CN117494557A - 一种高效电机、电机转子冲片参数优化方法及系统 - Google Patents
一种高效电机、电机转子冲片参数优化方法及系统 Download PDFInfo
- Publication number
- CN117494557A CN117494557A CN202311440708.4A CN202311440708A CN117494557A CN 117494557 A CN117494557 A CN 117494557A CN 202311440708 A CN202311440708 A CN 202311440708A CN 117494557 A CN117494557 A CN 117494557A
- Authority
- CN
- China
- Prior art keywords
- motor
- variable
- performance index
- rotor punching
- parameters
- 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
- 238000004080 punching Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000006870 function Effects 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000002474 experimental method Methods 0.000 claims abstract description 16
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 229910000831 Steel Inorganic materials 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 18
- 239000010959 steel Substances 0.000 claims description 18
- 230000035772 mutation Effects 0.000 claims description 14
- 238000003475 lamination Methods 0.000 claims description 8
- 238000007885 magnetic separation Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000005389 magnetism Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000010349 pulsation Effects 0.000 abstract description 12
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007306 functionalization reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 229910052761 rare earth metal Inorganic materials 0.000 description 1
- 150000002910 rare earth metals Chemical class 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F30/27—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
- 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
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Genetics & Genomics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Pure & Applied 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
本发明提出一种高效电机、电机转子冲片参数优化方法及系统。通过获取电机的转子冲片变量参数,利用正交实验和有限元计算，选择电机性能指标来对所述转子冲片变量参数进行敏感性分析，筛选出优化变量参数,并根据电机的性能指标构建目标成本函数模型，最后采用机器学习模型对所述目标成本函数模型进行优化，得到所述优化变量参数的值。优化得到的变量参数可以快速降低电机转矩脉动和噪声，从而提高了电机的性能指标。
