CN113420386A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113420386A
CN113420386A CN202110571845.6A CN202110571845A CN113420386A CN 113420386 A CN113420386 A CN 113420386A CN 202110571845 A CN202110571845 A CN 202110571845A CN 113420386 A CN113420386 A CN 113420386A
Authority
CN
China
Prior art keywords
design
motor
parameter
sensitivity
optimization
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.)
Pending
Application number
CN202110571845.6A
Other languages
English (en)
Inventor
全力
陆逸箫
朱孝勇
樊德阳
武继奇
杨晋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN202110571845.6A priority Critical patent/CN113420386A/zh
Publication of CN113420386A publication Critical patent/CN113420386A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Physiology (AREA)
  • Computational Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Manufacture Of Motors, Generators (AREA)

Abstract

本发明公开了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，包括以下步骤：采用敏感度分析对设计参数分层，对不同敏感层参数分别优化；参数扫描被用于固定低敏感参数值，实现计算模型的降维；对高敏感参数建立插值模型以提高优化效率，对电机性能以及性能波动使用多目标遗传算法进行优化；确定参数确定值后，对加工误差以及加工成功率继续进行多目标优化，最后获得包含加工允许误差的完整电机加工方案。本发明使用插值算法以及多目标优化算法，在保证优化精度的同时提高了优化效率，在优化设计过程中考虑到电机加工制造过程中的不确定性因素，使得电机性能以及其加工成功率得到提升。

