CN111898286B - 一种电机建模分析与优化方法 - Google Patents
一种电机建模分析与优化方法 Download PDFInfo
- Publication number
- CN111898286B CN111898286B CN202010333162.2A CN202010333162A CN111898286B CN 111898286 B CN111898286 B CN 111898286B CN 202010333162 A CN202010333162 A CN 202010333162A CN 111898286 B CN111898286 B CN 111898286B
- Authority
- CN
- China
- Prior art keywords
- motor
- structural
- structural parameters
- max
- flux linkage
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims abstract description 3
- 230000004907 flux Effects 0.000 claims description 28
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 7
- 230000002068 genetic effect Effects 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Control Of Electric Motors In General (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明涉及一种电机建模分析与优化方法,属于机电智能化领域。本发明在满足结构参数约束范围条件下,对结构参数进行动态采样生成结构参数样本集合,使用有限元方法计算电机不同直轴电流Id和交轴电流Iq下的直轴磁链Ψd和交轴磁链Ψq的大小,而后多项式拟合求系数项dmn和qmn的值,并使用神经网络对结构参数及系数项dmn和qmn的函数关系进行拟合,最后在智能优化算法计算过程中,将任意结构参数代入两个神经网络模型,得到系数项dmn和qmn的值,求得电机的直轴磁链Ψd和交轴磁链Ψq,计算该结构参数下的电机性能,进而计算该结构参数的适应值,并智能更新结构参数值,直至得到电机的最优化结构。本发明能快速计算任意结构参数下的电机性能,解决电机的优化问题。
Description
技术领域
本发明涉及一种电机建模分析方法,属于机电智能化领域。
背景技术
由于电机结构参数优化问题自变量多,模型复杂,常规的优化计算方法难以满足要求,而采用智能优化算法需要反复计算不同结构参数下的电机性能,以更新算法的最优结果。
由于电机内存在齿槽结构或永磁体内嵌等复杂磁路结构,同时由于磁性材料的非线性因素,电机内的电磁场分布复杂,采用纯理论分析的电机建模分析方法,误差较大,难以满足优化计算对精度的要求。
有限元分析方法的基本思想是将物体(即连续的求解域)离散成有限个且按一定方式相互连接在一起的组合,来模拟或逼近原来的物体,从而将一个连续的无限自由度问题简化为离散的有限自由度问题,而后进行求解的一种数值分析方法。具体电机模型的复杂性决定了电机的理论计算求解方法求解十分复杂,且很难进行精确求解,往往通过计算机有限元分析软件进行有限元分析,来求得精确解。有限元方法简单有效,且计算精度高,但是计算量大,智能优化过程中反复有限元计算耗时巨大,难以快速工程化应用。
发明内容
有鉴于此,本发明提供了一种电机建模分析与优化方法,利用有限元计算和神经网络建模两者精度高的优点,对电机参数进行神经网络建模,并采用智能优化算法对结构参数进行优化。
本发明采取的技术方案如下:
一种电机建模分析与优化方法,包括如下步骤:
一、选择电机待优化参数,对电机待优化结构参数进行动态采样生成结构参数样本集合;
二、通过使用有限元方法计算每个样本直轴电流Id和交轴电流Iq激励下的电机直轴磁链Ψd和交轴磁链Ψq的大小;
三、根据所有样本的样本直轴电流Id和交轴电流Iq激励下的电机直轴磁链Ψd和交轴磁链Ψq拟合多项式,利用该多项式拟合求系数项dmn(m=0,1,…,M;n=0,1,…,m)和qmn(m=0,1,…,M;n=0,1,…,m)的值;
四、分别使用神经网络对结构参数与系数项dmn(m=0,1,…,M;n=0,1,…,m)的函数关系和结构参数与系数项qmn(m=0,1,…,M;n=0,1,…,m)的函数关系进行拟合,得到两个电机结构参数的神经网络,如果神经网络精度不满足要求,返回步骤一,生成新的结构参数样本集合,如果神经网络精度满足要求,进入步骤五;
