CN115577599A - 一种基于组件法的电机拓扑优化方法 - Google Patents

一种基于组件法的电机拓扑优化方法 Download PDF

Info

Publication number
CN115577599A
CN115577599A CN202211440378.4A CN202211440378A CN115577599A CN 115577599 A CN115577599 A CN 115577599A CN 202211440378 A CN202211440378 A CN 202211440378A CN 115577599 A CN115577599 A CN 115577599A
Authority
CN
China
Prior art keywords
motor
component
topology
optimized
function
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
Application number
CN202211440378.4A
Other languages
English (en)
Other versions
CN115577599B (zh
Inventor
蔡海维
赵皓
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202211440378.4A priority Critical patent/CN115577599B/zh
Publication of CN115577599A publication Critical patent/CN115577599A/zh
Application granted granted Critical
Publication of CN115577599B publication Critical patent/CN115577599B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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]

Landscapes

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

Abstract

本发明公开一种基于组件法的电机拓扑优化方法，该优化方法包括如下步骤：S1、确定表示电机拓扑的组件数量m，组件的形状用函数表示，每个函数均有一个或多个变量；S2、根据所有组件的形状确定电机的拓扑结构；S3、根据设计要求选择需要优化的目标，使用智能优化算法对组件的参数进行优化，从而改变电机的拓扑结构，得到优化后新的组件参数；S4、根据优化后新的组件参数确定组件的形状，从而确定电机拓扑，判断是否满足设计要求，若满足，则设计完成；否则返回步骤S1。本发明能够在减少人为干预的前提下，实现高性能电机的自动化设计。