Description

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
技术领域
本发明属于电机鲁棒性优化设计领域，是一种考虑到电机实际加工过程中由于各种不确定性导致的电机性能波动的鲁棒性优化设计方法。
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，经常作为电力推进系统的核心部件，如电动汽车和拖拉机、电器以及各种工业设备等。而电机优化作为电机设计过程中的一个关键步骤，往往对电机的最终性能有着极大的提升作用。然而，目前广泛存在的电机优化方法，大多是确定性的优化方法，缺乏对电机加工过程中一系列不确定性的考虑，如加工误差，装配误差等，极大的增大了电机加工不合格的风险。
近年来，为了研究电机设计和制造阶段的各种不确定性，获得高质量、高可靠性的电机，相关学者提出了电机的鲁棒性优化设计。所谓鲁棒性优化设计，就是在考虑到电机加工制造过程中存在各种不确定性干扰因素的情况下，仍然要求电机满足设计需求的优化设计。文献“Application of Taguchi method to robust design of BLDC motorperformance,”中(公开发表于1999年IEEE Transactions on Magnetics,35卷，5期，3700-3702页)提出了一种基于田口法的电机鲁棒性优化设计方法，然而该方法最大的缺陷在于其当可控因素间交互作用显著时导致的该方法计算分析的不准确性。文献“A novelsequential-stage optimization strategy for an interior permanent magnetsynchronous generator design,”中(公开发表于2018年IEEE Transactions onIndustrial Electronics 65卷，2期，1781-1790页)提出了一种考虑最坏情况下的电机鲁棒性优化设计方法。其主要思想是通过搜寻可能的设计参数波动空间内的电机性能最差点，然后通过优化手段，使其满足设计需求。但是该方法存在一定的缺点，其中最突出的在于其对设计参数空间反复重复搜寻所带来的巨大的计算量，消耗大量的计算时间，大大降低了优化效率。文献“System-level design optimization method for electricaldrive systems–Robust approach,”中(公开发表于2015年IEEE Transactions onIndustrial Electronics 62卷，8期，4702-4713页)提出了一种考虑到加工制造过程中各种不确定性的系统级鲁棒性优化策略，其主要手段是通过6西格玛科技来解决大批量生产过程中的产品质量问题。然而，该方法仅仅是针对工业制造中的大批量生产，而对于目前尚处于研究阶段的原理样机，该方法不适用。因此，如何设计与优化电机使其考虑到实际加工制造过程中的各种不确定性仍然是当前电机优化设计领域亟待解决的问题。
发明内容
本发明为了克服现有技术中存在的不足，提供了一种基于插值模型和多目标遗传算法的电机鲁棒性优化设计方法，该方法能够在满足精度要求的情况下，考虑到电机加工制造过程中的不确定性因素，得到最优的电机参数组合以及各个参数允许的偏差范围以及按照该电机加工方案进行电机实际加工，电机的一次加工成功率。该方法不仅解决了传统鲁棒性优化设计计算精度不足以及计算量过大的问题，同时其还适用于小批量的电机加工制造，尤其适合原理机的研究以及设计。
为实现上述目的，本发明采用的技术方案包括以下步骤：
步骤1、设计参数分层：电机设计参数与优化目标是一个强耦合、多场、非线性的问题，往往涉及到较大的计算量，为了对设计参数进行降维，减轻计算负担，现有的研究往往根据电机设计参数对各个目标的影响程度，将设计参数划分为高敏感度设计参数和低敏感度设计参数，对低敏感度设计参数，根据其对目标的特定响应，选择不优化或进行简单的单参数扫描优化，而对于高敏感度设计参数，进行全方位的多目标优化。
步骤2、低敏感度设计参数优化：对低敏感度的设计参数直接进行参数扫描，获取最优设计点，并且根据已有的电机加工以及设计经验，将其允许偏差设定为其最优值的10％。注意到由于低敏感度的设计参数对设计目标的影响较小，后续将不在考虑。
步骤3、建立高敏感度设计参数与目标相应之间的插值模型：对各个高敏度参数进行步长设计然后形成多组设计参数组合，对所有待优化的性能进行仿真采点取样。利用插值算法进行数据插值，构建精确的插值模型。有限元与遗传算法结合的优化往往由于巨大的计算量而让研究人员望而却步，而巧妙地利用精确的插值模型不仅可以保证计算的精确度，而且可以提高计算效率。
步骤4、以电机待优化性能以及其波动大小为设计目标，以高敏感度设计参数为待优化参数，进行基于非支配排序遗传算法的多目标优化。本步骤的目的在于寻找这样一个设计参数组合，不仅满足电机的各个性能尽量好，并且在该参数组合下，当参数发生未知波动时，性能的波动要尽量小。