五、在智能优化算法计算过程中,将任意结构参数代入两个电机结构参数神经网络模型,得到系数项dmn(m=0,1,…,M;n=0,1,…,m)和qmn(m=0,1,…,M;n=0,1,…,m)的值;基于系数项dmn(m=0,1,…,M;n=0,1,…,m)和qmn(m=0,1,…,M;n=0,1,…,m)的值,求得该电机结构参数下的直轴磁链Ψd和交轴磁链Ψq;结合电机理论模型,计算该结构参数下任意直轴电流Id和交轴电流Iq下的电机性能参数转矩、电压,进而计算该结构参数的适应值;
六、终止判断;
若智能优化算法迭代次数小于Gen,则根据父代每个个体的适应值高低,选择进行交叉和变异操作,智能更新子代的电机结构参数值,返回步骤五;
若算法迭代次数达到Gen时,算法退出,并输出最大适应值的结构参数(x1,x2,…,x6)值。
进一步的,所述步骤一中,电机待优化参数选择方法是:首先根据实际具体工程需要,选择对电机的性能有至关重要的影响的结构参数,并确定结构参数的可行范围,而后在可行范围内进行随机采样,获得多个可行结构参数的样本集合;
进一步的,所述步骤二进一步包括:采用有限元计算方法计算不同直轴电流Id和交轴电流Iq下的直轴磁链Ψd和交轴磁链Ψq的大小,而后根据已知的Id、Iq、Ψd和Ψq数据,通过多项式拟合求系数项dmn(m=0,1,…,M;n=0,1,…,m)和qmn(m=0,1,…,M;n=0,1,…,m)的值,其中多项式函数为:
进一步的,所述步骤五中,对极对数为p,相数为m,相电阻为Ra,转速为ω的电机,结合电机理论模型,计算该结构参数下任意直轴电流Id和交轴电流Iq下电机的性能参数转矩、电压的公式如下:
转矩大小为
电压大小为
有益效果:
1、本发明的电机建模分析与优化方法中,采用有限元计算方法精确计算不同直轴电流Id和交轴电流Iq下的直轴磁链Ψd和交轴磁链Ψq的大小,计算精度高。
2、本发明的电机建模分析与优化方法中,根据已知的Id、Iq、Ψd和Ψq数据,采用多项式拟合方法分别求解直轴磁链Ψd的多项式系数项dmn(m=0,1,…,M;n=0,1,…,m)和交轴磁链Ψq的多项式系数项qmn(m=0,1,…,M;n=0,1,…,m),模型简单,计算速度快。
3、本发明的电机建模分析与优化方法中,分别使用神经网络对结构参数与系数项dmn(m=0,1,…,M;n=0,1,…,m)的函数关系和结构参数与系数项qmn(m=0,1,…,M;n=0,1,…,m)的函数关系进行拟合,对多结构参数输入-多系数项输出的复杂模型,拟合精度高。
4、本发明的电机建模分析与优化方法中,采用智能优化计算方法,可根据电机的转矩和电压性能,计算结构参数的适应值,并在约束条件下,智能更新结构参数值,直至得到电机的最优化结构,优化性能好,能有效提高电机的性能。
附图说明
图1为一种电机建模分析与优化方法流程图;
图2为结构参数与系数项dmn(m=0,1,…,M;n=0,1,…,m)的神经网络示意图;
图3为结构参数与系数项qmn(m=0,1,…,M;n=0,1,…,m)的神经网络示意图。
图4为神经网络结构;
图5为训练完成的输入(x1,x2,…,x6)、输出qmn的神经网络结构。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
如图1所示,本发明提供的一种电机建模分析及优化方法过程如下:
选择电机待优化参数,对电机待优化结构参数进行动态采样生成结构参数样本集合;
如图2所示,电机为16极18槽结构,永磁体为内嵌式双层V型结构,电机的主磁路中电机转子外径Ri、永磁体夹角α、双层永磁体间距dpm、磁极间距dw、齿宽tw以及定子铁轭厚度ty为主要影响参数,如图3所示,选择上述六个参数作为待建模和优化的自变量,依次记为(x1,x2,…,x6)。
对电机的电流进行采样,Id从[-120,-80,-40,0]中选取,Iq从[0,50,100,150,200]中选取,一共有4×5=20个样本;
通过有限元计算方法分别计算在每个样本直轴电流Id和交轴电流Iq激励下的电机直轴磁链Ψd和交轴磁链Ψq的大小。
根据20个样本的直轴电流Id、交轴电流Iq、直轴磁链Ψd和交轴磁链Ψq数据,拟合多项式:
上式中M取4,则dmn(m=0,1,…,5;n=0,1,…,m)共有15项,即20个样本数据拟合15个求知量,可唯一求得一组系数项dmn(m=0,1,…,5;n=0,1,…,m)使得直轴磁链Ψd的误差最小。同理可求得一组系数项qmn(m=0,1,…,5;n=0,1,…,m)使得交轴磁链Ψq的误差最小。