Description

一种基于组件法的电机拓扑优化方法
技术领域
本发明涉及一种电机拓扑优化的设计方法，属于电机优化设计的技术领域。
背景技术
随着现代工业的不断革新与快速发展，电机作为常用的机电能量转换设备遍布在国民经济的各个领域。随着对电机性能要求的不断提高，以前的拓扑结构难以满足要求。因此，急需在拓扑结构上的创新来满足对电机日益增加的性能需求。
目前，对电机拓扑的优化主要为对一些新的拓扑结构进行参数化，再使用智能算法对其进行优化。这样的方法存在三个主要问题：首先，想要研究出新型拓扑结构，这对研究人员的要求极高，并且会耗费大量时间进行实验仿真。其次，新的拓扑结构虽然能够满足电机对性能的要求，但其结构十分复杂，很难抽象出参数来表示其拓扑结构。最后，即使能够使用一些参数表示其形状，优化的结果也受限于初始结构，难以产生新的结构形状。这意味着在优化过程中难以从局部最优解跳出，进入全局最优解。
综上，现有技术未能实现不依赖现有结构、设计出具有高性能电机的目标，本发明提出了一种使用函数表示电机形状，通过智能算法优化材料分布来实现拓扑结构的自由演变的方法。
发明内容
技术问题：本发明的目的是针对上述背景技术的不足，提供一种基于组件法的电机拓扑优化方法，通过改变每一个组件的函数参数来改变材料的边界，从而提升电机性能，解决现有电机设计与优化过程中对从业人员要求高和依赖原有拓扑结构的问题。
技术方案：本发明的一种基于组件法的电机拓扑优化方法把电机的拓扑结构看作是不同形状材料组件的组合，用函数参数表示每种组件的形状，再通过优化方法优化表示组件函数的参数，从而优化电机的拓扑结构，达到优化电机性能的目标。
该方法具体包括如下步骤：
S1、 确定表示电机拓扑的组件数量m，组件的形状用函数表示，每个函数均有一个或多个变量作为组件参数；
S2、根据所有组件的形状确定电机的拓扑结构；
S3、根据设计要求选择需要优化的目标，使用智能优化算法对组件参数进行优化，从而改变电机的拓扑结构，得到优化后新的组件参数；
S4、根据优化后新的组件参数确定组件的形状，从而确定电机拓扑，使用有限元法计算该种拓扑的电机的性能，判断性能是否满足设计要求，若满足，则设计完成；否则返回步骤S1。
所述的m个组件，每一个组件都对应电机中的一种材料。
所述的材料为硅钢片、永磁体或空气。
所述组件的形状用函数表示；分别为表示矩形、圆形简单几何形状的函数，或为多个这类简单函数组合而成的复合函数。
所述的函数用水平集的方式表示，定义函数
Figure 697475DEST_PATH_IMAGE001
，令
Figure 74229DEST_PATH_IMAGE002
时对应的曲线为组件的边界，
Figure 678386DEST_PATH_IMAGE003
对应的区域为组件的内部，
Figure 724970DEST_PATH_IMAGE004
对应的区域为组件的外部。
所述根据设计要求选择需要优化的目标，是根据具体的工程实际需求选择一个或多个优化目标，将拓扑优化问题建模成单目标或多目标优化问题，用以下数学表达式表示：
Figure 289944DEST_PATH_IMAGE005
Figure 329444DEST_PATH_IMAGE006
其中x为q维向量，y为需要最小化的一组目标函数，
Figure 663474DEST_PATH_IMAGE007
为每一个目标函数，n为目标函数的个数，
Figure 146539DEST_PATH_IMAGE008
为限制参数x的不等式约束条件，d为不等式约束的个数，
Figure 57863DEST_PATH_IMAGE009
为限制参数x的等式约束条件，k为等式约束的个数。
所述需要优化的目标包括平均转矩、转矩波动、效率和成本；对于转矩波动、成本需要最小化的目标，
Figure 776420DEST_PATH_IMAGE007
为其本身；对于平均转矩、效率需要最大化的目标，
Figure 105901DEST_PATH_IMAGE007
为其倒数；对于转矩、效率这些和电机电磁性能相关的目标，使用有限元法计算电机的性能；对于成本只和电机的材料使用情况有关的目标，直接根据电机拓扑确定材料的使用情况，直接计算得到。
所述需要优化的目标为多目标优化问题时，根据函数参数得到电机拓扑，计算目标函数，使用有限元法计算电机电磁性能，直接计算得到成本；使用智能优化算法对函数参数