Description
技术领域
本发明属于高效永磁同步电动机技术领域，涉及一种高效电机、低转矩脉动和低噪音的永磁同步电动机转子冲片设计方法及系统。
背景技术
随着稀土永磁材料、微电子技术、电力电子技术、现代控制理论的发展、永磁电机技术的成熟以及工业设计软件的推广与应用，永磁电机因其具有较宽的高效率和高功率因数范围，电机体积小、转矩大、控制效果好等优越的性能，成为了交流电机控制技术和节能、环保发展的一个新方向，永磁电机也获得了广泛的研究与应用。永磁电机作为一种节能电机，目前广泛应用于医疗器械、工业生产、国防军工、航空、新能源汽车等领域。
转矩脉动和噪音是永磁同步电机的重要性能指标。转矩脉动过大会造成电机及其相连机械的振动、降低相关零部件的寿命和可靠性；在一些对转矩要求比较平稳，或者在一些伺服控制精度要求比较高的场合，转矩脉动过大会造成产品不合格或者次品率增加。电机运转时发出的电磁噪音是工业噪声污染的主要噪声源之一，电磁噪音具有高频尖锐、穿透性强的特点，电磁噪音过大会影响生产工人和周围居民的身体健康。所以，在永磁同步电机设计过程中对转矩脉动和噪音的优化是极其有必要的。
电机是一个非线性和各项参数耦合度很高的动力机械设备，如何使电机各项性能达到较好的指标是设计过程中的难点。到目前为止，国内外对永磁同步电机转子冲片的转矩脉动和噪音优化设计上进行了大量的研究，但是绝大多数研究要么采用参数扫描式的穷举法，要么是只研究转矩脉动的优化，要么是只研究噪音的优化，又或者是先优化一项指标，再从优化的结果中进一步优化另一项指标，上述采用的方法需要耗费较多的计算时间，需要设计人员具备丰富的经验，并且其最大的缺陷是优化结果很容易陷入局部最优。此外，电磁噪音是由磁场谐波相互作用于定子上而产生，在噪音方面，很少有研究直接对磁场各谐波分量进行优化设计，也没有对磁场谐波和转矩脉动同时优化设计的方法。
发明内容
为解决上述技术问题，本发明提出一种高效电机、电机转子冲片参数优化方法及系统。
在本发明的第一个方面，提出了一种电机转子冲片参数优化方法，包括以下步骤：
步骤S1、获取电机的转子冲片变量参数；
步骤S2、利用正交实验和有限元计算，选择电机性能指标来对所述转子冲片变量参数进行敏感性分析，筛选出优化变量参数；
步骤S3、根据电机的性能指标构建目标成本函数模型；
步骤S4、采用机器学习模型对所述目标成本函数模型进行优化，得到所述优化变量参数的值。
还提供了一种电机转子冲片参数优化方法，所述步骤S1中，电机为36槽8极V型磁钢槽的电机，所述转子冲片变量参数Pi，包括PHrib、PRib、PDminMag、PO1、PO2和POffset，变量PHrib表示相邻V型磁钢槽之间隔磁桥的长度；变量PRib表示相邻V型磁钢槽之间隔磁桥的宽度；变量PDminMag表示V型磁钢槽固定台阶的距离；变量PO1表示V型磁钢槽内隔磁桥的宽度；变量PO2表示V型磁钢槽底部与转子轴孔间的距离；变量POffset表示转子外圆的偏心值。
还提供了一种电机转子冲片参数优化方法，所述步骤S2中，电机性能指标具体有齿槽转矩Tc和前20次磁场谐波的畸变率THDBr。
还提供了一种电机转子冲片参数优化方法，所述步骤S2中,选择电机性能指标来对所述转子冲片变量参数进行敏感性分析之前,首先对所述选择电机性能指标的结果取平均值，计算公式如下：
式中x可表示Tc或者THDBr性能指标；k表示第k次实验；Sxk表示第k次实验、指标x的计算结果；m(Sx)为指标为x的各次试验的平均值；
然后计算每个变量参数Pi在水平l下各个性能指标的平均值，计算公式如下：
式中为变量参数Pi在水平l对性能指标x的平均值；x(1)为性能指标x在第1次实验中的结果。
还提供了一种电机转子冲片参数优化方法，所述步骤S2中,在计算每个变量参数Pi在水平l下各个性能指标的平均值之后，根据方差的占比筛选出优化变量参数，变量参数Pi、性能指标x的方差计算公式如下：
式中，为变量参数Pi的第l个水平下的性能指标x的平均值；b为水平数；
所述方差的占比为单个变量参数Pi、性能指标x的方差除以所有变量参数Pi、性能指标x的方差之和得到。
还提供了一种电机转子冲片参数优化方法，所述步骤S3中,所述目标成本函数模型Cost为：
Tc≤1Nm
C1≤1.01
Ci≤0.08T,i＝3、5、7、9、11、13、19、20
式中，N为目标函数的个数；εn为目标残差；ωn为各个目标函数的权重；C1为磁场基波幅值损失率；Ci为磁场谐波幅值。
还提供了一种电机转子冲片参数优化方法，所述机器学习模型为遗传算法或神经网络算法。
还提出了一种改进遗传算法，可在提高遗传算法的搜索能力地同时提高搜索的多样性，获得提升电机功能更强的参数。在本领域技术人员常规使用的遗传算法基础上，提出了一种改进遗传算法UGA，在UGA中将传统遗传算法中固定的个体突变概率PV进行函数化，这可以加强算法的搜索能力，UGA的调整策略主要基于如下规则：
