CN113408160B - 一种基于多目标优化的电机参数设计方法 - Google Patents
一种基于多目标优化的电机参数设计方法 Download PDFInfo
- Publication number
- CN113408160B CN113408160B CN202110953593.3A CN202110953593A CN113408160B CN 113408160 B CN113408160 B CN 113408160B CN 202110953593 A CN202110953593 A CN 202110953593A CN 113408160 B CN113408160 B CN 113408160B
- Authority
- CN
- China
- Prior art keywords
- optimization
- motor
- parameters
- optimized
- value
- 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 191
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明提供一种基于多目标优化的电机参数设计方法,所述方法包括:构建电机参数预测模型,根据电机参数预测模型构建电机优化目标函数;根据电机优化目标函数设定随机优化算法的目标函数,采用随机优化算法对待优化参数进行优化;根据随机优化算法计算得到待优化参数的优化结果,获得满足目标函数值最小的电机最佳参数。该方法能够克服现有优化方法计算耗时长且效率低的缺点,优化过程中采用有限元方法,得到优化目标和优化参数的关系,在建立参数预测模型的基础上,采用随机优化算法进行计算,确保结果的准确性;本发明提高了预测的可靠性,大大缩短计算时长,兼顾精度与效率。本发明主要用于电机技术领域。
Description
技术领域
本发明属于电机优化方法领域,尤其涉及一种基于多目标优化的电机参数设计方法。
背景技术
电机被广泛应用于工业生活的各个领域。发电机产生巨大的电能,电动机在生产制造、交通运输领域发挥着极其重要的作用。电机直接影响着生产生活,设计出高性能电机具有十分重要的意义。
由于电机结构复杂,各个参数之间互相影响,传统的设计方法基于设计人员的经验,无法精确地设计出性能最佳的电机参数。现有的优化方法多以构建优化目标的数学模型并通过算法进行优化为主,优化的参数数量有限,没有经过仿真验证,可靠性不足,且无法获得优化目标和优化参数之间的关系,导致计算耗时长且效率低,无法满足电机多目标优化的需求。
中国专利文献“201410836987.0”通过建立电机优化数学模型,采用遗传算法进行异步电机多目标优化设计,缩短了电机的设计周期。中国专利文献“201910650018.9”通过田口方法进行实验设计,探究电机参数对电机输出电压的影响,得到最优设计方案。但是以上方法不能兼顾多目标优化和仿真计算的进度与速度,也不能得到优化目标与优化参数之间的关系。
考虑以上问题,提出一种基于多目标优化的电机参数设计方法。
发明内容
本发明是为了解决现有的电机优化方法存在的技术问题,提供一种基于多目标优化的电机参数设计方法,克服现有优化方法计算耗时长且效率低的缺点,解决电机多目标优化问题,提高优化的速度和精度,促进电机的高效优化设计。
为解决上述技术问题,本发明提出的技术方案为:
本发明提供了一种基于多目标优化的电机参数设计方法,所述方法包括:
S101:构建电机参数预测模型,根据电机参数预测模型构建电机优化目标函数;
S102:根据电机优化目标函数设定随机优化算法的目标函数,采用随机优化算法对待优化参数进行优化;
S103:根据随机优化算法计算得到待优化参数的优化结果,获得满足电机优化目标函数值最小的电机最佳参数。
进一步,所述的构建电机参数预测模型,根据电机参数预测模型构建电机优化目标函数的具体步骤如下:
S201:构建电机优化数学模型:
S202:对m个待优化参数,取p组不同的值,每一组均包含m个待优化参数的取值,采用有限元方法计算得到p个优化目标的实际值;
S203:采用二阶回归方法,根据p个优化目标的实际值与p组待优化参数计算回归系数,构建参数模型,如下式所示:
S204:对m个待优化参数另取q组不同的值,每一组均包含m个待优化参数的取值,
计算优化目标的预测值和实际值:采用有限元方法计算得到q个优化目标的实际值,用参数
模型计算得到q个的值作为q个优化目标的预测值;
S205:根据优化目标的实际值和预测值,采用下式计算预测系数:
S206:判断是否预测系数<系数阈值;根据预测系数和系数阈值的关系,执行以下任一种情况:
S208:根据参数预测模型和欲达成的优化方向,将优化目标分为两类,根据优化目标的分类构建电机优化目标函数;其中优化目标分为两类,具体为:
根据优化目标的分类构建如下形式的电机优化目标函数:
进一步,根据电机优化目标函数设定随机优化算法的目标函数,采用随机优化算法对待优化参数进行优化,根据随机优化算法计算得到待优化参数的优化结果,获得满足电机优化目标函数值最小的电机最佳参数的具体步骤如下:
S301:根据待优化参数和范围,设定随机优化算法的变量和变化区间;根据构建的电机优化目标函数,设定随机优化算法的目标函数;
S302:设定种群数量、迭代次数和误差精度,以目标函数值最小为条件进行计算;