步骤5、在步骤4的基础上，选取综合考虑下的最优目标。选取规则为待优化的目标性能尽量好，并且其波动尽量小。对所选出的电机设计参数组合进行新一轮优化：以电机设计参数允许的误差尽量大和在该误差下电机加工的成功率尽量高为优化目标，同时以电机设计参数允许的误差为设计参数进行优化，目的在于放宽允许的加工误差(以便于加工制造)的同时，尽量提高电机的加工的一次成功率。
步骤6、根据以上步骤的优化，给出一套考虑到电机加工过程中不确定性的电机加工方案。该方案不仅包含了确定的最有设计参数组合，也包括各个最优设计参数所允许的偏差是多少，以及按照该偏差去加工电机，所能确保的电机一次加工成功率是多少。
本发明的有益效果：
1.本发明不仅给出了传统优化能给出的电机设计参数组合，并且在考虑到加工制造中存在的不确定性的情况下，给出了电机设计参数允许的偏差范围，以及如果按照该偏差范围去加工电机，电机的一次加工成功率，这不仅仅是对电机的一次理论优化设计，其对电机的实际加工制造过程也有巨大的指导意义。该方法不仅适用于电机的大批量加工制造，也适用于小批量甚至单台电机的加工制造。
2.本发明利用插值模型和多目标遗传算法相结合，解决了传统电机优化设计方法：田口法，在设计过程中的计算精度不足问题，在面对低维的电机优化设计时，所采用的插值算法：设计的克里金插值模型具有非常高的计算精度。同时，将设计参数进行敏感度分层的策略，大大的减少了计算量，提高了优化程序的效率。
附图说明
图1为本发明实施例内转子永磁电机的拓扑结构
其中：1为外定子，2为转子，3为电枢绕组，4弧形磁障，5为永磁体
图2为本发明实施例具体设计参数结构
其中：高敏感度设计参数为hpm,db2,dr和低敏感度设计参数为db1,de,drb。
图3为本发明步骤四优化结果图
其中：图a中x、y、z三个坐标轴分别对应电机的三个电磁性能：转矩、转矩脉动以及铁耗。除此之外，图b中σ为相应项的标准差，在这里代表相应项的波动大小。
图4为本发明步骤5优化结果图
其中：Δ为电机相应设计参数的波动大小，Pmotor为电机的最终加工成功率。
图5为本发明电机电磁性能与鲁棒性能优化前后对比图
其中：μ和σ为相应性能的数学期望和方差，分别代表了性能本身以及其波动大小。
图6是本发明实施的流程示意图。
表1是样机基本设计规格及需求
表2是步骤5优化的可允许参数波动以及电机加工合格率
表3是实际加工制造公差与优化所允许的加工误差对比
具体实施方式
下面结合附图对本发明作进一步说明。
首先本发明以图1所示的内置式永磁电机作为实施例，图中1为外定子，2为转子，3为电枢绕组，4弧形磁障，5为永磁体，其中定子、转子材料均为硅钢片DW540_50，永磁体材料为AlFeBe。在本实施例中，为了更清楚的解释整个优化过程，将待优化的永磁电机性能需求及其重要初始参数如表1列出。
表1设计样机基本设计规格及性能需求
Figure BDA0003082860500000041
下面介绍具体的实施步骤，如图6所示：
步骤1、设计参数分层：本实施例主要设计参数有六个，包括永磁体厚度hpm,第一层磁障厚度db1,第二层和第三层磁障厚度db2,永磁体到转子外边缘的距离dr,第三层磁障到转子外边缘的距离drb,椭圆形磁障宽度de。根据电机设计参数对各个目标的影响程度，将设计参数划分为高敏感度设计参数hpm,db2,dr和低敏感度设计参数db1,de,drb，如图2所示，其中具体的设计参数对目标的性能敏感度可以由下式计算：
Figure BDA0003082860500000042
其中Si n是第i个设计参数xi对第n个设计目标fn(xi)的敏感度，x0是设计参数xi的初始值，Δxi是设计参数xi的增量步长，定义为设计参数初始值的10％。
其中，低敏感参数的定义为：该参数只对两个以内的目标具有大于设定阈值的敏感度；高敏感参数的定义为：该参数对两个以上的目标具有大于设定阈值的敏感度；如果待评估参数对所有目标的敏感度都低于阈值，则视为不敏感参数，后续优化不予考虑。在本实施例中，高低敏感度区分的阈值为0.03。
步骤2、低敏感度设计参数优化：对低敏感度的设计参数db1,de,drb直接进行有限元参数扫描，获取最优设计点，并且其允许偏差设定为其最优值的10％。通过本步骤优化，三个低敏感度设计参数及其允许的波动范围最终被分别定在了：db1＝1.5±0.15mm,de＝3.0±0.30mm,drb＝3,0±0.30mm。
步骤3、建立高敏感度设计参数与优化目标之间的插值模型：对另外三个高敏度参数hpm,db2,dr进行步长设计，由于电机几何形状的限制，hpm的取值范围为[1mm,3mm],db2的取值范围为[1mm,3.5mm],dr取值范围为[1mm,4.5mm]，为了保证模型的精确性，采点步长设置为0.1mm。形成多组设计参数组合，对所有待优化的性能参数进行仿真采点取样，获得的仿真结果为一个21×26×36的空间。利用插值算法进行数据插值，构建精确的插值模型。本示例中采用了克里金插值模型进行插值。