1.对于适应度值较低(适应性差)的个体，给予更高的突变概率，从而做到让适应性差的个体有更大机率发生突变，从而拓宽算法的可行解搜索范围。
2.对于适应度值较高(适应性强)的个体，给予较低突变概率，让这些较为优秀的解尽可能保存在下一代种群中。
还提供了一种电机转子冲片参数优化方法，所述转子冲片采用不均匀气隙，所述磁场谐波是根据噪声理论，挑选出的产生4阶及4阶以下力波的磁场谐波。
另一方面还提供了一种电机转子冲片参数优化系统，包括：
数据获取模块，用于获取电机的转子冲片变量参数；
模型构建模块，用于根据电机的性能指标构建目标成本函数模型；
参数优化模块，用于利用正交实验和有限元计算，选择电机性能指标来对所述转子冲片变量参数进行敏感性分析，筛选出优化变量参数，并采用机器学习模型对所述目标成本函数模型进行优化，得到所述优化变量参数的值。
另一方面还提供了一种高效电机，包括经过一种电机转子冲片参数方法优化后的电机转子冲片的转子。
本发明的有益效果：
转子冲片采用不均匀气隙，结合冲片其它尺寸参数一起优化，得到的磁场波形，可以有效降低转矩脉动。对转子冲片结构尺寸参数进行敏感性分析，筛选出对目标影响较大的优化变量，减少了优化变量，提高了计算的效率。最终优化得到的变量参数可以快速降低电机转矩脉动和噪声，从而提高了电机的性能指标。还提出了一种改进遗传算法对电机转子冲片参数进行优化选择，该算法可在提高遗传算法的搜索能力地同时提高搜索的多样性，获得提升电机功能更强的参数。
本发明的更多实施例和改进效果将结合附图和具体实施例进一步介绍。
附图说明
图1是本发明的一种电机转子冲片参数优化方法流程图；
图2是本发明的一种电机转子冲片参数优化系统的各个模块及命名；
图3是本发明的1/4转子冲片尺寸变量示意图；
图4是本发明的定子磁场谐波柱状图；
图5是本发明的中转子磁场谐波柱状图；
图6是本发明的中目标成本函数模型迭代收敛过程图；
图7是本发明的技术方案优化前后齿槽转矩的对比图；
图8是本发明的技术方案优化前后磁场波形的对比图；
图9是本发明的技术方案优化前后负载转矩的对比图；
图10是本发明的技术方案优化前后磁场谐波的对比图。
具体实施方式
下面，结合附图以及具体实施方式，对发明做出进一步的描述。
在本发明的第一个方面，提出了一种电机转子冲片参数优化方法，包括以下步骤：
步骤S1、获取电机的转子冲片变量参数；
步骤S2、利用正交实验和有限元计算，选择电机性能指标来对所述转子冲片变量参数进行敏感性分析，筛选出优化变量参数；
正交实验中选择7因素2水平正交表L8(27)，设置优化变量的水平取值如表1所示。
表1优化变量的水平取值
步骤S3、根据电机的性能指标构建目标成本函数模型；
步骤S4、采用机器学习模型对所述目标成本函数模型进行优化，得到所述优化变量参数的值。
还提供了一种电机转子冲片参数优化方法，所述步骤S1中，电机为36槽8极V型磁钢槽的电机，所述转子冲片变量参数Pi，包括PHrib、PRib、PDminMag、PO1、PO2和POffset，变量PHrib表示相邻V型磁钢槽之间隔磁桥的长度；变量PRib表示相邻V型磁钢槽之间隔磁桥的宽度；变量PDminMag表示V型磁钢槽固定台阶的距离；变量PO1表示V型磁钢槽内隔磁桥的宽度；变量PO2表示V型磁钢槽底部与转子轴孔间的距离；变量POffset表示转子外圆的偏心值。
还提供了一种电机转子冲片参数优化方法，所述步骤S2中，电机性能指标具体有齿槽转矩Tc和前20次磁场谐波的畸变率THDBr。
Tc由ANSYS直接计算得到，THDBr根据磁场谐波分析相关理论公式在ANSYS软件中编辑输出公式计算得到。
任何复杂的波形都可以分解为常数、基波频率和一系列频率是基波频率倍数的三角函数分量(下文称之为谐波)，永磁同步电机转子气隙磁场的表达式或磁场谐波分析相关理论公式如下：
在ANSYS有限元中电机的气隙磁场波形是由沿气隙圆周中多个不同位置点对应的磁场密度连接而成，所以上述积分表达式可以转化成算数平均值计算，在ANSYS中输出公式可以表示为：
a0＝2×avg(B(t))
其中，B0(t)为磁场谐波的常数项；Bi(t)为三角函数，当i＝1时为基波，但i≥2时为谐波分量；f1为基波频率；ci为第i次三角函数分量的幅值；THDBr为磁场谐波畸变率；avg()为求算数平均值的函数；YZ为气隙圆周的长度；Distance为气隙圆周中某一点的位置。
本领域技术人员容易理解，THDBr根据上述式子计算得到。
正交实验矩阵与有限元计算结果如表2所示
表2实验矩阵与有限元计算结果
还提供了一种电机转子冲片参数优化方法，所述步骤S2中,选择电机性能指标来对所述转子冲片变量参数进行敏感性分析之前,首先对所述选择电机性能指标的结果取平均值，计算公式如下：