Figure 884502DEST_PATH_IMAGE010
进行优化，根据优化后的参数确定电机最终拓扑结构。
所述智能优化算法为模拟退火算法、遗传算法或粒子群算法。
有益效果：本发明采用上述技术方案，把电机的拓扑结构看作是不同形状组件的组合，用函数表示组件的形状，再通过优化方法优化函数参数，从而优化电机的拓扑结构，达到优化电机性能的目标。
在使用函数对每个组件形状建模后，设计区域的形状将会随着参数变化进行演化，在优化过程中，设计区域的形状不断地生成不同的新方案。因此，本发明相较于传统的电机设计方法，减少了设计者对于电机拓扑设计的干预，所以能够在实现减少人为干预、自动演变电机拓扑结构的同时，达到提高电机性能的目的。
（1）基于本方法设计出的电机可减少人为干预、不依赖现有的拓扑结构。
（2）方法简单，可行性强，适用于各类型电机。
（3）根据不同的目标性能，具有多种选择，可根据需求选择合适拓扑。
附图说明
图1为本发明一种基于组件法的电机拓扑优化的设计方法的流程图。
图2为可以表示形状的水平集函数图。
图3为使用组件表示同步磁阻电机转子的拓扑结构示意图；(a)为同步磁阻电机的转子的1/4模型，(b)为使用矩形组件表示转子的拓扑结构。
图4为优化过程中平均转矩和转矩波动的变化图。
具体实施方式
下面结合实例对发明的技术方案进行详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅出示了与本发明相关的部分而非全部。
如图1所示，示例性地展示了利用本发明公开的基于组件法的电机拓扑优化方法的流程图，包括如下步骤：
S1、 确定表示电机拓扑的组件数量m，组件的形状用函数表示，每个函数均有一个或多个变量作为组件参数；
S2、根据所有组件的形状确定电机的拓扑结构；
S3、根据设计要求选择需要优化的目标，使用智能优化算法对组件参数进行优化，从而改变电机的拓扑结构，得到优化后新的组件参数；
S4、根据优化后新的组件参数确定组件的形状，从而确定电机拓扑，判断是否满足设计要求，若满足，则设计完成；否则返回步骤S1。
优化过程实例如下：
1.根据同步磁阻电机的初始形状确定表示电机拓扑的组件形状和组件数量，如图2所示，组件的形状用函数
Figure 548701DEST_PATH_IMAGE011
表示，其中
Figure 70949DEST_PATH_IMAGE012
。函数中表示形状的参数为
Figure 254937DEST_PATH_IMAGE013
、
Figure 204439DEST_PATH_IMAGE014
、
Figure 90355DEST_PATH_IMAGE015
、L、t和m，其中参数
Figure 416294DEST_PATH_IMAGE013
、
Figure 189209DEST_PATH_IMAGE014
表示组件的中心位置；
Figure 309612DEST_PATH_IMAGE015
表示旋转角度；L、t表示形状的长、宽；m为偶数，用作对形状的调整，越大形状越近似于矩形。函数
Figure 213983DEST_PATH_IMAGE011
被z=0平面截取的曲线即为组件的形状，如图2所示。如图3(a)为同步磁阻电机的转子的1/4模型，可用11个上述函数
Figure 78034DEST_PATH_IMAGE011
表示的组件的参数描述其拓扑结构，具体如图3(b)所示。因此本例中需要优化的参数共有66个。
2.本例中选择优化目标为平均转矩和转矩波动，使用遗传算法进行优化。在有优化过程中，先由遗传算法生成新一代种群；然后在maxwell软件中画出对应拓扑的电机，并使用有限元计算电机性能；根据性能保留优质种群，并对优质种群进行交叉、变异操作，进入下一次迭代直到达到最大代数限制。
3.优化完成后根据优化后新的组件参数确定组件的形状，从而确定电机拓扑。校验其它指标是否满足设计要求。若满足，则优化完成；否则，返回第一步。
图4示例性地展示了优化过程中平均转矩和转矩波动的变化。
本发明公开的基于组件法的电机拓扑优化方法，根据目标函数的选择可得到的不同的结果，可根据电机的实际情况、性能要求与工艺技术进一步确定最终拓扑。
以上实施方式只是对本专利的示例性说明，并不限定它的保护范围，本领域技术人员还可以对其局部进行改变，只要没有超出本专利的精神实质，都在本专利的保护范围内。

