导大小需要根据其磁链走势分割成数条磁通道，且这些磁通道的形状，联接方式，磁导大小会随着转子转动角度变化而变化。
在变磁网络随转子转动过程中，网络节点数并不发生变化，利用节点磁位法对全局变磁网络进行求解。在求解过程中考虑铁芯及调磁材料的非线性：首先设置初始磁导率，建立磁网络模型，利用SuiteSparseQR对该大型稀疏正定矩阵模型进行求解，计算出全部节点的磁势F，从而获得各支路磁压ΔF，根据支路磁导求得支路磁通
获得通过磁导的磁场强度H，根据各自退磁曲线更新磁导率μ，再次重新建立模型，重复操作，通过不断更新迭代铁芯及调磁材料磁导率直至收敛，获得最终计算结果。
步骤3、可调磁材料的在线调磁设置，给定初始调磁脉冲电流，初始化调磁材料性能；求解磁网络模型，计算通过调磁材料磁场强度，根据：
其中，Hc为调磁材料矫顽力，Br1为调磁材料最大剩余磁感应强度(最大剩磁)，μ0是真空磁导率，μr是调磁材料在满充时的磁导率。
获得调磁材料初始剩磁，更新调磁材料退磁曲线；给定需要调磁脉冲电流，更新磁网络模型，根据充去磁规则：
充磁规则：
去磁规则：
其中，Hk为调磁材料退磁拐点临界场强。
计算调磁材料调磁后的剩磁，再次更新调磁材料退磁曲线；以更新后的调磁材料退磁曲线为μPM的迭代轨迹，计算调磁材料最终工作点。
步骤4、以所设计电机的平均输出转矩和转矩脉动作为优化目标，通过上述磁网络解析方法建立优化设计的数学模型：
X＝[βs,βr,βpm,hsslot,hrslot,hpm,g......]T
其中，设定定子齿宽βsslot，定子齿高hsslot，转子齿宽βrslot，转子齿高hrslot，永磁体宽度βpm，永磁体厚度hpm，气隙宽度g等电机结构参数为该多目标优化问题的决策向量，它满足k个不等式，l个等式约束条件。
利用Pareto多目标遗传算法求解上述优化数学模型，得到一组关于电机参数的非支配解集。根据电机平均输出转矩和转矩脉动设计范围确定初步可行解集，并提取初步可行解集中所有点对应的电机结构参数。
步骤5、改变励磁电流大小，更新记忆材料工作点，切换记忆电机工作模式。将上述初步可行解集中所有电机结构参数组合带入磁网络模型进行计算，获得调磁后的优化目标函数——平均输出转矩和转矩脉动，并根据设计范围，重新筛选可行解集，缩小范围。
步骤6、通过不断改变励磁电流大小，逐渐缩小非支配解集范围，使得非支配解集逐渐逼近适于记忆电机多模式运行的最优解集。最终，在该最优解集前沿(Pareto front)的几组参数组合里，获得最优参数组合，确定电机结构。
本发明的有益效果：
1.本发明的磁通可控记忆电机在线调磁性能预测和优化设计方法中计算方法采用考虑调磁材料调磁性能非线性等效变磁网络模型，能考虑到铁芯及调磁材料非线性特性，对不同励磁电流下调磁材料工作点及电机电磁性能进行高效预测。
2.本发明的磁通可控记忆电机在线调磁性能预测和优化设计方法克服了传统采用商用有限元软件对电机进行设计时，与高级现代算法兼容性差，不能实现快速的数据交换和数据处理的缺点，将计算方法与优化方法快速有效的联合成统一整体，减少人为干预，实现高效多目标优化。
3.本发明的磁通可控记忆电机在线调磁性能预测和优化设计方法中通过引入带精英策略的非支配排序遗传算法NSGAⅡ到电机复杂结构参数多目标优化，克服了传统电机多目标优化设计中人为参与，精度不足的问题，更加适合多模式运行下的记忆电机进行高效合理优化。
附图说明
图1为本发明实施例定子永磁型记忆电机的拓扑结构
其中：1为外转子，2为外层定子，3为内层定子，4为永磁体，5为电枢绕组，6为励磁绕组，7为转轴。
图2为铁芯三种基本典型磁导形状
图3为气隙六种基本典型磁导形状
图4为本发明实施例定子永磁型记忆电机的铁芯磁导的具体划分
其中：1.1为转子轭、1.2为转子齿、2.1为定子外齿、2.2为定子外轭、3.1为定子内齿、3.2为定子内轭、4为永磁体。
图5为本发明实施例定子永磁型记忆电机的全局磁网络模型及节点编号
图6为等效磁网络算法基本流程图
图7为本发明实施例所应用调磁材料的近似分段线性磁滞回线模型