式中x可表示Tc或者THDBr性能指标；k表示第k次实验；Sxk表示第k次实验、性能指标x的计算结果；m(Sx)为性能指标为x的各次试验的平均值；
对表2中各性能指标结果取平均值，各项指标的平均值计算结果如表3所示。
表3性能指标的总平均值
然后计算每个变量参数Pi在水平l下各个性能指标的平均值，本实施例中计算性能指标Tc公式如下：
式中为变量参数Pi在水平l对性能指标Tc的平均值；Tc(1)为性能指标Tc在第1次实验中的结果。
本实施例计算的变量参数POffset在水平1对性能指标Tc的平均值
计算每个变量在某个水平下各个性能指标的平均值，得到其它变量在不同水平下的性能指标平均值，计算结果见表4所示。
表4不同参数的性能指标平均值
还提供了一种电机转子冲片参数优化方法，所述步骤S2中,在计算每个变量参数Pi在水平l下各个性能指标的平均值之后，根据方差的占比筛选出优化变量参数，变量参数Pi、性能指标x的方差计算公式如下：
式中，为变量参数Pi的第l个水平下的性能指标x的平均值；b为水平数；
所述方差的占比为单个变量参数Pi、性能指标x的方差除以所有变量参数Pi、性能指标x的方差之和得到。设定水平数b＝2,根据方差的占比可以得到优化变量对性能指标影响的占比如表5所示。
表5优化变量对性能指标影响的占比
由表5可知变量参数Hrib、Rib、O2和Offset对性能指标影响较大，所以选择这些变量参数进行下一步优化计算。
还提供了一种电机转子冲片参数优化方法，所述步骤S3中,所述目标成本函数模型Cost为：
式中，N为目标函数的个数；εn为目标残差；ωn为各个目标函数的权重；C1为磁场基波幅值损失率；Ci为磁场谐波幅值。
实施例中考虑分数槽齿槽转矩较小，总目标函数的权重分配分别是齿槽转矩占比10％，磁场谐波畸变率占比20％，磁场基波幅值损失率占比20％，限制产生4阶及4阶以下力波的磁场谐波幅值的总占比为50％，各个目标函数乘以权重之和即可得到总的目标函数Cost。
(1)齿槽转矩不超过1％额定转矩
Tc≤1Nm
(2)磁场前20次谐波畸变率不超过15％
(3)磁场基波幅值损失率不超过2％
C1≤1.01
(4)优化目标选择次数i为3、5、7、9、11、13、19和20的磁场谐波。
Ci≤0.08T,i＝3、5、7、9、11、13、19、20
还提供了一种电机转子冲片参数优化方法，所述机器学习模型为遗传算法或神经网络算法。遗传算法或神经网络算法为本领域技术人员常用的优化算法。根据转子结构尺寸的极限与干涉关系，设定优化变量的范围如表6所示，取步长为0.1mm。目标函数迭代收敛，最终优化结果为PHrib＝4.7，PO2＝9.3，PRib＝6，POffset＝20。
表6优化变量的尺寸范围和步长
本实施例中还提出了一种改进遗传算法，可在提高遗传算法的搜索能力地同时提高搜索的多样性，获得提升电机功能更强的参数。在本领域技术人员常规使用的遗传算法基础上，提出了一种改进遗传算法UGA，在UGA中将传统遗传算法中固定的个体突变概率PV进行函数化，这可以加强算法的搜索能力，UGA的调整策略主要基于如下规则：
1.对于适应度值较低(适应性差)的个体，给予更高的突变概率，从而做到让适应性差的个体有更大机率发生突变，从而拓宽算法的可行解搜索范围。
2.对于适应度值较高(适应性强)的个体，给予较低突变概率，让这些较为优秀的解尽可能保存在下一代种群中。
UGA算法中的突变概率函数调整如下：
式中,T为调整系数，通常设在0-0.01之间，Pvmin为设定的最小突变概率，Pvmax为设定的最大突变概率，Si代表第i个个体的适应度值，Savg代表当前代种群内个体的平均适应度值，即
当数据样本的种群大小N设为100，迭代次数设为100，调节系数A设为0.007时，优选的参数PHrib＝4.2，PO2＝9.2，PRib＝5.9，POffset＝19.8，使得目标成本函数模型Cost取得最小值。
还提供了一种电机转子冲片参数优化方法，所述转子冲片采用不均匀气隙，所述磁场谐波是根据噪声理论，挑选出的产生4阶及4阶以下力波的磁场谐波。
噪声相关理论假设不考虑磁导谐波、磁路饱和等影响，转子磁场以及定转子磁场相互作用产生的径向电磁力波特征参数如表7所示。电机的电磁噪声水平与径向电磁力波的幅值成正比，与力波阶数的四次方成反比，根据表7中力波阶数的特征可知，若果要降低电机的电磁噪音，则需要削弱邻近定转子磁场谐波的幅值，即削弱产生4阶及4阶以下力波的磁场谐波。
表7径向电磁力波特征参数
注：u表示转子磁场谐波；v表示定子磁场谐波；ui和uj分别表示第i次和第j次转子磁场谐波；p表示电机极对数；Bui表示转子第i次谐波磁场幅值；Bv表示定子谐波磁场幅值。
另一方面还提供了一种电机转子冲片参数优化系统，包括：
数据获取模块，用于获取电机的转子冲片变量参数；
