CN111614215B - 一种基于生成对抗网络的电动汽车用驱动电机设计方法 - Google Patents

Abstract

本发明提供了一种基于生成对抗网络的电动汽车用驱动电机设计方法，该方法解决了车用驱动电机在行驶过程中工作点动态变化不具备典型工作点的问题。以生成对抗网络为代理模型，替代有限元计算电机效率分布图，进一步计算汽车行驶循环工况下的能量损耗，提升了密集工作点下的优化速度。在优化迭代中，通过收集新一代个体的有限元仿真结果，不断的重新训练生成对抗网络，使代理模型精度随着进化算法的收敛实现自优化。

Description

一种基于生成对抗网络的电动汽车用驱动电机设计方法

技术领域

本发明涉及电动汽车用驱动电机设计领域，特别涉及一种基于生成对抗网络的电动汽车用驱动电机设计方法。

背景技术

电机设计本质上是一个多目标优化问题。车用驱动电机设计需要在体积、散热及控制器等条件限制下尽可能保证高功率密度、高效率、宽调速范围和运行平稳性。与传统工业驱动电机不同，驱动电机在纯电行驶时不再具有典型的额定工作点，其转矩和转速输出将随着行驶工况变化而做动态调整，这就要求电机设计阶段必须同时考虑多工作点下的性能优化。然而，电机系统的高非线性和有限元计算的高耗时性使得考虑汽车行驶循环工况的优化需要巨大的计算资源和计算时间，不能很好的满足工程设计的需要。

为了提高优化速度，减少计算资源的消耗，基于k-均值聚类算法的代表工作点法被提出，通过该算法对循环工况下的电机工作点分类，用每一类的中心点代表该类中的所有个体，削减了优化对象的规模。然而，该方法的问题在于代表工作点不一定能够很好的等效循环工况，计算结果存在偏差较大的可能。

一般而言，对于车用驱动电机来说，主要设计目标是在转矩密度和效率之间取得平衡。

发明内容

针对现有情况不足，本发明采用一种基于生成对抗网络(GenerativeAdversarial Networks，GAN)的电动汽车用驱动电机设计方法，能够有效解决在计算中循环工况下的能耗计算量大的问题，并实现全速域下车用驱动电机的性能优化。

为实现上述目的，本发明的技术方案为：一种基于生成对抗网络的电动汽车用驱动电机设计方法，该设计方法的优化模型如下：

s.t.

x_i,min≤x_i≤x_i,max i＝1,2,…,n

J≤J_max

U≤U_max

T_Jmax≥T_max

ω_t≥ω_t,min

其中TD_nom为名义工作点的转矩密度，E_c是汽车循环工况下电机的总能量损耗，x是电机的结构参数，n为结构参数个数，J是铜芯电流密度。U是端电压，根据设计要求可以为有效值也可以为幅值。T_Jmax是最大输出转矩，ω_t是恒转矩区过渡到恒功率区的转折电磁角速度。

为了求解该模型，采用遗传算法框架进行优化，基于生成对抗网络的电动汽车用驱动电机设计方法，包括以下步骤：

步骤1，根据汽车行驶循环工况以及汽车参数计算电机循环工况；

步骤2，在电机工况分布的基础上计算名义工作点(T_nom,ω_nom)；

步骤3，初始化训练集S₀，训练初始生成对抗网络GAN₀；

步骤4，多目标遗传算法生成第一代群体P₁；

步骤5，群体中的个体间进行交叉变异，生成新的个体集合EP_g，其中g表示第g代群体；

步骤6，使用GAN_g-1为EP_g中的每一个个体计算名义工作点对应的电流密度J_nom和超前角θ_nom，并在名义工作点处进行有限元仿真，计算转矩T、电压U和损耗Loss。将向量[x,J_nom,ω_nom,θ_nom]作为输入，[T,U,Loss]作为输出，保存为训练集S_g；

步骤7，使用GAN_g-1计算EP_g中每一个个体的效率分布图，基于效率分布图计算汽车行驶循环工况下总能量消耗；

步骤8，为EP_g中每一个个体计算约束条件，对违反约束的个体施加惩罚项；

步骤9，为EP_g中每一个个体计算适应度，并选择其中适应度高的个体，生成暂存集TA_g；

步骤10，根据一定规则，生成多组电机电流工作点[J_k,ω_k,θ_k]。TA_g中的每一个个体在上述电流工作点进行有限元仿真，计算转矩T、电压U和损耗Loss。将向量[x_i,J_k,ω_k,θ_k]作为输入，[T,U,Loss]作为输出，保存到训练集S_g；