图8为本发明记忆电机在线调磁性能预测算法流程图
图9为本发明记忆电机在线调磁性能优化算法流程图
具体实施方式
下面结合附图对本发明作进一步说明。
图1为该电机的拓扑结构图，图中1为外转子，2为外层定子，3为内层定子，4为铝镍钴永磁体，5为电枢绕组，6为励磁绕组，7为转轴；本发明实施例为12槽/8极的三相电机，双层定子、外转子的结构；在定子中，电枢绕组位于外层，采用集中式绕制方式，铝镍钴和励磁绕组位于内层，从而形成一个紧凑的结构，电枢绕组和铝镍钴位于定子的不同层，以便避免铝镍钴意外磁化或电枢反应的消磁；外转子结构简单，既无永磁体又无绕组，分为齿部和轭部两个部分；定子、转子材料均为硅钢片DW540_50，永磁体材料为AlNiCo5
具体的实施步骤如下：
步骤1、根据电机各部分材料磁滞特性，确定各非线性单元磁导率迭代计算轨迹，并将铁芯初始磁导率μIron和可调磁材料的初始磁导率μPM设置为真空磁导率μ0。
步骤2、建立全局磁网络模型
根据电机几何拓扑结构，及磁路分布变化，将电机各部分划分为固定磁导和非固定磁导两个计算模块。固定磁导模块只与电机结构、参数尺寸和自身的磁导率有关，且各自所对应的磁路在磁网络中的连接方式不随定转子之间的相对位置的变化而变化。非固定磁导模块指的是磁道几何尺寸和连接方式都随着电机定转子之间的相对位置变化而变化，其中包括定转子之间的任意径向气隙磁导。
进一步，对固定磁导建模的具体过程为：
如图4所示，将记忆电机固定磁导划分为转子齿1.1、转子轭1.2、定子外齿2.1、定子外轭2.2、定子内齿3.1、定子内轭3.2、永磁体4七个部分，相对应的磁导网络及节点编号如图5所示
观察定转子铁心和永磁体，根据磁场分布情况，可见基本有如图2所示两种典型形状。磁通流经方向如图中各箭头所指时，各自的磁导计算方法为：
式中，G1、G2为两种典型扇形磁导单元磁导，μ为对应材料磁导率，la是电机轴向长度。其中R1、R2、w1、w2、h、θ为图2中轴向截面几何参数。
进一步，对非固定磁导建模的具体过程为：
在电机工程中，推导气隙磁导近似表达式的方法有代角法和分割法。从实用性和计算精度考虑，本发明将采用分割法来计算记忆电机的气隙磁导近似表达式。分割法的基本原理是：根据气隙磁场的分布规律，利用磁力线或某些与磁力线接近的简单曲线，如直线、圆弧等，把气隙磁场分割成若干具有规则形状的区域，每个磁通管中的磁力线的规律尽可能地相同，在求出这些磁通管的磁导后，再根据其中的串、并联关系求得整个气隙的总磁导。
使用分割法来推导气隙磁导的近似计算公式时有以下假设：
1.定子、转子极表面为等磁位面；
2.磁力线垂直于铁芯表面，磁力线以直线和圆弧来等效；
3.磁场沿轴向分布均匀。
图3所示为6种典型磁通管类型。Ga至Gf分别对应图3中磁导(a)至(f)的计算值：
Ge＝0.26μ0la (8)
其中，la为电机轴向长度，μ0为真空磁导率，g为气隙宽度，R1,R2,X1为图3中所对应轴向截面几何参数。
从而，把复杂连续的气隙磁场分割为上述几种计算模型，从而求出定转子任意位置下的气隙磁导。
进一步，对磁势源的建模的具体过程为：
本发明实施例有两个磁动势源，分别是电枢绕组和能够在线调节磁势大小的铝镍钴材料，电枢电流磁势和永磁磁势的计算如下：
电枢电流产生的磁势为：
FI＝JSASJSAkpf (10)
永磁体产生的磁势为：
Fm＝HcSPM (11)
其中JSA为电枢电流密度，SJSA为电枢槽面积，kpf是电枢绕组槽满率，Hc为永磁体矫顽力，hPM为永磁体磁化方向厚度。
将本发明实施例的固定磁导模型、非固定磁导模型、磁势源模型通过节点连接，形成完整的磁网络模型；全局磁网络模型如图5所示，节点总数为42，其中定子节点数为27，转子节点数为15。
步骤3、求解非线性等效磁网络
磁网络模型的求解算法如图6所示，步骤如下：
步骤3.1，初始各支路磁导率，各单元均设置为真空磁导率4π×10-7N/A。
步骤3.2，根据以上所述全局磁网络模型，构建节点磁位方程数学模型：
其中G为磁导矩阵，Fm为节点磁势矩阵，φs为节点磁通矩阵。
步骤3.3，调用第三方开源矩阵求解库EIGEN对该稀疏矩阵方程求解。