步骤4、以电机待优化性能以及其波动大小为设计目标，以各个高敏感度设计参数为待优化参数，进行基于非支配排序算法的多目标优化，种群规模设置为3×10，交叉概率为0.9，变异概率为1/6，最大迭代次数为200。在第40代目标已经实现了种群的非支配排序等级全部为1，但是为了保证帕累托前沿更具有种群多样性和代表性，基于所使用的非支配排序算法中拥挤度的概念，实际会采样第200代的数据。本步骤的目的在于寻找这样一个设计参数组合，不仅满足电机的各个性能尽量好，并且在该参数组合下，当参数发生未知波动时，性能的波动要尽量小。具体优化形式如下：
Figure BDA0003082860500000051
其中，Tout为电机输出转矩，kr为转矩脉动，Ploss为电机的铁耗。除此之外，σ为上述三个优化目标Tout，kr，Ploss的标准差，在这里代表相应项的波动大小。
通过步骤4，三个高敏感度设计参数最终被确定为：hpm＝1.5mm,db2＝1.5mm,dr＝1.5mm，具体优化结果如附图3所示，平均转矩Tout为28.59Nm，转矩脉动kr为12.68％，铁心损耗Ploss为19.92W，对应的标准差分别为1.92，0.986％和0.582。
步骤5、在步骤4的基础上，选取综合考虑下的最优目标。选取规则为待优化的目标性能尽量好，并且其波动尽量小。对所选出的电机设计参数组合进行新一轮优化：以电机设计参数允许的误差尽量大和在该误差下电机加工的高成功率为优化目标，同时以电机设计参数允许的误差为设计参数进行优化，目的在于放宽加工允许的误差(以便于加工制造)的同时，尽量提高电机的加工成功率。
根据概率统计理论，电机的一次加工成功率(合格率)为电机各个设计目标都满足设计需求的概率，如下式所示：
Figure BDA0003082860500000061
其中，Pi(i＝1,2,3)为电机相应性能的合格率，
Figure BDA0003082860500000062
的值为P1×P2×....×Pn，本发明中，将以P1×P2×....×Pn作为电机的最终合格率。电机各个性能单独满足设计需求的概率如下式所示：
Figure BDA0003082860500000063
其中，μ和σ为电机转矩，转矩脉动和铁心损耗的标准方差和数学期望，l和h为相应性能的上下限。最后，给出本步骤中的总的多目标优化模型：
Figure BDA0003082860500000064
其中，Δx为电机相应设计参数hpm,db2,dr，的波动大小，Pmotor为电机的最终加工成功率。
在步骤4确定了固定的高敏感度设计参数组合的基础上，步骤5通过对各个参数允许波动范围的多目标优化，尽早考虑到电机一次加工成功率的前提下，尽量的放宽了电机允许的加工误差，最终确立了高敏感设计参数的允许波动范围及在该波动下的电机加工成功率，如表2所示。具体的优化结果如附图4所示，Δhpm,Δdb2,Δdr的值分别确定为0.26mm，0.15mm和0.18mm，电机加工成功率为99.99996％。
表2步骤5优化结果
Figure BDA0003082860500000065
步骤6、根据以上步骤的优化，给出一套考虑到电机加工过程中不确定性的电机加工方案(低敏感度设计参数：db1＝1.5±0.15mm,de＝3.0±0.30mm,drb＝3,0±0.30mm，高敏感度设计参数：hpm＝1.5±0.15mm,db2＝1.5±0.15mm,dr＝1.5±0.15mm，电机加工合格率：Pmotor＝99.999996％)。优化后电机电磁性能与其相应的鲁棒性能分析与电机初始设计的比较如附图5所示。可以看出，电机的转矩平均值从27.28Nm提高到了28.76Nm，同时性能分布的标准差从3.01降低到了1.98；电机的转矩脉动从0.1792减低到了0.1239，同时性能分布的标准差从0.025降低到了0.00982；铁心损耗的平均值从23.67W降低到了19.75W，同时性能分布的标准差从0.802降低到了0.59。
该方案不仅包含了确定的最优设计参数组合，也包括各个最优设计参数所允许的偏差是多少，以及按照该偏差去加工电机，所能确保的电机一次加工成功率是多少。最终通过实际与电机加工厂家联系，取得了实际得加工制造允许的偏差的数据，验证了所优化的参数偏差的可行性与正确性，具体结果如表3所示。
表3实际加工误差与优化设计允许的加工误差对比
Figure BDA0003082860500000071
综上，本发明首次提出一种通过考虑到参数波动对性能的影响进行电机鲁棒性优化的方法，不同于其他传统的鲁棒性优化设计方法，该方法最终得到的不仅仅是一个固定的设计参数的组合，而且还给出了每个设计参数可以发生波动误差的范围是多少，以及当波动误差在给出的范围时，电机加工的一次加工成功率是多少，这是一个逆向思维的过程，其优化设计结果对电机的实际加工过程具有重要的实际指导意义。其中插值方法和多目标遗传算法的结合，有效的提升了优化效率以及全局最优解的搜索能力。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。

Claims (8)

1.一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，其特征在于，包括以下步骤：
步骤1、设计参数分层：将设计参数划分为高敏感度设计参数和低敏感度设计参数；
步骤2、低敏感度设计参数优化：对低敏感度的设计参数直接进行参数扫描，获取最优设计点，将其允许偏差设定为其最优值的10％；
步骤3、建立高敏感度设计参数与目标相应之间的插值模型；
步骤4、以电机待优化性能以及其波动大小为设计目标，以高敏感度设计参数为待优化参数，进行基于非支配排序遗传算法的多目标优化；
步骤5、在步骤4的基础上，对所选出的电机设计参数组合进行再优化，选取最优目标。
2.根据权利要求1所述的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，其特征在于，所述步骤1中，所述高敏感度设计参数包括hpm,db2,dr，低敏感度设计参数包括db1,de,drb；其中具体的设计参数对目标的性能敏感度由下式计算：
Figure FDA0003082860490000011
其中
Figure FDA0003082860490000012
是第i个设计参数xi对第n个设计目标fn(xi)的敏感度，Δxi是设计参数xi的增量步长，定义为设计参数初始值的10％。
3.根据权利要求2所述的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，其特征在于，低敏感参数的定义为：该参数只对两个以内的目标具有大于设定阈值的敏感度；高敏感参数的定义为：该参数对两个以上的目标具有大于设定阈值的敏感度；如果待评估参数对所有目标的敏感度都低于阈值，则视为不敏感参数，后续优化不予考虑。
4.根据权利要求2所述的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，其特征在于，所述步骤2中，对低敏感度的设计参数可以选择不进行优化。
5.根据权利要求2所述的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，其特征在于，所述步骤3中，对三个高敏度参数hpm,db2,dr进行步长设计然后形成多组设计参数组合，对所有待优化的性能进行仿真采点取样，利用插值算法进行数据插值，构建精确的插值模型。
6.根据权利要求5所述的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，其特征在于，所述插值模型采用克里金方法进行插值；具体如下：电机的关键几何参数选点和仿真采点结果分别作为一个离散响应函数的变量值和响应值，并将该响应函数假设为一个高斯随机过程，通过拟合使得该过程的不确定性变得足够小，以获得较为精确的代理模型，所述代理模型的精确性主要受样本数量的影响。
7.根据权利要求2所述的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，其特征在于，所述步骤4的具体过程如下：以电机待优化性能转矩，转矩脉动以及铁心损耗以及这三者对应的标准差为设计目标，以克里金方法获得的代理模型作为计算上述目标的目标函数，以电机的高敏感参数hpm,db2,dr作为优化变量。通过多目标遗传算法计算获得帕累托前沿面，并根据设计要求选取参数hpm,db2,dr的确定值；
优化形式如下：
Figure FDA0003082860490000021
其中，Tout为电机输出转矩，kr为转矩脉动，Ploss为电机的铁耗，σ为相应项的标准差，代表相应项的波动大小。
8.根据权利要求2所述的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，其特征在于，所述步骤5，以电机设计参数允许的误差尽量大和在该误差下电机加工的成功率尽量高为优化目标，同时以电机设计参数允许的误差为设计参数进行优化，具体如下：
根据概率统计理论，电机的一次加工成功率(合格率)为电机各个设计目标都满足设计需求的概率，如下式所示：
Figure FDA0003082860490000031
其中，Pi(i＝1,2,3)为电机相应性能的合格率，
Figure FDA0003082860490000032
的值为P1×P2×....×Pn；本发明中，将以P1×P2×....×Pn作为电机的最终合格率；
电机各个性能单独满足设计需求的概率如下式所示：
Figure FDA0003082860490000033
其中，μ和σ为电机相应性能的标准方差和数学期望，l和h为相应性能的上下限；
设计多目标优化模型：
Figure FDA0003082860490000034
其中，Δx为电机相应设计参数的波动大小，Pmotor为电机的最终加工成功率。
CN202110571845.6A 2021-05-25 2021-05-25 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 Pending CN113420386A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110571845.6A CN113420386A (zh) 2021-05-25 2021-05-25 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110571845.6A CN113420386A (zh) 2021-05-25 2021-05-25 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

Publications (1)

Publication Number Publication Date
CN113420386A true CN113420386A (zh) 2021-09-21

Family

ID=77713023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110571845.6A Pending CN113420386A (zh) 2021-05-25 2021-05-25 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

Country Status (1)

Country Link
CN (1) CN113420386A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116205113A (zh) * 2023-04-18 2023-06-02 合肥工业大学 一种永磁同步直线电机稳健性优化方法及系统
WO2023115760A1 (zh) * 2021-12-20 2023-06-29 东南大学 基于局部代理模型的电机多目标鲁棒性优化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867083A (zh) * 2012-08-30 2013-01-09 浙江大学 考虑不确定性的压力机滑块机构高刚度轻量化设计方法
CN109245449A (zh) * 2018-11-12 2019-01-18 南京工程学院 一种轴向分相磁悬浮开关磁阻飞轮电机的优化设计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867083A (zh) * 2012-08-30 2013-01-09 浙江大学 考虑不确定性的压力机滑块机构高刚度轻量化设计方法
CN109245449A (zh) * 2018-11-12 2019-01-18 南京工程学院 一种轴向分相磁悬浮开关磁阻飞轮电机的优化设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOYONG ZHU等: "Robust-Oriented Optimization Design for Permanent Magnet Motors Considering Parameter Fluctuation", IEEE TRANSACTIONS ON ENERGY CONVERSION, pages 1 - 10 *
宋受俊;葛乐飞;张蔓;: "开关磁阻电机多目标协同优化设计", 电机与控制学报, no. 01 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023115760A1 (zh) * 2021-12-20 2023-06-29 东南大学 基于局部代理模型的电机多目标鲁棒性优化方法
CN116205113A (zh) * 2023-04-18 2023-06-02 合肥工业大学 一种永磁同步直线电机稳健性优化方法及系统

Similar Documents

Publication Publication Date Title
Diao et al. Multiobjective system level optimization method for switched reluctance motor drive systems using finite-element model
Sun et al. Multiobjective design optimization of an IPMSM for EVs based on fuzzy method and sequential Taguchi method
CN109245449B (zh) 一种轴向分相磁悬浮开关磁阻飞轮电机的优化设计方法
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
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
CN101567617B (zh) 一种圆筒型直线电机结构参数优化设计方法
Diao et al. Robust design optimization of switched reluctance motor drive systems based on system-level sequential Taguchi method
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
CN106777442A (zh) 一种永磁无刷直流电机齿槽转矩优化设计方法
CN110022111A (zh) 车用电力驱动系统中永磁电机的全工况效率优化方法
Liu et al. Multiobjective deterministic and robust optimization design of a new spoke-type permanent magnet machine for the improvement of torque performance
CN110390157B (zh) 一种基于田口方法的双凸极混合励磁发电机优化设计方法
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
Diao et al. Robust-oriented optimization of switched reluctance motors considering manufacturing fluctuation
Wu et al. Robust optimization of a rare-earth-reduced high-torque-density Pm motor for electric vehicles based on parameter sensitivity region
Mahmouditabar et al. Robust Design of BLDC Motor Considering Driving Cycle
Wang et al. Cuckoo search algorithm for multi-objective optimization of transient starting characteristics of a self-starting HVPMSM
CN114329809A (zh) 一种电励磁双凸极磁阻电机的优化建模方法和系统
CN108736773B (zh) 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
CN113434958B (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
Shao et al. Design and optimisation of energy‐efficient PM‐assisted synchronous reluctance machines for electric vehicles
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
CN113408160B (zh) 一种基于多目标优化的电机参数设计方法
CN113177341B (zh) 基于kriging近似模型的磁悬浮飞轮电机多目标优化设计方法
Nobahari et al. Optimal Shaping of Non-Conventional Permanent Magnet Geometries for Synchronous Motors via Surrogate Modeling and Multi-Objective Optimization Approach.

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