S303:根据算法收敛的结果,得到变量的取值,即待优化参数的优化结果,亦即满足电机优化目标函数值最小的电机最佳参数。
本发明针对电机参数设计,优化耗时长且效率低的问题,提出一种基于多目标优化的电机参数设计方法,主要有以下的优点:
(1)优化过程中采用有限元方法,得到优化目标和优化参数的关系,在建立参数预测模型的基础上,采用随机优化算法进行计算,确保结果的准确性;
(2)提高预测的可靠性,大大缩短计算时长,兼顾精度与效率。
附图说明
图1为本发明实施例提供的一种基于多目标优化的电机参数设计方法的流程图。
图2是本发明实施例提供的一种构建电机参数预测模型和目标函数的方法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步说明,但不限定本发明。
本发明是为了解决现有的电机优化方法存在的技术问题,提供一种基于多目标优化的电机参数设计方法,克服现有优化方法计算耗时长且效率低的缺点,解决电机多目标优化问题,提高优化的速度和精度,促进电机的高效优化设计。
本发明提供的基于多目标优化的电机参数设计方法,如图1所示,包括如下步骤:
S101:构建电机参数预测模型,根据电机参数预测模型构建电机优化目标函数;
S102:根据电机优化目标函数设定随机优化算法的目标函数,采用随机优化算法对待优化参数进行优化;
S103:根据随机优化算法计算得到待优化参数的优化结果,获得满足电机优化目标函数值最小的电机最佳参数。
进一步,如图2所示,所述的构建电机参数预测模型和电机优化目标函数的具体步骤如下:
S201:构建电机优化数学模型:
S202:对m个待优化参数,取p组不同的值,每一组均包含m个待优化参数的取值,采用有限元方法计算得到p个优化目标的实际值;
S203:采用二阶回归方法,根据p个优化目标的实际值与p组待优化参数计算回归系数,构建参数模型,如下式所示:
S204:对m个待优化参数另取q组不同的值,每一组均包含m个待优化参数的取值,
计算优化目标的预测值和实际值:采用有限元方法计算得到q个优化目标的实际值,用参数
模型计算得到q个的值作为q个优化目标的预测值;
S205:根据优化目标的实际值和预测值,采用下式计算预测系数:
S206:判断是否预测系数<系数阈值;根据预测系数和系数阈值的关系,执行以下任一种情况:
S208:根据参数预测模型和欲达成的优化方向,将优化目标分为两类,根据优化目标的分类构建电机优化目标函数;其中优化目标分为两类,具体为:
根据优化目标的分类构建如下形式的电机优化目标函数:
进一步地,S201所述的设计参数包括但不限于定转子结构参数、绕组参数、磁钢规格等,优化目标包括但不限于平均转矩、转矩波动、效率等。
进一步地,S202所述的有限元方法通过Ansoft Maxwell、ANSYS ElectronicsDesktop等软件仿真计算实现。
进一步地,步骤S102、S103中所述的根据电机优化目标函数设定随机优化算法的目标函数,采用随机优化算法对待优化参数进行优化,根据随机优化算法计算得到待优化参数的优化结果,获得满足电机优化目标函数值最小的电机最佳参数的具体步骤如下:
S301:根据待优化参数和范围,设定随机优化算法的变量和变化区间;根据构建的电机优化目标函数,设定随机优化算法的目标函数;
S302:设定种群数量、迭代次数和误差精度,以目标函数值最小为条件进行计算;
S303:根据算法收敛的结果,得到变量的取值,即待优化参数的优化结果,亦即满足电机优化目标函数值最小的电机最佳参数。
其中,步骤S102和步骤S103中所述的随机优化算法为现有技术,包括遗传算法、粒子群算法、模拟退火算法等。
以上对本发明所提供的一种基于多目标优化的电机参数设计方法进行了详细介绍,以上实施说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (2)
1.一种基于多目标优化的电机参数设计方法,其特征在于,所述方法包括:
S101:构建电机参数预测模型,根据电机参数预测模型构建电机优化目标函数;
S102:根据电机优化目标函数设定随机优化算法的目标函数,采用随机优化算法对待优化参数进行优化;
S103:根据随机优化算法计算得到待优化参数的优化结果,获得满足电机优化目标函数值最小的电机最佳参数;
所述的构建电机参数预测模型,根据电机参数预测模型构建电机优化目标函数的具体步骤如下:
S201:构建电机优化数学模型:
S202:对m个待优化参数,取p组不同的值,每一组均包含m个待优化参数的取值,采用有限元方法计算得到p个优化目标的实际值;
S203:采用二阶回归方法,根据p个优化目标的实际值与p组待优化参数计算回归系数,构建参数模型,如下式所示:
S204:对m个待优化参数另取q组不同的值,每一组均包含m个待优化参数的取值,计算
优化目标的预测值和实际值:采用有限元方法计算得到q个优化目标的实际值,用参数模型
计算得到q个的值作为q个优化目标的预测值;
S205:根据优化目标的实际值和预测值,采用下式计算预测系数:
S206:判断是否预测系数<系数阈值;根据预测系数和系数阈值的关系,执行以下任一种情况:
S208:根据参数预测模型和欲达成的优化方向,将优化目标分为两类,根据优化目标的分类构建电机优化目标函数;其中优化目标分为两类,具体为:
根据优化目标的分类构建如下形式的电机优化目标函数:
2.根据权利要求书1所述的一种基于多目标优化的电机参数设计方法,其特征在于,根据电机优化目标函数设定随机优化算法的目标函数,采用随机优化算法对待优化参数进行优化,根据随机优化算法计算得到待优化参数的优化结果,获得满足电机优化目标函数值最小的电机最佳参数的具体步骤如下:
S301:根据待优化参数和范围,设定随机优化算法的变量和变化区间;根据构建的电机优化目标函数,设定随机优化算法的目标函数;
S302:设定种群数量、迭代次数和误差精度,以目标函数值最小为条件进行计算;
S303:根据算法收敛的结果,得到变量的取值,即待优化参数的优化结果,亦即满足电机优化目标函数值最小的电机最佳参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110953593.3A CN113408160B (zh) | 2021-08-19 | 2021-08-19 | 一种基于多目标优化的电机参数设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110953593.3A CN113408160B (zh) | 2021-08-19 | 2021-08-19 | 一种基于多目标优化的电机参数设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408160A CN113408160A (zh) | 2021-09-17 |
CN113408160B true CN113408160B (zh) | 2021-11-23 |
Family
ID=77688897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110953593.3A Active CN113408160B (zh) | 2021-08-19 | 2021-08-19 | 一种基于多目标优化的电机参数设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408160B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI815313B (zh) * | 2022-02-16 | 2023-09-11 | 國立宜蘭大學 | 一種同步馬達之單體最佳性能量測系統及其方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491670A (zh) * | 2018-04-17 | 2018-09-04 | 常熟理工学院 | 一种电动物流车驱动电机的参数匹配及优化方法 |
CN110008641A (zh) * | 2019-04-25 | 2019-07-12 | 苏州市职业大学 | 一种磁齿轮无刷直流电机的多目标结构优化方法 |
CN110442931A (zh) * | 2019-07-19 | 2019-11-12 | 兰州理工大学 | 一种基于rsm的电机多目标优化设计方法 |
CN111071064A (zh) * | 2019-12-30 | 2020-04-28 | 武汉理工大学 | 一种双电机电动汽车的转速协调控制方法 |
CN112737463A (zh) * | 2020-12-20 | 2021-04-30 | 浙江理工大学 | 一种永磁直线同步电机的多目标优化方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10449534B2 (en) * | 2014-11-17 | 2019-10-22 | Brand Gmbh + Co Kg | Control unit for pipetting machines |
CN106021695B (zh) * | 2016-05-16 | 2019-04-30 | 江苏大学 | 基于设计变量分层的电机多目标优化设计方法 |
-
2021
- 2021-08-19 CN CN202110953593.3A patent/CN113408160B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491670A (zh) * | 2018-04-17 | 2018-09-04 | 常熟理工学院 | 一种电动物流车驱动电机的参数匹配及优化方法 |
CN110008641A (zh) * | 2019-04-25 | 2019-07-12 | 苏州市职业大学 | 一种磁齿轮无刷直流电机的多目标结构优化方法 |
CN110442931A (zh) * | 2019-07-19 | 2019-11-12 | 兰州理工大学 | 一种基于rsm的电机多目标优化设计方法 |
CN111071064A (zh) * | 2019-12-30 | 2020-04-28 | 武汉理工大学 | 一种双电机电动汽车的转速协调控制方法 |
CN112737463A (zh) * | 2020-12-20 | 2021-04-30 | 浙江理工大学 | 一种永磁直线同步电机的多目标优化方法及装置 |
Non-Patent Citations (2)
Title |
---|