步骤3.4，采用广义多变量阻尼法，对各支路磁导率进行更新计算迭代，详细计算过程如下：
在第k次迭代，求解矩阵可以被写成：
当求解出
结果后，利用支路关系求出
ΔFm(i)＝Fm(ki1)-Fm(ki2) (14)
φs(i)＝Gm(i)ΔFm(i)+φ0(i) (15)
φ0(i)＝Gm(i)Fm0(i) (16)
之后，能够求出第k次迭代各支路磁密
式中Ai是各支路的截面积，根据铁芯材料B-H磁滞曲线能够求解出对应磁导率：
其中，
是其所对应的磁场强度，这里引入阻尼系数，加速迭代收敛：
式中
为阻尼系数，cd设定为0.7。
当满足下式迭代结束：
式中ε为求解精度，其取值1e-5。
步骤4、铝镍钴在线调磁磁化水平预测。
本发明实施例中的铝镍钴的磁滞回线模型采用图7所示的近似分段线性磁滞模型，该磁滞回线是由主磁滞回线与一簇平行的回复线组成，其中主磁滞回线和次磁滞回线具有相同的矫顽力Hc,不同的剩余磁化强度(以下简称剩磁)Br,且初始磁化曲线初始磁化曲线部分叠加在磁滞回线上。
铝镍钴磁化水平预测具体计算流程如图8所示，子步骤如下：
步骤4.1，在初始磁化状态下，每一个铝镍钴永磁体都被设置得到一个常数和零。然后，施加正磁化电流，调用步骤2根据等效磁网络模型求解出此时铝镍钴永磁体的磁化强度，根据以下规则计算此时各铝镍钴的剩磁：
其中，Hc为调磁材料矫顽力,Hm为调磁材料达到满充状态外部临界场强，Br1为调磁材料最大剩余磁感应强度(最大剩磁)，μ0是真空磁导率，μr是永磁体的磁导率。
当磁化电流过小，通过铝镍钴的磁场强度未达到铝镍钴自身的固有矫顽力时，认为充磁失败，其剩磁Br＝0；当磁化电流过大，铝镍钴实现满充时，其剩磁Br＝Br1；否则，认为铝镍钴部分磁化，根据回复线计算其剩磁。
步骤4.2，撤销该磁化电流，获得铝镍钴的初始磁化水平。
步骤4.3，施加励磁脉冲，检测与初始磁化方向是否一致，判断增去磁，调用磁网络求解模块计算调磁后铝镍钴剩磁。
本发明实施例在调磁运行中，依据施加磁化电流方向，存在充磁和去磁两种模式。依据近似分段线性模型，计算规则如下：
充磁模式：
其中，Brk为调磁材料初始剩磁。
当磁化电流过小，通过铝镍钴的磁场强度未达到铝镍钴自身的固有矫顽力HC时，认为充磁失败，其剩磁保持原来水平；当磁化电流过大，铝镍钴实现满充时，其剩磁Br＝Br1；否则，认为铝镍钴部分磁化，根据回复线计算其剩磁。
去磁模式：
其中，Hk为调磁材料退磁拐点临界场强。
当磁化电流过小，通过铝镍钴的反向磁场强度未达到铝镍钴临界场强Hk时，认为充磁失败，其剩磁保持原来水平；当反向磁化电流过大，铝镍钴实现反向满充时，其剩磁Br＝-Br1；否则，认为铝镍钴部分退磁，根据回复线计算其剩磁。
步骤4.4，撤销直流脉冲激励，铝镍钴保持铝镍钴磁化水平，根据此时铝镍钴剩磁判断其退磁曲线，根据该曲线通过磁网络计算铝镍钴工作点，获得电机电磁性能。
步骤5，基于多目标遗传算法对磁通可控记忆电机进行初步优化设计。包括如下步骤：
步骤5.1，以电机的平均输出转矩f1(xi)和转矩脉动f2(xi)作为优化目标，通过上述磁网络解析方法建立优化设计的数学模型：
X＝[βs,βr,βpm,hsslot,hrslot,hpm,g]T (26)
设定定子齿宽βs，定子齿高hsslot，转子齿宽βr，转子齿高hrslot，永磁体宽度βpm，永磁体厚度hpm，气隙宽度g等电机结构参数为该多目标优化问题的决策向量，它满足上述约束条件。其中，Rry为转子轭半径，Rsy为定子轭半径。
步骤5.2，利用基于NSGAⅡ多目标遗传算法求解上述优化数学模型，具体优化流程如图9所示，子步骤如下：
步骤5.2.1，种群初始化。初始化种群P,种群大小为N。由于电机优化问题是一种多维、具有高精度要求的连续函数优化问题，故采用实数编码。初始种群均匀离散分布在区间范围内。得到对应的电机参数矩阵X＝[x1,x2,x3,…xi…xN],其中种群中每个个体xi＝[βs,βr,βpm,hsslot,hrslot,hpm,g]。