建立如图4所示的神经网络结构,输入层为(x1,x2,…,x6),输出层为dmn(m=0,1,…,5;n=0,1,…,m)。而后对x1,x2,…,x6随机采样10个,生成10个{(x1,x2,…,x6)}及其对应的{dmn(m=0,1,…,5;n=0,1,…,m)}样本集合,作为神经网络的学习数据,训练神经网络权值,并求得神经网络的训练误差,若误差大于1e-5,则再随机采样10个,直至误差不大于1e-5为止。最终得到训练完成的输入(x1,x2,…,x6)、输出dmn(m=0,1,…,5;n=0,1,…,m)的神经网络。
同理可以获得训练完成的输入(x1,x2,…,x6)、输出qmn(m=0,1,…,5;n=0,1,…,m)的神经网络,如图5所示。
如图1所示,本实施例中智能优化算法采用遗传算法,初始化遗传算法的种群数量50,交叉概率0.9,变异概率0.1,选择策略采用轮盘赌策略,而后随机生成50组(x1,x2,…,x6),代入图4和图5所示训练完毕的神经网络中,得到dmn(m=0,1,…,5;n=0,1,…,m)和qmn(m=0,1,…,5;n=0,1,…,m),给定的直轴电流Id和交轴电流Iq,并代入下式:
即可求得电机直轴磁链Ψd和交轴磁链Ψq的大小。
而后可根据下式计算任意转速ωm、给定的直轴电流Id和交轴电流Iq下转矩和电压大小为
本实施例选择算法的适应值函数为
max f=ωmTe-λu(sgn(Umax-Ue)+1)
上式中Umax为电压约束值,当Ue-Umax大于0时,sgn(Ue-Umax)的函数值为1;当Ue-Umax为0时,sgn(Ue-Umax)的函数值为0;当Ue-Umax小于0时,sgn(Ue-Umax)的函数值为-1。惩罚值λu为很大的数,本实施例取1e4,若电压Ue高于约束值Umax时,函数值被λu惩罚,较小。因此当适应值函数f最大时,电压Ue要低于约束值Umax,从而确保电压满足约束值的情况下,输出功率最大。
本实施例选择遗传算法迭代代数Gen作为终止判据,若遗传算法迭代次数小于Gen,则根据父代每个个体的适应值高低,选择进行交叉和变异操作,智能更新子代的电机结构参数值。当算法迭代次数达到Gen时,算法退出,并输出最大适应值的结构参数(x1,x2,…,x6)值。
本实施例最终得到最优的结构参数值如下:
(x1,x2,…,x6)=[92.5,75.0,3.5,3.0,16.0,7.8]
显然,本领域的技术人员可以对发明进行各种改动和变形而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (2)
1.一种电机建模分析与优化方法,其特征在于:包括如下步骤:
一、在满足结构参数约束范围条件下,选择电机待优化结构参数,对电机待优化结构参数进行动态采样生成结构参数样本集合;
二、通过使用有限元方法计算每个样本直轴电流Id和交轴电流Iq激励下的电机直轴磁链Ψd和交轴磁链Ψq的大小;
三、根据所有样本的样本直轴电流Id和交轴电流Iq激励下的电机直轴磁链Ψd和交轴磁链Ψq拟合多项式,利用该多项式拟合求系数项dmn(m=0,1,…,M;n=0,1,…,m)和qmn(m=0,1,…,M;n=0,1,…,m)的值;
采用有限元计算方法计算不同直轴电流Id和交轴电流Iq下的直轴磁链Ψd和交轴磁链Ψq的大小,而后根据已知的Id、Iq、Ψd和Ψq数据,通过多项式拟合求系数项dmn(m=0,1,…,M;n=0,1,…,m)和qmn(m=0,1,…,M;n=0,1,…,m)的值,其中多项式函数为:
四、分别使用神经网络对结构参数与系数项dmn(m=0,1,…,M;n=0,1,…,m)的函数关系和结构参数与系数项qmn(m=0,1,…,M;n=0,1,…,m)的函数关系进行拟合,得到两个电机结构参数的神经网络,如果神经网络精度不满足要求,返回步骤一,生成新的结构参数样本集合,如果神经网络精度满足要求,进入步骤五;
五、在智能优化算法计算过程中,将任意结构参数代入两个电机结构参数神经网络模型,得到系数项dmn(m=0,1,…,M;n=0,1,…,m)和qmn(m=0,1,…,M;n=0,1,…,m)的值;基于系数项dmn(m=0,1,…,M;n=0,1,…,m)和qmn(m=0,1,…,M;n=0,1,…,m)的值,求得该电机结构参数下的直轴磁链Ψd和交轴磁链Ψq;结合电机理论模型,计算该结构参数下任意直轴电流Id和交轴电流Iq下的电机性能参数转矩、电压,进而计算该结构参数的适应值;
对极对数为p,相数为m,相电阻为Ra,转速为ωm的电机,结合电机理论模型,计算该结构参数下任意直轴电流Id和交轴电流Iq下电机的性能参数转矩、电压的公式如下:
转矩大小为
电压大小为
适应值函数为
max f=ωmTe-λu(sgn(Umax-Ue)+1)