模型构建模块，用于根据电机的性能指标构建目标成本函数模型；
参数优化模块，用于利用正交实验和有限元计算，选择电机性能指标来对所述转子冲片变量参数进行敏感性分析，筛选出优化变量参数，并采用机器学习模型对所述目标成本函数模型进行优化，得到所述优化变量参数的值。
另一方面还提供了一种高效电机，包括经过一种电机转子冲片参数方法优化后的电机转子冲片的转子。
本发明的转子冲片采用不均匀气隙，结合冲片其它尺寸参数一起优化，可以得到较好的磁场波形，有效降低转矩脉动。对转子冲片结构尺寸参数进行敏感性分析，筛选出对目标影响较大的优化变量，可以减少优化变量，提高计算的效率。优化目标增加了磁场谐波畸变率，可以降低驱动器电源谐波对电机噪音的影响。根据噪声理论挑选出对噪声影响较大的磁场谐波进行优化，可以减少优化目标函数的数量。采用遗传算法对齿槽转矩、转子磁场谐波畸变率和对噪声影响较大的谐波幅值进行全局优化，以此来同时降低转矩脉动和噪音，并且优化结果不会陷入局部最优。最终优化得到的变量参数可以快速降低电机转矩脉动和噪声，从而提高了电机的性能指标。
本发明的多个实施例组合可以实现上述所有效果，但是并不要求本发明的每一个实施例都实现上述所有优点和效果，因为本发明的各个实施例都能构成单独的技术方案并对现有技术作出一个或者多个贡献。
本发明未特别明确的部分模块结构，以现有技术记载的内容为准。本发明在前述背景技术部分以及具体实施例部分提及的现有技术可作为本发明的一部分，用于理解部分技术特征或者参数的含义。本发明的保护范围以权利要求实际记载的内容为准。
Claims (10)
1.一种电机转子冲片参数优化方法，其特征在于，包括以下步骤：
步骤S1、获取电机的转子冲片变量参数；
步骤S2、利用正交实验和有限元计算，选择电机性能指标来对所述转子冲片变量参数进行敏感性分析，筛选出优化变量参数；
步骤S3、根据电机的性能指标构建目标成本函数模型；
步骤S4、采用机器学习模型对所述目标成本函数模型进行优化，得到所述优化变量参数的值。
2.如权利要求1所述的一种电机转子冲片参数优化方法，其特征在于：
所述步骤S1中，电机为36槽8极V型磁钢槽的电机，所述转子冲片变量参数Pi，包括PHrib、PRib、PDminMag、PO1、PO2和POffset，变量PHrib表示相邻V型磁钢槽之间隔磁桥的长度；变量PRib表示相邻V型磁钢槽之间隔磁桥的宽度；变量PDminMag表示V型磁钢槽固定台阶的距离；变量PO1表示V型磁钢槽内隔磁桥的宽度；变量PO2表示V型磁钢槽底部与转子轴孔间的距离；变量POffset表示转子外圆的偏心值。
3.如权利要求1所述的一种电机转子冲片参数优化方法，其特征在于：
所述步骤S2中，电机性能指标包括齿槽转矩Tc和前20次磁场谐波的畸变率THDBr。
4.如权利要求3所述的一种电机转子冲片参数优化方法，其特征在于：
所述步骤S2中,选择电机性能指标来对所述转子冲片变量参数进行敏感性分析之前,首先对所述选择电机性能指标的结果取平均值，计算公式如下：
式中x可表示Tc或者THDBr性能指标；k表示第k次实验；Sxk表示第k次实验、性能指标x的计算结果；m(Sx)为性能指标为x的各次试验的平均值；
然后计算每个变量参数Pi在水平l下各个性能指标的平均值，计算公式如下：
式中为变量Pi在水平l对性能指标x的平均值；x(1)为性能指标x在第1次实验中的结果。
5.如权利要求4所述的一种电机转子冲片参数优化方法，其特征在于：
所述步骤S2中,在计算每个变量参数Pi在水平l下各个性能指标的平均值之后，根据方差的占比筛选出优化变量参数，变量参数Pi、性能指标x的方差计算公式如下：
式中，为变量参数Pi的第l个水平下的性能指标x的平均值；b为水平数；
所述方差的占比为单个变量参数Pi、性能指标x的方差除以所有变量参数Pi、性能指标x的方差之和得到。
6.如权利要求1所述的一种电机转子冲片参数优化方法，其特征在于：
所述步骤S3中,所述目标成本函数模型Cost为：
式中，N为目标函数的个数；εn为目标残差；ωn为各个目标函数的权重。
7.如权利要求1所述的一种电机转子冲片参数优化方法，其特征在于：
所述步骤S4中,所述机器学习模型为遗传算法或神经网络算法。
8.如权利要求6所述的一种电机转子冲片参数优化方法，其特征在于：
所述电机转子冲片采用不均匀气隙，所述磁场谐波是根据噪声理论，挑选出的产生4阶及4阶以下力波的磁场谐波；所述机器学习模型为改进遗传算法UGA：
UGA算法中的突变概率函数如下：
式中,T为调整系数，通常设在0-0.01之间，Pvmin为设定的最小突变概率，Pvmax为设定的最大突变概率，Si代表第i个个体的适应度值，Savg代表当前代种群内个体的平均适应度值。
9.一种电机转子冲片参数优化系统，包括：
数据获取模块，用于获取电机的转子冲片变量参数；