步骤5.2.2，平均输出转矩f1(xi)和转矩脉动f2(xi)适应度求解。将种群中每个个体所对应的电机结构参数，带入磁网络解析算法求解计算，计算出每个个体对应的平均输出转矩适应度KAT(xi)和转矩脉动适应度KTR(xi)。对于平均输出转矩和转矩脉动不满足设计要求的个体xi,将其适应度极大化，使之成为劣解并在后续操作中被优先淘汰。从而获得种群的平均输出转矩适应度矩阵f1(x1,x2,x3,…,xi,…xN)和转矩脉动适应度矩阵f2(x1,x2,x3,…,xi,…xN)。
步骤5.2.3，评价种群P,对种群中的个体进行非支配排序，计算个体拥挤度，通过交叉、变异产生子代种群。
首先根据每个个体的平均输出转矩适应度值f1(xi)和转矩脉动f2(xi)进行快速支配排序，并计算每个支配层中的个体的拥挤度。根据种群中的非支配次序关系和个体拥挤度，通过锦标赛法从种群P中选择个体，进行交叉、变异，产生子代种群Q。
生成新一代父代种群。从第二代开始，父子代个体合并，形成新种群R，种群大小为2N。重新对种群R中个体进行非支配排序，计算个体拥挤度，选择N个合适个体组成新父代种群P。
生成新一代子代种群。通过简单遗传算法(SGA)的基本操作选择、遗传、变异产生新一代子代种群Q。接着重新执行上一步，通过循环操作，直至满足结果条件，保存Pareto前沿的非支配解集。
步骤5.2.4，据电机平均输出转矩和转矩脉动设计范围确定，在Pareto前沿的非支配解解集中选择初步可行解集，并提取初步可行解集中所有点对应的电机结构参数。
步骤5.2.5，改变励磁电流大小，更新记忆材料工作点，切换记忆电机工作模式。将上述初步可行解集中所有电机结构参数组合带入磁网络模型进行计算，获得调磁后的优化目标函数——平均输出转矩和转矩脉动的一组非支配解集，并根据设计范围，重新筛选可行解集，缩小范围。
步骤5.2.6，通过不断改变励磁电流大小，逐渐缩小非支配解集范围，使得非支配解集逐渐逼近适于记忆电机多模式运行的最优解集。最终，在该最优解集前沿的几组参数组合里，获得最优参数组合，确定电机结构。
综上，本发明首次提出一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法，通过非线性变磁网络模型预测记忆电机在不同励磁电流下的电磁性能，并通过基于NSGAⅡ的多目标遗传算法联合磁网络并行计算的优化方法获得适于磁通可控记忆电机多模式运行的电机结构参数。利用变磁网络计算速度快及堆栈少占用内存小优势，及NSGAⅡ运行速度快，解集的收敛性好的优点,实现对高维电机参数多目标优化问题的直接求解。计算效率极高，且避免人为主观参与，易于实现，具有较强的通用性，所提方案可以为该类型电机后期的设计优化提供参考。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。
Claims (6)
1.一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法，其特征在于，包括如下步骤：
步骤1、根据电机各部分材料磁滞特性，确定各非线性单元磁导率迭代计算轨迹；
步骤2，建立全局磁网络模型；将电机各部分划分为固定磁导和非固定磁导两个计算模块；固定磁导模块只与电机结构、参数尺寸和自身的磁导率有关，且各自所对应的磁路在磁网络中的连接方式不随定转子之间的相对位置的变化而变化；非固定磁导模块指的是磁道几何尺寸和连接方式都随着电机定转子之间的相对位置变化而变化，其中包括定转子之间的任意径向气隙磁导；
将固定磁导模块、非固定磁导模块、磁势源模块通过节点连接，形成完整的磁网络模型；
步骤2中，固定磁导建模为：
式中，la为轴向铁心长度，μ为磁导率，θ为弧度；
非固定磁导建模为：采用分割法计算记忆电机的气隙磁导近似表达式，并作以下假设：
1).定子、转子极表面为等磁位面；
2).磁力线垂直于铁芯表面，磁力线以直线和圆弧来等效；
3).磁场沿轴向分布均匀；
则有：
Ge＝0.26μla
其中，la为电机轴向长度，μ为空磁导率；把复杂连续的气隙磁场分割为几种计算模型，从而求出定转子任意位置下的气隙磁导；
