一种永磁无刷直流电机结构参数协同优化方法
- 国知局
- 2024-09-14 15:05:53
本发明涉及永磁无刷直流电机转矩优化领域,具体涉及一种永磁无刷直流电机结构参数协同优化方法。
背景技术:
1、永磁无刷直流电机(permanent magnet brushless dc motor)作为一种重要的电力驱动装置,由于其具有高效率、高功率密度和快速响应和较低的维护成本等优点,广泛应用在家电、汽车和航空航天等行业中。面向2030年及未来,预期永磁无刷直流电机将在众多领域迎来更为深远的突破与应用扩展。特别是在工业制造领域,该类电机将逐步奠定其作为智能制造以及自动化生产线关键驱动技术的地位,通过提供更高效率和精度的运动控制手段,加速工业生产朝向智能化与柔性化方向发展。在交通运输行业,永磁无刷直流电机将持续在电动汽车、自动驾驶技术以及航空航天等诸多子领域扮演重要角色,促进交通领域的电气化及可持续发展进程。鉴于此,无论是当前的技术发展态势还是未来的技术革新需求,都对永磁无刷直流电机的结构优化设计方法革新及其性能提升提出了更为严峻的挑战和更高的标准。
2、永磁电机的设计,特别是定子和转子的结构参数,对电机的转矩特性、振动和噪声水平产生直接影响。在短周期交付和个性化定制需求的背景下,如何高效地设计出与电机多指标性能精确匹配的定子铁芯内径、槽口宽度和永磁体厚度等关键结构参数,以实现电机性能的最大化,成为了亟待解决的技术挑战。传统上,电机的优化设计依赖于有限元分析(fea)工具来构建数值仿真模型,并在网格分析的基础上进行人工筛选最优方案,以此提升电机性能。然而,这种方法由于涉及大量候选方案的评估,导致计算负担沉重、耗时长久,进而延长了设计周期并增加了研发成本。此外,单独使用maxwell进行基于场计算的电机多指标优化也存在若干问题。首先,基于场计算的电磁分析通过人工计算周期过长,且随着设计周期指标函数数量的增加,计算时间呈现几何级增长;其次,软件内置的优化算法尚不完善和先进,且需要人工设定权重,这使得获得理想的优化结果变得困难。
技术实现思路
1、发明目的:针对背景技术中指出的问题,本发明公开一种永磁无刷直流电机结构参数协同优化方法,可以有效降低电机优化计算复杂度,减少人为干涉,缩短优化周期,方法实现简单高效,降低电机优化设计的门槛。
2、技术方案:本发明公开一种永磁无刷直流电机结构参数协同优化方法,包括:
3、步骤(1)根据设计要求确定无刷直流电机的设计参数,利用maxwell建立电机的参数化模型,确定输出优化指标;
4、步骤(2)将maxwell参数化模型导入到optislang平台进行模型标定,通过设计参数与优化指标的相关性分析保留相关性较高的设计参数;
5、步骤(3)利用optislang的二次采样技术,获取多组高相关设计参数和优化指标的参数组合,并将参数集导入isight平台,构建电机最优代理模型;
6、步骤(4)使用智能优化算法寻优,确定电机最优参数组合与优化指标;
7、步骤(5)将最优的设计参数与指标使用maxwell仿真对比验证,如果maxwell仿真后的模型满足设计要求则结束,否则将最优模型参数回代到步骤(1)中继续进行迭代协同优化。
8、进一步地,步骤(1)中,使用mawell中的rmxprt模块建立电机的参数化模型,根据需求给定合适的参数取值范围,参数化结构变量包括气隙长度、极弧系数、永磁体厚度、槽口宽度、上槽肩宽、下槽肩宽、槽肩深度、槽口宽度、槽深以及槽倒角半径,输出优化指标包括齿槽转矩峰峰值、平均电磁转矩与转矩脉动。
9、进一步地,步骤(2)中,optislang平台通过optislang采样的方法获取样本点,所述optislang采样的方法采用高级拉丁超立方采样法方法获取样本点,所述相关性分析方法采用spearman秩相关系数分析方法,保留较高相关性的设计参数包括气隙长度ag、极弧系数eb、永磁体厚度mt以及槽口宽度bs0。
10、进一步地,spearman秩相关系数ρ描述如下:
11、
12、式中,xi为总设计参数样本集中第i个设计参数在总设计参数中的排名;yj为总输出目标样本集中第j个优化指标在总优化指标样本集中的排名;dij为第i个设计参数与第j个优化指标值的等级之差;n为总设计参数为样本集,m为总输出目标样本集。
13、进一步地,步骤(3)中,最优代理模型为椭圆基神经网络ebf最优代理模型,具体如下:
14、
15、式中,||x-xi,||m是待测点与样本点之间的mahalanobis距离;(x-xi)是待测点x与样本点xi的差向量;s是协方差矩阵;c为样本中心点;n是样本数量;zk是第k个输出层的响应;wi是第i个样本的权重系数;
16、所述椭圆基神经网络ebf最优代理模型包含输入层、隐含层和输出层的三层前向网络,以待测点与样本点之间的mahalanobis距离作为自变量,对输入变量进行非线性变换。
17、进一步地,椭圆基神经网络ebf最优代理模型采用交叉验证方法通过决定系数r2验证最优代理模型的准确性,并采用nsga-ⅱ多目标优化算法对最优代理模型寻优计算。
18、进一步地,nsga-ⅱ多目标优化算法的多目标优化模型的目标函数与约束条件描述如下:
19、
20、式中,f(x)为最优代理模型的目标函数;te0、tr0与tc0分别表示初始设计参数下的输出电磁转矩平均值、转矩脉动与齿槽转矩峰峰值;x为优化的设计参数。
21、有益效果:
22、本技术永磁无刷直流电机结构参数协同优化方法,通过maxwell-optislang-isight数据的互相交互读取,可以同时对多个电机仿真模型进行仿真优化。有限元结构参数优化中,往往需要考虑多个约束条件,如尺寸、效率、成本等。协同优化同时考虑这些不同约束条件,通过调用代理模型与智能优化算法找到可靠的最优解,减少了单独优化每个模型的时间和成本,有效缩短了优化周期,提高了优化效率,同时降低了电机优化设计的门槛。
23、传统获取数据的方法都是设计师通过maxwell不断改变其结构参数进行排列组合获得实验数据,为了解决数据获取繁琐的问题,有些学者提出了各种各样的方法来减少这个人工获取实验数据的次数,比如田口法、bbd、ccd等doe方法都是用来减少实验次数,但这些方法只减少了输入参数的组合,还是需要依赖人工去输入结构参数值到maxwell中获取输出的目标值,还是很繁琐。所以本发明通过maxwell结合optislang去获取实验数据,就不需要人工去手动获取实验数据,通过optislang使用新的doe方法可以快速而且有质量的获取众多参数组合和目标值,减少了人工去获取数据的繁琐。虽然optislang中也有智能优化算法,但其算法数量较少且单一,所以又结合isight这个用于机械领域的平台,该平台的智能算法比optislang中的算法多,来弥补optislang智能算法少的缺陷。通过本技术方法可以高效且简单的就可以完成复杂的优化问题。
本文地址:https://www.jishuxx.com/zhuanli/20240914/296945.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表