模型构建模块，用于根据电机的性能指标构建目标成本函数模型；
参数优化模块，用于利用正交实验和有限元计算，选择电机性能指标来对所述转子冲片变量参数进行敏感性分析，筛选出优化变量参数，并采用机器学习模型对所述目标成本函数模型进行优化，得到所述优化变量参数的值。
10.一种高效电机，包括转子，其特征在于，所述转子采用权利要求1-8所述的电机转子冲片参数优化方法进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311440708.4A CN117494557B (zh) | 2023-10-31 | 2023-10-31 | 一种高效电机、电机转子冲片参数优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311440708.4A CN117494557B (zh) | 2023-10-31 | 2023-10-31 | 一种高效电机、电机转子冲片参数优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117494557A true CN117494557A (zh) | 2024-02-02 |
| CN117494557B CN117494557B (zh) | 2024-06-04 |
Family
ID=89677550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311440708.4A Active CN117494557B (zh) | 2023-10-31 | 2023-10-31 | 一种高效电机、电机转子冲片参数优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117494557B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112713730A (zh) * | 2020-12-18 | 2021-04-27 | 苏州英磁新能源科技有限公司 | 一种基于参数化磁钢模型的电机优化设计方法 |
| CN113987946A (zh) * | 2021-11-02 | 2022-01-28 | 兰州理工大学 | 一种基于正交分析的粒子群多目标电机优化方法及系统 |
| US20220043950A1 (en) * | 2020-05-27 | 2022-02-10 | Jiangsu University | Parametric equivalent magnetic network modeling method for multi objective optimization of permanent magnet motor |
| CN114253157A (zh) * | 2021-12-21 | 2022-03-29 | 华中科技大学 | 一种基于二阶灵敏度分析的电机多参数优化方法和系统 |
| CN115841054A (zh) * | 2022-10-21 | 2023-03-24 | 西南石油大学 | 一种外转子开关磁阻电机多目标优化方法及设备 |
| CN116599414A (zh) * | 2023-05-29 | 2023-08-15 | 岚图汽车科技有限公司 | 永磁同步电机nvh性能优化方法、装置、设备及介质 |
-
2023
- 2023-10-31 CN CN202311440708.4A patent/CN117494557B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220043950A1 (en) * | 2020-05-27 | 2022-02-10 | Jiangsu University | Parametric equivalent magnetic network modeling method for multi objective optimization of permanent magnet motor |
| CN112713730A (zh) * | 2020-12-18 | 2021-04-27 | 苏州英磁新能源科技有限公司 | 一种基于参数化磁钢模型的电机优化设计方法 |
| CN113987946A (zh) * | 2021-11-02 | 2022-01-28 | 兰州理工大学 | 一种基于正交分析的粒子群多目标电机优化方法及系统 |
| CN114253157A (zh) * | 2021-12-21 | 2022-03-29 | 华中科技大学 | 一种基于二阶灵敏度分析的电机多参数优化方法和系统 |