步骤3，求解非线性等效磁网络；
步骤4，铝镍钴在线调磁磁化水平性能预测；
步骤5，基于多目标遗传算法对磁通可控记忆电机进行初步优化设计。
2.根据权利要求1所述的一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法，其特征在于，所述步骤1中还包括：将铁芯初始磁导率μIron和可调磁材料的初始磁导率μPM设置为真空磁导率μ0。
3.根据权利要求1所述的一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法，其特征在于，所述步骤2中，对磁势源的建模，所述磁势源包括两个，分别是电枢绕组的电枢电流磁势和能够在线调节磁势大小的铝镍钴材料的永磁磁势，电枢电流磁势和永磁磁势的计算如下：
电枢电流产生的磁势为：
FI＝JSASJSAkpf
永磁体产生的磁势为：
Fm＝HcSPM
其中JSA为电枢电流密度，SJSA为电枢槽面积，kpf是电枢绕组槽满率，Hc为永磁体矫顽力，hPM为永磁体磁化方向厚度。
4.根据权利要求3所述的一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法，其特征在于，所述步骤3，对磁网络模型的求解包括如下步骤：
步骤3.1，初始各支路磁导率；
步骤3.2，根据所述全局磁网络模型，构建节点磁位方程数学模型：
步骤3.3，调用第三方开源矩阵求解库EIGEN对步骤3.2的稀疏矩阵方程求解；
步骤3.4，采用广义多变量阻尼法，对各支路磁导率进行更新计算迭代，计算过程如下：
在第k次迭代，求解矩阵写成：
当求解出
结果后，利用支路关系求出
ΔFm(i)＝Fm(ki1)-Fm(ki2)
φs(i)＝Gm(i)ΔFm(i)+φ0(i)
φ0(i)＝Gm(i)Fm0(i)
之后，求出第k次迭代各支路磁密
式中Ai是各支路的截面积，根据铁芯材料B-H曲线能够求解出对应磁导率：
引入阻尼系数，加速迭代收敛：
式中
阻尼系数，cd设定为0.7；
当满足下式时，迭代结束：
式中ε为求解精度，其取值1e-5。
5.根据权利要求1所述的一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法，其特征在于，所述步骤4的铝镍钴的磁滞回线模型采用近似分段线性磁滞模型，铝镍钴磁化水平预测具体步骤如下：
步骤4.1，在初始磁化状态下，每一个铝镍钴永磁体都被设置得到一个常数和零；然后，施加正磁化电流，调用步骤2根据等效磁网络模型求解出此时铝镍钴永磁体的磁化强度，根据以下规则计算此时各铝镍钴的剩磁：
当磁化电流过小，通过铝镍钴的磁场强度未达到铝镍钴自身的固有矫顽力时，认为充磁失败，其剩磁Br＝0；当磁化电流过大，铝镍钴实现满充时，其剩磁Br＝Br1；否则，认为铝镍钴部分磁化，根据回复线计算其剩磁；
步骤4.2，撤销该磁化电流，获得铝镍钴的初始磁化水平；
步骤4.3，施加励磁脉冲，检测与初始磁化方向是否一致，判断增去磁，调用磁网络求解模块计算调磁后铝镍钴剩磁；
在调磁运行中，依据施加磁化电流方向，存在充磁和去磁两种模式；依据近似分段线性模型，计算规则如下：
充磁模式：
当磁化电流过小，通过铝镍钴的磁场强度未达到铝镍钴自身的固有矫顽力HC时，认为充磁失败，其剩磁保持原来水平；当磁化电流过大，铝镍钴实现满充时，其剩磁Br＝Br1；否则，认为铝镍钴部分磁化，根据回复线计算其剩磁；
去磁模式：
当磁化电流过小，通过铝镍钴的反向磁场强度未达到铝镍钴临界场强Hk时，认为充磁失败，其剩磁保持原来水平；当反向磁化电流过大，铝镍钴实现反向满充时，其剩磁Br＝-Br1；否则，认为铝镍钴部分退磁，根据回复线计算其剩磁；
步骤4.4，撤销直流脉冲激励，铝镍钴保持铝镍钴磁化水平，根据此时铝镍钴剩磁判断其退磁曲线，根据该曲线通过磁网络计算铝镍钴工作点，获得电机电磁性能。
6.根据权利要求1所述的一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法，其特征在于，所述步骤5的实现包括如下步骤：