Multi-Objective Parameter Optimization in Support Vector Regression: General Formulation and Application to the Retrieval of Soil Moisture From Remote Sensing Data;Luca Pasolli等;《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;20121031;第5卷(第5期);第1495-1505页 * |
负荷预测的混沌相空间二阶多项式回归法及其参数优化;杨正瓴 等;《中国电力》;20040831;第37卷(第8期);第38-40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113408160A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059348B (zh) | 一种轴向分相磁悬浮飞轮电机悬浮力数值建模方法 | |
CN113627000B (zh) | 一种基于参数敏感域的永磁电机分层稳健优化设计方法 | |
CN110932274A (zh) | 一种电力***测量与负荷参数分析辨识方法 | |
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 | |
CN113408160B (zh) | 一种基于多目标优化的电机参数设计方法 | |
CN112149246A (zh) | 一种永磁电机多目标优化设计方法和*** | |
Gao et al. | Optimization design of switched reluctance motor based on particle swarm optimization | |
Wang et al. | New optimization design method for a double secondary linear motor based on R-DNN modeling method and MCS optimization algorithm | |
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 | |
CN108984975A (zh) | 一种轮毂驱动***高效轻质优化设计方法 | |
CN112989702A (zh) | 一种装备性能分析与预测的自学习方法 | |
Mendes et al. | Particle swarm and Box׳ s complex optimization methods to design linear tubular switched reluctance generators for wave energy conversion | |
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 | |
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 | |
CN113177341A (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 | |
Xiao et al. | Parameter identification of direct‐drive permanent magnet synchronous generator based on EDMPSO‐EKF | |
CN116796597A (zh) | 一种适用于多参数耦合永磁游标轮缘推进电机的多目标优化方法 | |
CN113987946B (zh) | 一种基于正交分析的粒子群多目标电机优化方法及*** | |
CN115081328A (zh) | 基于改进粒子群算法的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. | |
CN115221787A (zh) | 基于nsga-ⅱ的圆筒型永磁直线电机多目标优化方法和*** | |
Jiang et al. | Coupled electromagnetic/thermal machine design optimization based on finite element analysis with application of artificial neural network | |
CN111859574A (zh) | 一种降低转矩脉动的同步磁阻电机转子优化设计方法 | |
Song et al. | A new regression modeling method for pmslm design optimization based on k-nearest neighbor algorithm | |
Zhang et al. | An improved Kriging surrogate model method with high robustness for electrical machine optimization |
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 |