步骤11，使用训练集S_g训练新的生成对抗网络GAN_g；

步骤12，使用GAN_g-1计算TA_g中每一个个体的效率分布图，基于效率分布图计算汽车行驶循环工况下总能量损耗；

步骤13，为TA_g中每一个个体计算约束条件，对违法约束的个体施加惩罚项；

步骤14，为TA_g中每一个个体计算适应度，并选择其中适应度高的个体生成下一代群体P_g+1；

步骤15，判断是否满足终止条件，若不满足则转步骤5，并令g＝g+1。

作为本发明的一种改进，所述步骤2，在电机工况分布的基础上计算名义工作点(T_nom,ω_nom)，对于n个电机工作点下，设p＝(T,ω)，c为名义工作点(T_nom,ω_nom)，使用公式(8)的优化模型计算名义工作点：

s.t.

ω_min≤ω≤ω_max

T_min≤T≤T_max

其中d(p,c)表示两点之间的欧式距离。

作为本发明的一种改进，步骤6中的通过GAN_g-1为名义工作点计算对应的电流密度J_nom和超前角θ_nom，采用以下最优电流模型计算：

minI_m (10)

s.t.

T(I_m,θ)＝T_def

I_m≤I_max

U(I_m,θ,ω)≤U_max

I_m是电流有效值，T_def和ω_def是指定的电机工作点，N_c是绕组匝数，A_slot是槽面积，k_f为填铜率。

作为本发明的一种改进：步骤8和步骤13中的约束计算采用以下公式进行：

max T (13)

s.t.

I_m≤I_max

U(I_m,θ,ω_b)≤U_max

ω_b＝ω_t,min-ε，其中ε的取值保证ω_b在恒转矩区。在计算该转速下电压U_b后，转折角速度ω_t通过最大电压计算：

作为本发明的一种改进，通过步骤6和步骤10，收集每一代个体的有限元仿真结果构成新的训练集S_g，用于更新生成对抗网络。

作为本发明的一种改进，一次迭代中分别于步骤8、步骤9和步骤13和步骤14两次计算约束和个体适应度

本发明具有以下有益效果：

1、本发明利用生成对抗网络依靠少量标识样本学习便可处理高维度的复杂分布问题的优点，建立电机的有限元代理模型，实现对电机性能的高效、精准计算；

2、本发明实现了全速域下车用驱动电机的转矩密度和能量损耗优化，并在优化过程中实时保证电机转矩-转速曲线满足设计要求；

3、本发明在优化车用驱动电机时，可以考虑汽车行驶循环工况下的能量损耗优化，使用生成对抗网络生成的代理模型计算效率分布图，提高了计算速度，配合汽车动力学模型，可以在优化过程中快速计算电机消耗的能量；

4、遗传算法迭代过程中，新生成的群体将逐渐接近最优结果平面，呈现一定的聚集效应。本发明在每一代群体的基础上，配合有限元计算生成新的训练集，用来改良生成对抗网络模型的精度，达到代理模型自优化的目的。

附图说明

图1是本发明设计方法流程示意图。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍。

下面将结合本发明实施例中的附图1，对本发明的技术方案进行完整清楚地描述。

本发明中电机设计的目标模型是：

s.t.

x_i,min≤x_i≤x_i,max i＝1,2,…,n

J≤J_max

U≤U_max

T_Jmax≥T_max

ω_t≥ω_t,min

其中TD_nom为名义工作点的转矩密度，E_c是汽车循环工况下电机的总能量损耗，x是电机的结构参数，n为结构参数个数，J是铜芯电流密度。U是端电压，根据设计要求可以为有效值也可以为幅值。T_Jmax是最大输出转矩，ω_t是恒转矩区过渡到恒功率区的转折电磁角速度。

为了求解第一公式，采用遗传算法框架进行优化，包括以下步骤：

步骤1，通过汽车行驶循环工况以及汽车参数计算电机循环工况。根据汽车动力学有：

m_ev为汽车质量，v为行驶速度，F_t是牵引力。

气动阻力F_ad计算公式为：

ρ使空气密度，A_f是汽车前截面面积，C_d是阻力系数。

滚动阻力F_rr计算公式为：

F_rr＝C_rrm_evgcos(θ) (4)

C_rr是滚动摩擦系数，g为重力加速度，θ是汽车倾斜角。

重力阻力F_s计算公式为：

F_s＝m_evgsin(θ) (5)

那么后轮转动方程为：

J_ω是驱动轮转动惯量，r是驱动轮半径，k_r是变速箱和减速器的综合齿比，T_m是电机输出转矩。

电机输出转速计算公式为：

综合公式(2)～(7)根据汽车的v-t曲线，可以计算驱动电机的T_m-t和ω_m-t曲线，取1s为离散单位，则可以得到整个循环工况下的(T_m,ω_m)工作点分布。

步骤2，在电机工况分布的基础上计算名义工作点(T_nom,ω_nom)，对于n个电机工作点下，设p＝(T,ω)，c为名义工作点(T_nom,ω_nom)。使用公式(8)的优化模型计算名义工作点：

s.t.