步骤5.1，以电机的平均输出转矩和转矩脉动作为优化目标，通过上述磁网络解析方法建立优化设计的数学模型：
X＝[βs,βr,βpm,hsslot,hrslot,hpm,g]T
其中，设定定子齿宽βs，定子齿高hsslot，转子齿宽βr，转子齿高hrslot，永磁体宽度βpm，永磁体厚度hpm，气隙宽度g电机结构参数为该多目标优化问题的决策向量，满足约束条件；
步骤5.2，利用基于NSGAⅡ多目标遗传算法求解步骤5.1优化数学模型；具体地：
步骤5.2.1，种群初始化；初始化种群P的大小为N；采用实数编码；初始种群均匀离散分布在区间范围内，得到对应的电机参数矩阵X＝[x1,x2,x3,…xi…xN]，其中种群中每个个体xi＝[βs,βr,βpm,hsslot,hrslot,hpm,g]；
步骤5.2.2，平均输出转矩f1(xi)和转矩脉动f2(xi)适应度求解；将种群中每个个体所对应的电机结构参数，带入磁网络解析算法求解计算，计算出每个个体对应的平均输出转矩适应度KAT(xi)和转矩脉动适应度KTR(xi)，对于平均输出转矩和转矩脉动不满足设计要求的个体xi,将其适应度极大化，使之成为劣解并在后续操作中被优先淘汰，从而获得种群的平均输出转矩适应度矩阵f1(x1,x2,x3,…,xi,…xN)和转矩脉动适应度矩阵f2(x1,x2,x3,…,xi,…xN)；
步骤5.2.3，评价种群P，对种群中的个体进行非支配排序，计算个体拥挤度，通过交叉、变异产生子代种群；
首先根据每个个体的平均输出转矩适应度值f1(xi)和转矩脉动f2(xi)进行快速支配排序，并计算每个支配层中的个体的拥挤度， 根据种群中的非支配次序关系和个体拥挤度，通过锦标赛法从种群P中选择个体，进行交叉、变异，产生子代种群Q；
生成新一代父代种群；从第二代开始，父子代个体合并，形成新种群R，种群大小为2N；重新对种群R中个体进行非支配排序，计算个体拥挤度，选择N个合适个体组成新父代种群P；
生成新一代子代种群；通过简单遗传算法(SGA)的基本操作选择、遗传、变异产生新一代子代种群Q；接着重新执行上一步，通过循环操作，直至满足结果条件，保存Pareto前沿的非支配解集；
步骤5.2.4，据电机平均输出转矩和转矩脉动设计范围确定，在Pareto前沿的非支配解解集中选择初步可行解集，并提取初步可行解集中所有点对应的电机结构参数；
步骤5.2.5，改变励磁电流大小，更新记忆材料工作点，切换记忆电机工作模式；将上述初步可行解集中所有电机结构参数组合带入磁网络模型进行计算，获得调磁后的优化目标函数，即平均输出转矩和转矩脉动的一组非支配解集，并根据设计范围，重新筛选可行解集，缩小范围；
步骤5.2.6，通过不断改变励磁电流大小，逐渐缩小非支配解集范围，使得非支配解集逐渐逼近适于记忆电机多模式运行的最优解集；最终，在最优解集前沿的几组参数组合里，获得最优参数组合，确定电机结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910066753.5A CN109684775B (zh) | 2019-01-24 | 2019-01-24 | 一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910066753.5A CN109684775B (zh) | 2019-01-24 | 2019-01-24 | 一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109684775A CN109684775A (zh) | 2019-04-26 |
| CN109684775B true CN109684775B (zh) | 2023-03-24 |
Family
ID=66194443