| CN115841054A (zh) * | 2022-10-21 | 2023-03-24 | 西南石油大学 | 一种外转子开关磁阻电机多目标优化方法及设备 |
| CN116599414A (zh) * | 2023-05-29 | 2023-08-15 | 岚图汽车科技有限公司 | 永磁同步电机nvh性能优化方法、装置、设备及介质 |
Non-Patent Citations (10)
| Title |
|---|
| 司纪凯;张露锋;封海潮;许孝卓;张新良;: "表面-内置式永磁转子同步电机多目标优化设计", 煤炭学报, no. 12, 15 December 2016 (2016-12-15), pages 3167 - 3173 * |
| 吴苏敏: "基于Ansoft的永磁同步电机结构参数优化研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, 15 March 2016 (2016-03-15), pages 042 - 293 * |
| 张耀;杜荣法;赵新超;叶乾杰;: "基于多目标遗传算法的电机噪声优化", 微特电机, no. 04, 23 April 2020 (2020-04-23), pages 21 - 25 * |
| 汪民乐等: "先进遗传算法及其工程应用", 31 October 2019, 西北工业大学出版社, pages: 286 - 291 * |
| 温云: "多目标混合遗传算法在永磁电机优化设计中的应用", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, 15 March 2018 (2018-03-15), pages 042 - 199 * |
| 王晓远;张力;许卫刚;: "基于田口算法的内置式永磁同步电机多目标优化设计", 微电机, no. 05, 28 May 2016 (2016-05-28), pages 1 - 5 * |
| 范庆锋;王振;: "基于遗传算法的车用永磁电机转子尺寸多目标优化设计", 电机与控制应用, no. 10, 10 October 2020 (2020-10-10), pages 97 - 102 * |
| 赖文海: "基于电磁场有限元计算的电动机定子磁场谐波分析与研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, 15 October 2016 (2016-10-15), pages 042 - 41 * |
| 赖文海等: "永磁同步电机转子偏心电磁力和挠度的分析与计算", 电机与控制应用, no. 12, 31 December 2022 (2022-12-31), pages 74 - 79 * |
| 郝金顺: "高功率密度永磁同步电机设计与多目标优化研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, 15 September 2020 (2020-09-15), pages 042 - 25 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117494557B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Song et al. | Torque ripple and efficiency online optimization of switched reluctance machine based on torque per ampere characteristics | |
| Shi et al. | Analysis and optimization of radial force of permanent-magnet synchronous hub motors | |
| Diao et al. | Robust design optimization of switched reluctance motor drive systems based on system-level sequential Taguchi method | |
| CN113094911B (zh) | 一种磁场调制永磁容错电机高功率因数设计方法 | |
| Xu et al. | Robust three‐vector‐based low‐complexity model predictive current control with supertwisting‐algorithm‐based second‐order sliding‐mode observer for permanent magnet synchronous motor | |