Claims (10)

1.一种基于组件法的电机拓扑优化方法，其特征在于，该方法把电机的拓扑结构看作是不同形状材料组件的组合，用函数参数表示每种组件的形状，再通过优化方法优化表示组件函数的参数，从而优化电机的拓扑结构，达到优化电机性能的目标。
2.根据权利要求1所述的基于组件法的电机拓扑优化方法，其特征在于，该方法具体包括如下步骤：
S1、确定表示电机拓扑的组件数量m，组件的形状用函数表示，每个函数均有一个或多个变量作为组件参数；
S2、根据所有组件的形状确定电机的拓扑结构；
S3、根据设计要求选择需要优化的目标，使用智能优化算法对组件参数进行优化，从而改变电机的拓扑结构，得到优化后新的组件参数；
S4、根据优化后新的组件参数确定组件的形状，从而确定电机拓扑，判断是否满足设计要求，若满足，则设计完成；否则返回步骤S1。
3.根据权利要求2所述的基于组件法的电机拓扑优化方法，其特征在于，所述的m个组件，每一个组件都对应电机中的一种材料。
4.根据权利要求3所述的基于组件法的电机拓扑优化方法，其特征在于，所述的材料为硅钢片、永磁体或空气。
5.根据权利要求2所述的基于组件法的电机拓扑优化方法，其特征在于，所述组件的形状用函数表示；分别为表示矩形、圆形简单几何形状的函数，或为多个这类简单函数组合而成的复合函数。
6.根据权利要求5所述的基于组件法的电机拓扑优化方法，其特征在于，所述的函数用水平集的方式表示，定义函数
Figure 702667DEST_PATH_IMAGE001
，令
Figure 324141DEST_PATH_IMAGE002
时对应的曲线为组件的边界，
Figure 974565DEST_PATH_IMAGE003
对应的区域为组件的内部，
Figure 242866DEST_PATH_IMAGE004
对应的区域为组件的外部。
7.根据权利要求2所述的基于组件法的电机拓扑优化方法，其特征在于，所述根据设计要求选择需要优化的目标，是根据具体的工程实际需求选择一个或多个优化目标，将拓扑优化问题建模成单目标或多目标优化问题，用以下数学表达式表示：
Figure 611531DEST_PATH_IMAGE005
Figure 771117DEST_PATH_IMAGE006
其中x为q维向量，y为需要最小化的一组目标函数，
Figure 541627DEST_PATH_IMAGE007
为每一个目标函数，n为目标函数的个数，
Figure 246409DEST_PATH_IMAGE008
为限制参数x的不等式约束条件，d为不等式约束的个数，
Figure 102369DEST_PATH_IMAGE009
为限制参数x的等式约束条件，k为等式约束的个数。
8.根据权利要求7所述的基于组件法的电机拓扑优化方法，其特征在于，所述需要优化的目标包括平均转矩、转矩波动、效率和成本；对于转矩波动、成本需要最小化的目标，
Figure 65646DEST_PATH_IMAGE007
为其本身；对于平均转矩、效率需要最大化的目标，
Figure 425083DEST_PATH_IMAGE007
为其倒数；对于转矩、效率这些和电机电磁性能相关的目标，使用有限元法计算电机的性能；对于成本只和电机的材料使用情况有关的目标，直接根据电机拓扑确定材料的使用情况，直接计算得到。
9.根据权利要求8所述的基于组件法的电机拓扑优化方法，其特征在于，所述需要优化的目标为多目标优化问题时，根据函数参数得到电机拓扑，计算目标函数，使用有限元法计算电机电磁性能，直接计算得到成本；使用智能优化算法对函数参数
Figure 300766DEST_PATH_IMAGE010
进行优化，根据优化后的参数确定电机最终拓扑结构。
10.根据权利要求9述的基于组件法的电机拓扑优化方法，其特征在于，所述智能优化算法为模拟退火算法、遗传算法或粒子群算法。
CN202211440378.4A 2022-11-17 2022-11-17 一种基于组件法的电机拓扑优化方法 Active CN115577599B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211440378.4A CN115577599B (zh) 2022-11-17 2022-11-17 一种基于组件法的电机拓扑优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211440378.4A CN115577599B (zh) 2022-11-17 2022-11-17 一种基于组件法的电机拓扑优化方法

Publications (2)

Publication Number Publication Date
CN115577599A true CN115577599A (zh) 2023-01-06
CN115577599B CN115577599B (zh) 2023-04-07

Family

ID=84589762

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211440378.4A Active CN115577599B (zh) 2022-11-17 2022-11-17 一种基于组件法的电机拓扑优化方法

Country Status (1)