ω_min≤ω≤ω_max

T_min≤T≤T_max

其中d(p,c)表示两点之间的欧式距离。

步骤3，在规定的上下界范围内随机生成结构参数x_i以及电流工作点[J_k,ω_k,θ_k]，进行有限元仿真，计算转矩T、电压U和损耗Loss。将向量[x_i,J_k,ω_k,θ_k]作为输入，[T,U,Loss]作为输出生成训练集S₀，训练最初的生成对抗网络GAN₀。

步骤4，多目标遗传算法算法生成第一代群体P₁。

步骤5，通过差分策略计算新的个体：

x_best,j是适应度最好的个体，i、k₂、k₃∈{1,2,…,P_g}，j表示第j个基因位。根据公式(9)生成新的个体集合EP_g，其中g表示第g代群体。

步骤6，根据最大转矩电流比控制以及弱磁控制原理，有最优电流模型：

min I_m (10)

s.t.

T(I_m,θ)＝T_def

I_m≤I_max

U(I_m,θ,ω)≤U_max

在给定结构x_i，转矩和电压可以用GAN模型计算：

N_c是绕组匝数，A_slot是槽面积，k_f为填铜率。求解优化模型(10)即可某一结构参数下名义工作点的机械输出特性(T_nom,ω_nom)和电流输入特性(J_nom,ω_nom,θ_nom)间的转换。

为EP_g中的每一个个体计算名义工作点对应的电流密度J_nom和超前角θ_nom，并在名义工作点处进行有限元仿真，计算转矩T、电压U和损耗Loss。将向量[x,J_nom,ω_nom,θ_nom]作为输入，[T,U,Loss]作为输出，保存为训练集S_g；

步骤7，使用GAN_g-1计算EP_g中每一个个体的效率分布图，根据步骤1计算的循环工况下(T_m,ω_m)工作点分布，可在效率分布图中得到效率η-t曲线。循环工况下电机总能耗为：

步骤8，为EP_g中每一个个体计算约束条件，对违反约束的个体施加惩罚项；

T_Jmax可以在ω_b＝ω_t,min-ε计算，其中ε根据具体情况取值，保证ω在恒转矩区。

max T (13)

s.t.

I_m≤I_max

U(I_m,θ,ω_def)≤U_max

其中电压可以通过公式(11)计算。通过求解优化模型公式(13)可以得到最大转矩下的电流(

θ^ct，max)，以及在此情况下的电压U_b，转折角速度ω_t可以通过最大电压计算：

由公式(13)和(14)，当最大转矩约束满足时，电流和电压约束会自动满足。

步骤9，为EP_g中每一个个体计算适应度，并选择其中适应度高的个体，生成暂存集TA_g。

步骤10，根据一定规则(可以是随机分布也可以是均匀分布，或者先均匀划分区间再在各区间随机抽取)，生成多组电机电流工作点[J_k,ω_k,θ_k]。TA_g中的每一个个体在上述电流工作点进行有限元仿真，计算转矩T、电压U和损耗Loss。将向量[x_i,J_k,ω_k,θ_k]作为输入，[T,U,Loss]作为输出，保存到训练集S_g。

步骤11，使用训练集S_g训练新的生成对抗网络GAN_g。

步骤12，使用GAN_g-1计算TA_g中每一个个体的效率分布图，基于效率分布图计算汽车行驶循环工况下总能量损耗，计算方法同步骤7。

步骤13，为TA_g中每一个个体计算约束条件，对违法约束的个体施加惩罚项，计算方法同步骤8.