上式中Umax为电压约束值,当Ue-Umax大于0时,sgn(Ue-Umax)的函数值为1;当Ue-Umax为0时,sgn(Ue-Umax)的函数值为0;当Ue-Umax小于0时,sgn(Ue-Umax)的函数值为-1;惩罚值λu为很大的数;
六、终止判断;
若智能优化算法迭代次数小于Gen,则根据父代每个个体的适应值高低,选择进行交叉和变异操作,智能更新子代的电机结构参数值,返回步骤五;
若算法迭代次数达到Gen时,算法退出,并输出最大适应值的结构参数(x1,x2,…,x6)值。
2.根据权利要求1所述的一种电机建模分析与优化方法,其特征在于:所述步骤一中,电机待优化结构参数选择方法是:首先根据实际具体工程需要选择结构参数,并确定结构参数的可行范围,而后在可行范围内进行随机采样,获得多个待优化结构参数的样本集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010333162.2A CN111898286B (zh) | 2020-04-24 | 2020-04-24 | 一种电机建模分析与优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010333162.2A CN111898286B (zh) | 2020-04-24 | 2020-04-24 | 一种电机建模分析与优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898286A CN111898286A (zh) | 2020-11-06 |
CN111898286B true CN111898286B (zh) | 2024-05-14 |
Family
ID=73206242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010333162.2A Active CN111898286B (zh) | 2020-04-24 | 2020-04-24 | 一种电机建模分析与优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898286B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113992090B (zh) * | 2021-10-19 | 2023-09-26 | 中山大学 | 基于改进自适应遗传算法的永磁同步电机参数辨识方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008040528A (ja) * | 2006-08-01 | 2008-02-21 | Honda Motor Co Ltd | 構造最適化方法 |
CN101567617A (zh) * | 2009-03-06 | 2009-10-28 | 北京理工大学 | 一种圆筒型直线电机结构参数优化设计方法 |
CN106777442A (zh) * | 2015-11-20 | 2017-05-31 | 南京理工大学 | 一种永磁无刷直流电机齿槽转矩优化设计方法 |
CN107679312A (zh) * | 2017-09-27 | 2018-02-09 | 哈尔滨工业大学 | 一种基于径向基函数神经网络的接触器动态特性的快速计算方法 |
-
2020
- 2020-04-24 CN CN202010333162.2A patent/CN111898286B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008040528A (ja) * | 2006-08-01 | 2008-02-21 | Honda Motor Co Ltd | 構造最適化方法 |
CN101567617A (zh) * | 2009-03-06 | 2009-10-28 | 北京理工大学 | 一种圆筒型直线电机结构参数优化设计方法 |
CN106777442A (zh) * | 2015-11-20 | 2017-05-31 | 南京理工大学 | 一种永磁无刷直流电机齿槽转矩优化设计方法 |
CN107679312A (zh) * | 2017-09-27 | 2018-02-09 | 哈尔滨工业大学 | 一种基于径向基函数神经网络的接触器动态特性的快速计算方法 |
Non-Patent Citations (1)
Title |
---|