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910066753.5A Active CN109684775B (zh) | 2019-01-24 | 2019-01-24 | 一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109684775B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288885B (zh) * | 2019-06-11 | 2021-02-09 | 东南大学 | 一种研究非线性永磁体磁化规律的实验方法 |
| CN110545060B (zh) * | 2019-09-25 | 2021-10-08 | 西安西微智能科技有限公司 | 电机转矩电流的优化方法及表贴式永磁电机 |
| CN111509917B (zh) * | 2020-03-31 | 2021-06-18 | 江苏大学 | 一种永磁同步电机的充磁退磁控制装置与方法 |
| CN111709167B (zh) | 2020-05-27 | 2021-07-20 | 江苏大学 | 一种永磁电机多目标优化的参数化等效磁网络建模方法 |
| CN114896939B (zh) * | 2022-07-12 | 2022-09-23 | 山东奥新医疗科技有限公司 | 超导磁体线圈设计方法、系统、装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108736773B (zh) * | 2018-05-30 | 2021-10-01 | 中国人民解放军陆军勤务学院 | 小型风力发电系统中盘式永磁同步发电机多目标优化方法 |
-
2019
- 2019-01-24 CN CN201910066753.5A patent/CN109684775B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109684775A (zh) | 2019-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109684775B (zh) | 一种基于非线性等效变磁网络模型的磁通可控记忆电机在线调磁性能预测和优化设计方法 | |
| CN111709167B (zh) | 一种永磁电机多目标优化的参数化等效磁网络建模方法 | |
| Abdalmagid et al. | Geometry and topology optimization of switched reluctance machines: A review | |
| Hao et al. | Optimization of torque ripples in an interior permanent magnet synchronous motor based on the orthogonal experimental method and MIGA and RBF neural networks | |
| Hiruma et al. | Novel hybridization of parameter and topology optimizations: Application to permanent magnet motor | |
| Diao et al. | Robust design optimization of switched reluctance motor drive systems based on system-level sequential Taguchi method | |
| CN112600375A (zh) | 一种新型交替极无刷混合励磁电机的多目标优化方法 | |
| CN113094911A (zh) | 一种磁场调制永磁容错电机高功率因数设计方法 | |
| Mansouri et al. | Multi-objective optimization of an in-wheel electric vehicle motor | |