Country Link
CN (1) CN115577599B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647397A (zh) * 2018-04-16 2018-10-12 北京交通大学 多约束条件下基于pso算法的高速电机转子拓扑优化方法
CN109871574A (zh) * 2018-12-28 2019-06-11 华中科技大学 一种基于代理模型的多尺度拓扑优化方法
CN110069800A (zh) * 2018-11-17 2019-07-30 华中科技大学 具有光滑边界表达的三维结构拓扑优化设计方法及设备
CN111090942A (zh) * 2019-12-18 2020-05-01 浙江大学 基于拓扑优化的高灵敏度压阻式单轴力传感器设计方法
US20200356638A1 (en) * 2019-05-07 2020-11-12 Toyota Motor Engineering & Manufacturing North America, Inc. Orientation optimization in components fabricated with anisotropic material properies
CN112733402A (zh) * 2020-12-30 2021-04-30 浙江大学 高灵敏度低串扰度压阻式单轴力传感器的拓扑优化设计方法
CN112966419A (zh) * 2021-03-16 2021-06-15 武汉大学 联合拓扑优化与形状优化的多场耦合作用的结构设计方法
JP2021525141A (ja) * 2018-05-29 2021-09-24 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． Ｘ線イメージングのための散乱補正
CN115065183A (zh) * 2022-08-19 2022-09-16 东南大学 一种基于拓扑优化方法的航空用双层开气隙不对称发电机
CN115292849A (zh) * 2022-08-19 2022-11-04 郑州轻工业大学 基于相场法和bp神经网络的机械结构剩余寿命预测方法
CN115310154A (zh) * 2022-07-11 2022-11-08 华中科技大学 一种面向连续纤维3d打印的拓扑优化及纤维路径设计方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647397A (zh) * 2018-04-16 2018-10-12 北京交通大学 多约束条件下基于pso算法的高速电机转子拓扑优化方法
JP2021525141A (ja) * 2018-05-29 2021-09-24 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． Ｘ線イメージングのための散乱補正
CN110069800A (zh) * 2018-11-17 2019-07-30 华中科技大学 具有光滑边界表达的三维结构拓扑优化设计方法及设备
CN109871574A (zh) * 2018-12-28 2019-06-11 华中科技大学 一种基于代理模型的多尺度拓扑优化方法
US20200356638A1 (en) * 2019-05-07 2020-11-12 Toyota Motor Engineering & Manufacturing North America, Inc. Orientation optimization in components fabricated with anisotropic material properies
CN111090942A (zh) * 2019-12-18 2020-05-01 浙江大学 基于拓扑优化的高灵敏度压阻式单轴力传感器设计方法
CN112733402A (zh) * 2020-12-30 2021-04-30 浙江大学 高灵敏度低串扰度压阻式单轴力传感器的拓扑优化设计方法
CN112966419A (zh) * 2021-03-16 2021-06-15 武汉大学 联合拓扑优化与形状优化的多场耦合作用的结构设计方法
CN115310154A (zh) * 2022-07-11 2022-11-08 华中科技大学 一种面向连续纤维3d打印的拓扑优化及纤维路径设计方法
CN115065183A (zh) * 2022-08-19 2022-09-16 东南大学 一种基于拓扑优化方法的航空用双层开气隙不对称发电机
CN115292849A (zh) * 2022-08-19 2022-11-04 郑州轻工业大学 基于相场法和bp神经网络的机械结构剩余寿命预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
傅晓锦等: "基于等几何裁剪分析的拓扑与形状集成优化", 《振动与冲击》 *

Also Published As

Publication number Publication date
CN115577599B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
JP6951001B2 (ja) 材料場縮減級数展開に基づく構造トポロジー最適化方法
CN106919763A (zh) 一种产品结构尺寸优化方法
Liang et al. Improved adaptive non-dominated sorting genetic algorithm with elite strategy for solving multi-objective flexible job-shop scheduling problem
Diao et al. Robust-oriented optimization of switched reluctance motors considering manufacturing fluctuation
WO2024113835A1 (zh) 一种风扇模型的生成方法和装置
CN114721402A (zh) 一种基于改进蚁群算法的泊车路径规划方法及系统
Jin et al. Process planning optimization with energy consumption reduction from a novel perspective: Mathematical modeling and a dynamic programming-like heuristic algorithm
CN115577599B (zh) 一种基于组件法的电机拓扑优化方法
Yuan et al. Neural Network aided PMSM multi-objective design and optimization for more-electric aircraft applications
Mutluer Analysis and design optimization of permanent magnet motor with external rotor for direct driven mixer
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
CN115630556B (zh) 一种基于顶点法的电机拓扑优化方法
CN114741798B (zh) 一种考虑电磁与力学性能的电机转子结构拓扑优化方法
Li et al. Intelligent design method and system of trimming block for stamping dies of complex automotive panels
CN116861772A (zh) 一种多参数精加工的参数优化方法及系统
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
CN112306859B (zh) 一种改进的软件自适应测试方法
CN110943452B (zh) 一种电力系统优化调度的方法
CN110318929B (zh) 水泵水轮机转轮的设计方法及装置
Yu-fei et al. Partial disassembly sequence planning based on Pareto ant colony algorithm
CN113408160A (zh) 一种基于多目标优化的电机参数设计方法
CN112026752A (zh) 自动泊车路径跟随处理方法、系统、车辆及存储介质
CN104571009A (zh) 一种用于轧辊热处理过程的能耗控制方法
Zhu et al. Incremental forming based on a virtual auxiliary body: analysis of thickness uniformity
CN117709167B (zh) 基于有限元模型的电机设计优化方法、存储介质及设备

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