| CN111695254B (zh) | 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 | |
| Dutta et al. | A novel rotor topology for high-performance fractional slot concentrated winding interior permanent magnet machine | |
| 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 | |
| Tlali et al. | Comparison of PM vernier and conventional synchronous 15 kW wind generators | |
| Wu et al. | Robust optimization of a rare-earth-reduced high-torque-density Pm motor for electric vehicles based on parameter sensitivity region | |
| Gope et al. | Design optimization of permanent magnet synchronous motor using Taguchi method and experimental validation | |
| 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 | |
| Wang et al. | Cuckoo search algorithm for multi-objective optimization of transient starting characteristics of a self-starting HVPMSM | |
| CN115718966A (zh) | 一种基于参数的表贴式永磁同步电机齿槽转矩优化方法 | |
| CN106295004B (zh) | 一种考虑扰动型设计变量区间的永磁电机优化设计方法 | |
| Naseh et al. | Optimized design of rotor barriers in pm-assisted synchronous reluctance machines with taguchi method | |
| Liu et al. | Optimization of permanent magnet motor air-gap flux density based on the non-uniform air gap | |
| Omar et al. | Design optimization methods for electrical machines: A review | |
| CN117494557B (zh) | 一种高效电机、电机转子冲片参数优化方法及系统 | |
| Botha et al. | Force ripple and cogging force minimisation criteria of single-sided consequent-pole linear vernier hybrid machines | |
| CN112968582B (zh) | 一种低振动永磁无刷电机优化设计方法 | |
| Kazemi Sangdehi et al. | Analysis and optimization of a 12/14 double‐stator flux‐switching machine using low cost magnet | |
| Xie et al. | Torque ripple suppression strategy of asynchronous motor for electric vehicle based on random pulse position space vector pulse width modulation with uniform probability density | |
| CN108988714B (zh) | 一种自励异步发电机暂态稳定分析模型及方法 | |
| Lv et al. | Optimization and pole-slot analysis of a new type permanent magnet hybrid pole motor for electric vehicles |
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 |