基于多支持向量机和粒子群算法的永磁同步直线电机优化设计;徐道际;;合肥学院学报(综合版);20160828(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111898286A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109600006B (zh) | 一种用于表贴式永磁电机电磁设计的求解方法 | |
CN109347388A (zh) | 一种开关磁阻轮毂电机自抗扰模型预测控制器构造方法 | |
Balaji et al. | Evolutionary computation based multi-objective pole shape optimization of switched reluctance machine | |
Sun et al. | Torque modeling of a segmented-rotor SRM using maximum-correntropy-criterion-based LSSVR for torque calculation of EVs | |
Liu et al. | Real-time particle swarm optimization based parameter identification applied to permanent magnet synchronous machine | |
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 | |
CN111898286B (zh) | 一种电机建模分析与优化方法 | |
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 | |
CN112564557B (zh) | 一种永磁同步电机的控制方法、装置、设备及存储介质 | |
CN108959792B (zh) | 一种同步电机的实时仿真系统及方法 | |
CN112468034B (zh) | 永磁同步电机弱磁区效率最优控制电流轨迹搜索方法及在线控制方法 | |
Tekgun et al. | FEA based fast topology optimization method for switched reluctance machines | |
CN113434958A (zh) | 基于异构集成代理模型的磁悬浮飞轮电机多目标优化方法 | |
Nobahari et al. | Optimal Shaping of Non-Conventional Permanent Magnet Geometries for Synchronous Motors via Surrogate Modeling and Multi-Objective Optimization Approach. | |
Kandhasamy | Machine learning based SRM control using FPGAs for torque ripple minimization | |
CN115221787A (zh) | 基于nsga-ⅱ的圆筒型永磁直线电机多目标优化方法和系统 | |
Bi et al. | Research on optimization method of high speed permanent magnet synchronous motor based on surrogate model | |
CN112468037A (zh) | 永磁同步电机mtpv控制电流轨迹搜索方法及在线控制方法 | |
Wang et al. | Sensorless vector control of permanent magnet synchronous motor based on improved hybrid genetic algorithm | |
CN111562750A (zh) | 一种基于四阶对角隐式rk算法的永磁同步电机模拟器 | |
CN118171581A (zh) | 基于改进的物理信息神经网络的游标电机磁场模拟方法 | |
Nik et al. | Optimization of synchronous reluctance motor based on radial basis network | |
CN118194729A (zh) | 一种基于改进的人工智能算法的电机多目标优化方法 | |
CN116027672B (zh) | 基于神经网络的模型预测控制方法 | |
CN118246292A (zh) | 一种提升电机转矩性能的多目标优化方法 |
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 |