| Wang et al. | Nonlinear analytical solution of magnetic field and performances of a spoke array Vernier permanent magnet machine | |
| Mahmouditabar et al. | Robust design of BLDC motor considering driving cycle | |
| CN115718966A (zh) | 一种基于参数的表贴式永磁同步电机齿槽转矩优化方法 | |
| Wu et al. | Design considerations of outer-rotor permanent magnet synchronous machines for in-wheel electric drivetrain using particle swarm optimization | |
| CN113420386A (zh) | 一种基于插值模型和多目标遗传算法的车用驱动电机鲁棒性优化设计方法 | |
| Pfister et al. | A multi-objective finite-element method optimization that reduces computation resources through subdomain model assistance, for surface-mounted permanent-magnet machines used in motion systems | |
| Degano et al. | Robust optimization of a traction PMASR motor according to given driving cycles | |
| CN116522735A (zh) | 基于ga-pso算法的定子线棒结构优化方法 | |
| CN116796675A (zh) | 一种无轭分块电枢轴向磁场电机结构的设计方法 | |
| Nobahari et al. | Optimal Shaping of Non-Conventional Permanent Magnet Geometries for Synchronous Motors via Surrogate Modeling and Multi-Objective Optimization Approach. | |
| Jabbari et al. | Iron pole shape optimization of IPM motors using an integrated method | |
| Sato et al. | A topology optimization of hydroelectric generator using covariance matrix adaptation evolution strategy | |
| Ruzbehi et al. | Topology optimization of a nonlinear electromagnetic actuator based on a local importance measure | |
| Sardar et al. | State-of-the-Art Design Optimization of an IPM Synchronous Motor for Electric Vehicle Applications | |
| Ruzbehi et al. | Hybrid Structure Optimization of a PMSM Using Global and Local Methods for Higher Torque and Lower Volume | |
| CN113408160A (zh) | 一种基于多目标优化的电机参数设计方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |