CN114253157A - 一种基于二阶灵敏度分析的电机多参数优化方法和系统 - Google Patents
一种基于二阶灵敏度分析的电机多参数优化方法和系统 Download PDFInfo
- Publication number
- CN114253157A CN114253157A CN202111574313.4A CN202111574313A CN114253157A CN 114253157 A CN114253157 A CN 114253157A CN 202111574313 A CN202111574313 A CN 202111574313A CN 114253157 A CN114253157 A CN 114253157A
- Authority
- CN
- China
- Prior art keywords
- motor
- parameter
- parameters
- analysis
- finite element
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010206 sensitivity analysis Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 230000035945 sensitivity Effects 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 230000003993 interaction Effects 0.000 claims abstract description 21
- 230000009471 action Effects 0.000 claims abstract description 11
- 238000013461 design Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 230000004044 response Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于二阶灵敏度分析的电机多参数优化方法和系统,属于电机本体优化技术领域。本发明基于参数二阶灵敏度系数构造出新的参数变量在保留原有参数特征情况下可以有效进行参数降维,极大减少了高精度训练神经网络所需的样本数,节省了电机优化过程中的时间成本。本发明通过正交设计和神经网络的方法构建进行Sobol灵敏度分析时的电机有限元模型的代理模型,避免了建立复杂的电机解析模型。本发明通过Sobol法和神经网络进行参数全局灵敏度分析,可以快速获得收敛后的方差分析结果,同时综合分析输入参数变量的单独作用及变量间交互作用对输出性能的影响,对于参数相对电机性能的影响比重分析更为精确。
Description
技术领域
本发明属于电机本体优化技术领域,更具体地,涉及一种基于二阶灵敏度分析的电机多参数优化方法和系统。
背景技术
伴随着电力电子技术的高速发展,电机的需求及应用日益增多,广泛应用于电力、交通、冶金、机械、船舶等各个领域。作为工业的心脏,工业化进程的推进进一步推动了电机行业的发展,同时也对电机的性能提出了更高的要求:高速、高效率、高转矩密度、低转矩脉动等等。更高的电机性能要求及更多的应用场合也使得电机结构愈加复杂,如何综合统筹电机各参数变量并且快速精确地对电机进行优化设计以获得需要的电机性能是电机设计者面临的一个重要问题。
电机的结构变量包括定转子尺寸、定子槽型尺寸、转子磁障形状和永磁体特性等诸多设计参数,这些参数之间往往还存在耦合和相互作用的影响,难以建立精确的数学方程,这导致对各参数进行逐一优化时不能得到电机最优的设计性能。基于磁路法的解析计算难以考虑定转子饱和及定子开槽的影响,其计算精度有限。有限元可以获得很高的精度但是计算很慢,如果同时对多参数进行优化,电机仿真方案次数将随结构参数增多呈指数性增涨,电机的优化将极为耗时,同时这种方法只能基于水平数在参数的离散空间内进行寻优,难以获得电机性能全局最优解。
公开号为《CN111695254A》的专利提出了一种双响应面和Taguchi法结合的永磁同步电机优化算法,其利用响应面法建立了三个优化参数与优化目标的等效模型,然后通过Taguchi法计算参数与目标性能的影响大小对响应面模型进行修正,根据修正后的模型求取电机的最优性能。
基于响应面来拟合电机参数和性能的函数关系,由于响应面法采用多元二次回归的原理来构建函数关系,结构相对简单,处理非线性较强的问题时拟合效果较差,并且由于建立响应面模型需要的样本数随参数变量的增加而平方变化,处理多参数优化问题时效率极低。
因此,需要提出一种能够大幅减少电机多参数优化时间且能在参数连续空间取值的优化方法。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于二阶灵敏度分析的电机多参数优化方法和系统,其目的在于综合考虑各参数变量耦合影响,有效减少电机优化计算和时间成本,且能够在参数波动范围内获得全局最优解。
为实现上述目的,本发明提供了一种基于二阶灵敏度分析的电机多参数优化方法,包括:
S1.选择电机待优化参数集{x1,x2,...,xn},并构建电机有限元仿真模型的代理模型;所述代理模型的预测值和实际值具有强线性相关性;
S2.利用Sobol法和代理模型对电机的目标性能进行方差分析,得到收敛后的参数单独作用方差和参数间相互作用方差;
S3.基于参数单独作用的方差和参数间相互作用的方差,计算参数的一阶灵敏度系数、二阶灵敏度系数和总灵敏度系数;
S4.根据参数的总灵敏度系数筛选出对目标性能影响较大的参数变量集{x1,x2,...,xm},m<n;
S5.根据一阶灵敏度系数和二阶灵敏度系数寻找交互作用强的两个参数,将其重构为新的参数,并将重构出的参数和剩余的原有参数组成新的参数变量集为{x1,x2,...,xk};其中,重构出的参数有(m-k)个,剩余的原有参数有(2k-m)个,k<m;
其中,重构出的参数能够表征其原始参数的单独影响和交互作用的影响并区分其影响大小;
S6.利用新的参数变量集{x1,x2,...,xk}和电机性能训练神经网络,获得有限元仿真模型新的代理模型;所述新的代理模型预测值与实际有限元仿真值基本一致;
S7.利用新的代理模型进行电机多目标优化获得帕累托前沿,进而得到电机最优性能。
进一步地,步骤S1具体包括,
S1.1.建立电机的有限元参数化仿真模型,根据电机的目标性能进行电机的初步设计,选择待优化的电机参数{x1,x2,...,xn}并确定其优化范围,基于正交设计法选择合适的正交表;
S1.2.基于选择的正交表进行有限元分析得到相应的性能指标,将正交表中的参数值作为输入,电机的性能指标作为输出来训练神经网络,得到有限元仿真的代理模型;
S1.3.采用PSO算法和CV的方式调整神经网络超参数优化神经网络结构,使代理模型的预测值和实际值具有强线性相关性。
进一步地,参数的一阶灵敏度系数Si为,
Si=Di/D
Di为第i个变量单独作用的方差,D为电机性能的总方差;
参数的二阶灵敏度系数Sij为,
Sij=Dij/D
Dij为第i个和第j个变量相互作用的方差。
参数的总阶灵敏度系数TSi为,
TSi=1-D~i/D
D~i为除去第i个变量外的方差。
进一步地,将交互作用强的两个参数重构为新的参数具体方式为,
xnew=Sixi+Sjxj+Sijxixj
xnew为重构出的参数,xi,xj分别为交互作用强的两个参数。
进一步地,步骤S6具体包括,
S6.1.对参数变量集{x1,x2,...,xm}进行采样,并进行有限元分析;
S6.2.对参数变量集{x1,x2,...,xm}进行采样,并进行有限元分析将新的参数变量集为{x1,x2,...,xk}作为神经网络的样本输入,将有限元分析得到的电机性能作为样本输出训练神经网络,得到有限元仿真模型新的代理模型;
S6.3.通过PSO算法和CV的方式优化神经网络超参数,使得新的代理模型预测值与实际有限元仿真值基本一致。
进一步地,步骤S7具体包括,
S7.1.结合NSGA-Ⅱ算法和新的代理模型进行电机性能参数的多目标优化,基于目标性能的非支配解集构建帕累托前沿以及相应的最优参数集;
S7.2.基于模糊集合理论计算帕累托前沿中最优结果的支配值,选择支配值最高的个体作为优化结果的最终方案;对每一个非支配解集,支配值定义为:
其中,M为电机目标性能个数,N为帕累托前沿中非支配解集数,uij为第j个解中第i个性能值归一化后的值;
fmaxi和fmaxi分别是帕累托前沿中第i个性能的最大值和最小值,fij为第j个解集中第i个性能值;
S7.3.根据优化结果的最终方案得到电机最优性能及对应的参数变量组合。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果。
(1)本发明基于参数二阶灵敏度系数构造出新的参数变量在保留原有参数特征情况下可以有效进行参数降维,极大减少了高精度训练神经网络所需的样本数,节省了电机优化过程中的时间成本。
(2)本发明通过正交设计和神经网络的方法构建进行Sobol灵敏度分析时的电机有限元模型的代理模型,避免了建立复杂的电机解析模型。
(3)本发明通过Sobol法和神经网络进行参数全局灵敏度分析,可以快速获得收敛后的方差分析结果,同时综合分析输入参数变量的单独作用及变量间交互作用对输出性能的影响,对于参数相对电机性能的影响比重分析更为精确。
(4)本发明采用高精度神经网络模型代替了有限元仿真,极大缩短了电机分析计算所需的时间,可以在参数变化范围内进行连续取值求解,同时结合智能优化算法对电机性能快速寻优进一步缩短了电机的多目标优化需要的时间。
附图说明
图1是本发明提供的基于二阶灵敏度分析的电机多参数优化方法流程图;
图2电机的横截面图;
图3是神经网络预测值和实际值对比;
图4参数变量对综合性能的一阶和总灵敏度系数分布。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
参考图1本发明提供的基于二阶灵敏度分析的电机多参数优化方法包括:
S1.选择电机待优化参数集{x1,x2,...,xn},并构建电机有限元仿真模型的代理模型;所述代理模型的预测值和实际值具有强线性相关性;
具体地,建立电机的有限元参数化仿真模型,根据电机的目标性能进行电机的初步设计,选择待优化的电机参数{x1,x2,...,xn}并确定其优化范围,基于正交设计法选择合适的正交表;
基于选择的正交表进行有限元分析得到相应的性能指标,将正交表中的参数值作为输入,电机的性能指标作为输出来训练神经网络作为有限元仿真的代理模型;
采用PSO算法和CV的方式调整神经网络超参数优化神经网络结构,使代理模型的预测值和实际值具有强线性相关性,线性相关度可以通过皮尔逊相关系数来反映:
根据统计学规律,两个变量强线性相关要求在样本数大于30下两变量相关系数大于0.8。
S2.利用Sobol法和代理模型对电机的目标性能进行方差分析,得到参数单独作用的方差和参数间相互作用的方差;
具体地,采用Sobol法构建参数变量集的Sobol序列,输入到训练好的神经网络获得电机的目标性能并进行方差分析,在分析结果收敛后将方差分解为参数单独作用的方差和参数间相互作用的方差:
其中,Di为第i个变量单独作用的方差,k为变量总数,Dij为第ij个变量相互作用的方差,D为电机性能的总方差。
S3.基于参数单独作用的方差和参数间相互作用的方差,计算参数的一阶灵敏度系数、二阶灵敏度系数和总灵敏度系数;
具体地,Si=Di/D为变量i的一阶灵敏度系数,表示变量i对输出的单独影响;Sij=Dij/D为二阶灵敏度系数,表示变量i和j的交叉影响。TSi=1-D~i/D为总阶灵敏度系数,表示变量i对输出的总影响,D~i为除去第i个变量外的方差。S4.根据参数的总灵敏度系数筛选出对目标性能影响较大的参数变量集{x1,x2,...,xm},m<n;
S5.根据一阶灵敏度系数和二阶灵敏度系数寻找交互作用强的两个参数,将其重构为新的参数,并将重构出的参数和剩余的原有参数组成新的参数变量集为{x1,x2,...,xk};其中,重构出的参数有(m-k)个,剩余的原有参数有(2k-m)个,k<m;
具体地,重构出的参数为:
xnew=Sixi+Sjxj+Sijxixj
其中,xnew为重构出的参数,xi,xj分别为交互作用强的两个参数,
本发明中重构出的参数采用原始两个参数的一阶灵敏度和二阶灵敏度值作为各参数变量的系数,能够有效表征原始两个参数对新参数的影响权重,在保留原始参数特征情况下进行了参数的降维处理。
S6.利用新的参数变量集{x1,x2,...,xk}和电机性能训练神经网络,获得有限元仿真模型新的代理模型;所述新的代理模型预测值与实际有限元仿真值基本一致;
具体地,通过最优拉丁超立方采样法对参数变量集{x1,x2,...,xm}进行采样,并进行有限元分析,将新的参数变量集为{x1,x2,...,xk}作为神经网络的样本输入,有限元分析的电机性能作为样本输出训练神经网络,通过PSO算法和CV的方式优化神经网络超参数,使得神经网络预测值与实际有限元仿真值基本一致;一般要求神经网络预测值与实际有限元仿真值的决定系数至少大于0.95。
S7.利用新的代理模型进行电机多目标优化获得帕累托前沿,进而得到电机最优性能。
具体地,结合NSGA-Ⅱ(Non-dominated sorting genetic algorithms withelite strategy)算法和神经网络代理模型进行电机性能参数的多目标优化,基于目标性能的非支配解集构建帕累托前沿以及相应的最优参数集;
基于模糊集合理论计算帕累托前沿中最优结果的支配值,选择支配值最高的个体作为优化结果的最终方案;
其中,fmaxi和fmaxi分别是帕累托前沿中第i个性能的最大值和最小值,fij为第j个解集中第i个性能值;对每一个非支配解集,支配值定义为
其中,M为电机目标性能个数,N为帕累托前沿中非支配解集数。
根据优化结果的最终方案得到对应的参数变量组合。
下面结合附图详细说明本发明的具体实施方式:
首先对一个4极36槽3层磁障结构的永磁辅助同步磁阻电机进行初步设计,电机横截面如图2所示,待优化的参数及变化范围如表1所示,按照表中参数顺序分别将其列为x1,x2,...,x12。
表1
根据选择的待优化参数建立L128(128)的正交表,利用Maxwell进行有限元仿真,计算出不同组参数下电机的效率和转矩脉动,选择电机更高的效率和更低的转矩脉动作为待优化的性能指标。