步骤14，为TA_g中每一个个体计算适应度，并选择其中适应度高的个体生成下一代群体P_g+1；

步骤15，判断是否满足终止条件，若不满足则转步骤5，并令g＝g+1。

需要说明的是上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述技术方案的基础上做出的等同替换或者替代均属于本发明的保护范围。

Claims (4)

1.一种基于生成对抗网络的电动汽车用驱动电机设计方法，其特征在于，所述方法包括以下步骤：

步骤1，根据汽车行驶循环工况以及汽车参数计算电机循环工况；

步骤2，在电机工况分布的基础上计算名义工作点(T_nom,ω_nom)；

步骤3，初始化训练集S₀，训练初始生成对抗网络GAN₀；

步骤4，多目标遗传算法生成第一代群体P₁；

步骤5，群体中的个体间进行交叉变异，生成新的个体集合EP_g，其中g表示第g代群体；

步骤6，使用GAN_g-1为EP_g中的每一个个体计算名义工作点对应的电流密度J_nom和超前角θ_nom，并在名义工作点处进行有限元仿真，计算转矩T、电压U和损耗Loss，将向量[x,J_nom,ω_nom,θ_nom]作为输入，[T,U,Loss]作为输出，保存为训练集S_g；

步骤7，使用GAN_g-1计算EP_g中每一个个体的效率分布图，基于效率分布图计算汽车行驶循环工况下总能量消耗；

步骤8，为EP_g中每一个个体计算约束条件，对违反约束的个体施加惩罚项；

步骤9，为EP_g中每一个个体计算适应度，并选择其中适应度高的个体，生成暂存集TA_g；

步骤10，生成多组电机电流工作点[J_k,ω_k,θ_k]，为TA_g中的每一个个体在上述电流工作点进行有限元仿真，计算转矩T、电压U和损耗Loss，将向量[x_i,J_k,ω_k,θ_k]作为输入，[T,U,Loss]作为输出，保存到训练集S_g；

步骤11，使用训练集S_g训练新的生成对抗网络GAN_g；

步骤12，使用GAN_g-1计算TA_g中每一个个体的效率分布图，基于效率分布图计算汽车行驶循环工况下总能量损耗；

步骤13，为TA_g中每一个个体计算约束条件，对违法约束的个体施加惩罚项；

步骤14，为TA_g中每一个个体计算适应度，并选择其中适应度高的个体生成下一代群体P_g+1；

步骤15，判断是否满足终止条件，若不满足则转步骤5，并令g＝g+1；

所述步骤2，在电机工况分布的基础上计算名义工作点(T_nom,ω_nom)，对于n 个电机工作点下，设p＝(T,ω)，c为名义工作点(T_nom,ω_nom)，使用公式(8)的优化模型计算名义工作点：

s.t.

ω_min≤ω≤ω_max

T_min≤T≤T_max

其中d(p,c)表示两点之间的欧式距离；

步骤6中的通过GAN_g-1为名义工作点计算对应的电流密度J_nom和超前角θ_nom，采用以下最优电流模型计算：

min I_m (10)

s.t.

T(I_m,θ)＝T_def

I_m≤I_max

U(I_m,θ,ω)≤U_max

I_m是电流有效值，T_def和ω_def是指定的电机工作点，N_c是绕组匝数，A_slot是槽面积，k_f为填铜率；

步骤8和步骤13中的约束计算采用以下公式进行：

max T (13)

s.t.

I_m≤I_max

U(I_m,θ,ω_b)≤U_max

ω_b＝ω_t,min-ε，其中ε的取值保证ω_b在恒转矩区，在计算转速ω_b下电压U_b后，转折角速度ω_t通过最大电压计算：

其终止条件满足或部分满足以下优化模型：

s.t.

x_i,min≤x_i≤x_i,max i＝1,2,…,n

J≤J_max

U≤U_max

T_Jmax≥T_max

ω_t≥ω_t,min

其中TD_nom为名义工作点的转矩密度，E_c是汽车循环工况下电机的总能量损耗，x是电机的结构参数，n为结构参数个数，J是铜芯电流密度，U是端电压，根据设计要求端电压U为有效值或为幅值，T_Jmax是最大输出转矩，ω_t是恒转矩区过渡到恒功率区的转折电磁角速度。

2.根据权利要求1所述的一种基于生成对抗网络的电动汽车用驱动电机设计方法，其特征在于，通过步骤6和步骤10，收集每一代个体的有限元仿真结果构成新的训练集S_g，用于更新生成对抗网络。

3.根据权利要求2所述的一种基于生成对抗网络的电动汽车用驱动电机设计方法，其特征在于，一次迭代中分别于步骤8、步骤9和步骤13和步骤14两次计算约束和个体适应度。

4.根据权利要求3所述的一种基于生成对抗网络的电动汽车用驱动电机设计方法，其特征在于，优化模型中包括汽车行驶循环工况的能量消耗和电机最大转矩计算。

Images