将待优化参数和性能指标作为RBF神经网络的输入和输出样本,K折交叉验证的方式将样本数分为4组,选择其中96组数据来训练神经网络,32组数据用来进行对照,并结合PSO算法对RBF神经网络的超参数SPREAD进行优化以提高神经网络的预测精度。电机性能的预测值和实际值如图3所示。
根据建立好的神经网络模型采用Sobol进行参数灵敏度分析,其一阶灵敏度系数和总灵敏度系数如图4所示,二阶灵敏度系数如表2所示。根据图4中的总灵敏度系数,选择变量x2、x3、x4、x5、x8、x9、x12作为后续优化参数。结合一阶和二阶灵敏度系数值,可以将(x4、x8)两个变量构造成一个新的变量:
x45=0.08x4+0.38x5+0.1164x4x8
表2
根据选择的7个变量参数,采用拉丁超立方采样获取采样集,结合电机有限元分析获得每组采样对应的电机效率和转矩脉动,将变量参数重构后作为新的RBF神经网络输入,电机效率和转矩脉动作为输出训练RBF神经网络,同样采用K折交叉验证和PSO算法优化超参数提高网络的预测性能。
利用神经网络模型,通过NSGA-Ⅱ算法进行电机的多目标优化,选择100组目标性能的非支配解集构成帕累托前沿。然后根据模糊集合理论计算每一个非支配解集的支配值,选择支配值最大的性能作为最优方案。根据选择的优化的最终方案反解出对应的参数变量解。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于二阶灵敏度分析的电机多参数优化方法,其特征在于,包括:
S1.选择电机待优化参数集{x1,x2,...,xn},并构建电机有限元仿真模型的代理模型;所述代理模型的预测值和实际值具有强线性相关性;
S2.利用Sobol法和代理模型对电机的目标性能进行方差分析,得到收敛后的参数单独作用方差和参数间相互作用方差;
S3.基于参数单独作用的方差和参数间相互作用的方差,计算参数的一阶灵敏度系数、二阶灵敏度系数和总灵敏度系数;
S4.根据参数的总灵敏度系数筛选出对目标性能影响较大的参数变量集{x1,x2,...,xm},m<n;
S5.根据一阶灵敏度系数和二阶灵敏度系数寻找交互作用强的两个参数,将其重构为新的参数,并将重构出的参数和剩余的原有参数组成新的参数变量集为{x1,x2,...,xk};其中,重构出的参数有(m-k)个,剩余的原有参数有(2k-m)个,k<m;
其中,重构出的参数能够表征其原始参数的单独影响和交互作用的影响并区分其影响大小;
S6.利用新的参数变量集{x1,x2,...,xk}和电机性能训练神经网络,获得有限元仿真模型新的代理模型;所述新的代理模型预测值与实际有限元仿真值基本一致;
S7.利用新的代理模型进行电机多目标优化获得帕累托前沿,进而得到电机最优性能。
2.根据权利要求1所述的一种基于二阶灵敏度分析的电机多参数优化方法,其特征在于,步骤S1具体包括,
S1.1.建立电机的有限元参数化仿真模型,根据电机的目标性能进行电机的初步设计,选择待优化的电机参数{x1,x2,...,xn}并确定其优化范围,基于正交设计法选择合适的正交表;
S1.2.基于选择的正交表进行有限元分析得到相应的性能指标,将正交表中的参数值作为输入,电机的性能指标作为输出来训练神经网络,得到有限元仿真的代理模型;
S1.3.采用PSO算法和CV的方式调整神经网络超参数优化神经网络结构,使代理模型的预测值和实际值具有强线性相关性。
3.根据权利要求1所述的一种基于二阶灵敏度分析的电机多参数优化方法,其特征在于,参数的一阶灵敏度系数Si为,
Si=Di/D
Di为第i个变量单独作用的方差,D为电机性能的总方差;
参数的二阶灵敏度系数Sij为,
Sij=Dij/D
Dij为第i个和第j个变量相互作用的方差。
参数的总阶灵敏度系数TSi为,
TSi=1-D~i/D
D~i为除去第i个变量外的方差。
4.根据权利要求1所述的一种基于二阶灵敏度分析的电机多参数优化方法,其特征在于,将交互作用强的两个参数重构为新的参数具体方式为,
xnew=Sixi+Sjxj+Sijxixj
xnew为重构出的参数,xi,xj分别为交互作用强的两个参数。
5.根据权利要求1所述的一种基于二阶灵敏度分析的电机多参数优化方法,其特征在于,步骤S6具体包括,
S6.1.对参数变量集{x1,x2,...,xm}进行采样,并进行有限元分析;
S6.2.对参数变量集{x1,x2,...,xm}进行采样,并进行有限元分析将新的参数变量集为{x1,x2,...,xk}作为神经网络的样本输入,将有限元分析得到的电机性能作为样本输出训练神经网络,得到有限元仿真模型新的代理模型;
S6.3.通过PSO算法和CV的方式优化神经网络超参数,使得新的代理模型预测值与实际有限元仿真值基本一致。
6.根据权利要求1所述的一种基于二阶灵敏度分析的电机多参数优化方法,其特征在于,步骤S7具体包括,
S7.1.结合NSGA-Ⅱ算法和新的代理模型进行电机性能参数的多目标优化,基于目标性能的非支配解集构建帕累托前沿以及相应的最优参数集;
S7.2.基于模糊集合理论计算帕累托前沿中最优结果的支配值,选择支配值最高的个体作为优化结果的最终方案;对每一个非支配解集,支配值定义为:
其中,M为电机目标性能个数,N为帕累托前沿中非支配解集数,uij为第j个解中第i个性能值归一化后的值;
fmaxi和fmaxi分别是帕累托前沿中第i个性能的最大值和最小值,fij为第j个解集中第i个性能值;
S7.3.根据优化结果的最终方案得到电机最优性能及对应的参数变量组合。
7.一种基于二阶灵敏度分析的电机多参数优化系统,其特征在于,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行权利要求1至6任一项所述的基于二阶灵敏度分析的电机多参数优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111574313.4A CN114253157B (zh) | 2021-12-21 | 2021-12-21 | 一种基于二阶灵敏度分析的电机多参数优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111574313.4A CN114253157B (zh) | 2021-12-21 | 2021-12-21 | 一种基于二阶灵敏度分析的电机多参数优化方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114253157A true CN114253157A (zh) | 2022-03-29 |
CN114253157B CN114253157B (zh) | 2024-05-14 |
Family
ID=80793903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111574313.4A Active CN114253157B (zh) | 2021-12-21 | 2021-12-21 | 一种基于二阶灵敏度分析的电机多参数优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114253157B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116361944A (zh) * | 2023-03-09 | 2023-06-30 | 之江实验室 | 异步电机公差敏感度的分析方法及其装置及计算机可读存储介质 |
CN116383912A (zh) * | 2023-06-02 | 2023-07-04 | 深蓝(天津)智能制造有限责任公司 | 一种提高控制精度的微型电机结构优化方法及系统 |
CN117494557A (zh) * | 2023-10-31 | 2024-02-02 | 广东省东莞电机有限公司 | 一种高效电机、电机转子冲片参数优化方法及系统 |
CN117709167A (zh) * | 2024-02-02 | 2024-03-15 | 山西省机电设计研究院有限公司 | 基于有限元模型的电机设计优化方法、存储介质及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999007543A1 (fr) * | 1997-08-08 | 1999-02-18 | Bridgestone Corporation | Methode de conception de pneumatique, module analyseur d'optimisation et support de memorisation sur lequel est enregistre le programme d'analyse d'optimisation |
CN102790389A (zh) * | 2012-07-27 | 2012-11-21 | 中国电力科学研究院 | 一种暂态稳定裕度概率分布的计算方法 |
CN111695254A (zh) * | 2020-06-09 | 2020-09-22 | 哈尔滨理工大学 | 一种基于双响应曲面法和Taguchi法的永磁同步电机多目标优化方法 |
CN111985064A (zh) * | 2020-08-31 | 2020-11-24 | 华中科技大学 | 一种永磁电机的代理辅助优化设计方法及系统 |
CN112394508A (zh) * | 2020-11-30 | 2021-02-23 | 中国科学院光电技术研究所 | 一种基于二阶灵敏度矩阵法的装调方法 |
CN113065268A (zh) * | 2021-03-30 | 2021-07-02 | 中国科学院光电技术研究所 | 一种基于代理模型快速多目标空间反射镜优化设计方法 |
-
2021
- 2021-12-21 CN CN202111574313.4A patent/CN114253157B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999007543A1 (fr) * | 1997-08-08 | 1999-02-18 | Bridgestone Corporation | Methode de conception de pneumatique, module analyseur d'optimisation et support de memorisation sur lequel est enregistre le programme d'analyse d'optimisation |
CN102790389A (zh) * | 2012-07-27 | 2012-11-21 | 中国电力科学研究院 | 一种暂态稳定裕度概率分布的计算方法 |
CN111695254A (zh) * | 2020-06-09 | 2020-09-22 | 哈尔滨理工大学 | 一种基于双响应曲面法和Taguchi法的永磁同步电机多目标优化方法 |
CN111985064A (zh) * | 2020-08-31 | 2020-11-24 | 华中科技大学 | 一种永磁电机的代理辅助优化设计方法及系统 |
CN112394508A (zh) * | 2020-11-30 | 2021-02-23 | 中国科学院光电技术研究所 | 一种基于二阶灵敏度矩阵法的装调方法 |
CN113065268A (zh) * | 2021-03-30 | 2021-07-02 | 中国科学院光电技术研究所 | 一种基于代理模型快速多目标空间反射镜优化设计方法 |
Non-Patent Citations (1)
Title |
---|
于兰峰;王金诺;: "基于遗传算法和神经网络的塔机结构动态优化设计", 中国机械工程, no. 01, 10 January 2008 (2008-01-10) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116361944A (zh) * | 2023-03-09 | 2023-06-30 | 之江实验室 | 异步电机公差敏感度的分析方法及其装置及计算机可读存储介质 |
CN116361944B (zh) * | 2023-03-09 | 2024-05-03 | 之江实验室 | 异步电机公差敏感度的分析方法及其装置及计算机可读存储介质 |
CN116383912A (zh) * | 2023-06-02 | 2023-07-04 | 深蓝(天津)智能制造有限责任公司 | 一种提高控制精度的微型电机结构优化方法及系统 |
CN116383912B (zh) * | 2023-06-02 | 2023-08-11 | 深蓝(天津)智能制造有限责任公司 | 一种提高控制精度的微型电机结构优化方法及系统 |
CN117494557A (zh) * | 2023-10-31 | 2024-02-02 | 广东省东莞电机有限公司 | 一种高效电机、电机转子冲片参数优化方法及系统 |
CN117494557B (zh) * | 2023-10-31 | 2024-06-04 | 广东省东莞电机有限公司 | 一种高效电机、电机转子冲片参数优化方法及系统 |
CN117709167A (zh) * | 2024-02-02 | 2024-03-15 | 山西省机电设计研究院有限公司 | 基于有限元模型的电机设计优化方法、存储介质及设备 |
CN117709167B (zh) * | 2024-02-02 | 2024-04-19 | 山西省机电设计研究院有限公司 | 基于有限元模型的电机设计优化方法、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114253157B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114253157A (zh) | 一种基于二阶灵敏度分析的电机多参数优化方法和系统 | |
Aguila-Camacho et al. | Fractional adaptive control for an automatic voltage regulator | |
Yang et al. | An adaptive quadratic interpolation and rounding mechanism sine cosine algorithm with application to constrained engineering optimization problems | |
JP6832475B1 (ja) | ランダムアイソジオメトリック解析に基づくブレードの高剛性の設計方法 | |
CN106777442A (zh) | 一种永磁无刷直流电机齿槽转矩优化设计方法 | |
Grimaccia et al. | Design of tubular permanent magnet generators for vehicle energy harvesting by means of social network optimization | |
CN111985064A (zh) | 一种永磁电机的代理辅助优化设计方法及系统 | |
Gao et al. | Forecasting annual natural gas consumption via the application of a novel hybrid model | |
Lin et al. | Parameters optimization of GM (1, 1) model based on artificial fish swarm algorithm | |
Brisset et al. | Approaches for multi-objective optimization in the ecodesign of electric systems | |
Cramer et al. | Validation methods for energy time series scenarios from deep generative models | |
CN117200208B (zh) | 基于多尺度分量特征学习的用户级短期负荷预测方法及系统 | |
Li et al. | A remaining useful life prediction method considering the dimension optimization and the iterative speed | |
CN117477544A (zh) | 融合时间模式特征的lstm超短期光伏功率预测方法及系统 | |
Selvan | On the effect of shape parameterization on aerofoil shape optimization | |
Su et al. | A combined model based on secondary decomposition technique and grey wolf optimizer for short-term wind power forecasting | |
Yin et al. | Multi-step Prediction Algorithm of Traffic Flow Chaotic Time Series Based on Volterra Neural Network. | |
Yu et al. | Analysis and Application of the Spatio-Temporal Feature in Wind Power Prediction. | |
CN114925620A (zh) | 一种基于集成学习算法的短期风电功率预测方法及系统 | |
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 | |
Venkata Rao et al. | Applications of jaya algorithm and its modified versions to different disciplines of engineering and sciences | |
Mancini | New perspectives on the Ising model | |
Li et al. | Smoothed deep neural networks for marine sensor data prediction | |
Chi et al. | Multidisciplinary optimization of electromagnetic linear actuators for direct-drive systems with a combination of static and dynamic performance | |
Augustin et al. | An accuracy comparison of polynomial chaos type methods for the propagation of uncertainties |
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 |