一种电机智能驱动优化方法及系统与流程

本发明涉及电机驱动优化，特别涉及一种电机智能驱动优化方法及系统。

背景技术：

1、随着工业自动化的快速发展和智能制造的广泛应用，电机作为核心动力源，在各类设备和系统中扮演着举足轻重的角色。电机的性能和驱动方案直接影响到生产效率、能源消耗及设备的使用寿命等多个方面。因此，如何优化电机驱动成为当前工业自动化领域亟待解决的问题。

2、目前，电机驱动优化主要依赖传统的试错方法和经验调整，这种传统方法不仅效率低下且研发成本高昂，因为每次调整都需要实际测试来验证效果。而且，传统方法在处理多目标优化问题时显得力不从心，很难在诸如效率、稳定性、响应速度等多个性能指标之间找到最佳平衡点，这常常导致所得驱动方案在某些方面性能突出，但在其他方面却存在严重不足，难以全面满足现代复杂工程应用的综合需求。

技术实现思路

1、基于此，本发明的目的是提出一种电机智能驱动优化方法及系统，以解决上述提到的问题。

2、根据本发明提出的一种电机智能驱动优化方法，所述方法包括：

3、确定电机驱动的优化目标，并对所述优化目标进行量化；

4、基于所述优化目标构建电机性能评估模型，并根据所述电机性能评估模型的输出定义与所述优化目标紧密相关的适应度函数，用来评估每种驱动方案的优劣；

5、结合对驱动方案的适应度的评估，并通过进化寻优算法及退火寻优算法对驱动方案进行优化，以输出最优的电机驱动方案。

6、更进一步的，所述基于所述优化目标构建电机性能评估模型的步骤包括：

7、收集电机在不同的驱动方案下的运行数据和电机性能数据，所述运行数据包括转速、电流、电压和温度；

8、从所述运行数据中，提取与所述优化目标直接相关的特征；

9、将提取的特征和对应的电机性能数据作为训练集，对深度学习模型进行训练，得到电机性能评估模型，所述电机性能评估模型用于根据输入的电机运行数据预测不同驱动方案下的电机性能评估结果。

10、更进一步的，所述根据所述电机性能评估模型的输出定义与所述优化目标紧密相关的适应度函数的步骤中：

11、所述适应度函数用于对所述电机性能评估结果的各性能指标进行加权和计算。

12、更进一步的，所述结合对驱动方案的适应度的评估，并通过进化寻优算法及退火寻优算法对驱动方案进行优化，以输出最优的电机驱动方案的步骤包括：

13、结合对驱动方案的适应度的评估，并通过所述进化寻优算法的选择、交叉和变异操作，在驱动方案空间内进行全局搜索，寻找与所述优化目标相匹配的初始优解集；

14、以所述初始优解集为基础，结合对解的适应度的评估，并通过所述退火寻优算法，在初始优解的邻域内进行局部搜索，以逼近最优解，得到全局最优解；

15、将所述全局最优解作为最优的电机驱动方案。

16、更进一步的，所述结合对驱动方案的适应度的评估，并通过所述进化寻优算法的选择、交叉和变异操作，在驱动方案空间内进行全局搜索，寻找与所述优化目标相匹配的初始优解集的步骤包括：

17、随机生成若干初始的驱动方案，并将所述驱动方案编码为基因序列，作为初始种群的个体；

18、结合所述电机性能评估模型及适应度函数评估所述种群中每个个体的适应度值；

19、根据预设筛选比例，筛选出所述种群中适应度值高的优秀个体，作为所述种群的下一代；

20、从选择操作后的所述种群中随机选择两个个体，进行交叉操作，生成交叉个体，并加入所述种群；

21、对交叉操作后的所述种群中的个体进行变异操作，生成变异个体，并加入所述种群；

22、根据适应度值进行排序，并筛选适应度值高的个体组成新的种群；

23、重复迭代，直至达到所述进化寻优算法的终止条件，则停止迭代，并将当前种群作为初始优解集，当前种群中的个体为初始优解。

24、更进一步的，所述从选择操作后的所述种群中随机选择两个个体，进行交叉操作，生成交叉个体，并加入所述种群的步骤包括：

25、从选择操作后的所述种群中随机选择两个个体作为待交叉个体；

26、在两个所述待交叉个体的交叉点处，交换基因，以创建两个交叉个体，其中，所述交叉点是在所述待交叉个体的基因序列中随机选择的一个或多个位置；

27、判断新的交叉个体是否满足约束条件；

28、若满足，则将所述交叉个体加入所述种群。

29、更进一步的，所述对交叉操作后的所述种群中的个体进行变异操作，生成变异个体，并加入所述种群的步骤包括：

30、将交叉操作后的所述种群中的个体作为待变异个体；

31、在所述待变异个体的基因序列中，随机选择一个或多个变异点；

32、对所述变异点处的基因进行随机调整，生成变异个体；

33、判断所述变异个体是否满足约束条件；

34、若满足，则将所述变异个体加入所述种群。

35、更进一步的，所述以所述初始优解集为基础，结合对解的适应度的评估，并通过所述退火寻优算法，在初始优解的邻域内进行局部搜索，以逼近最优解，得到全局最优解的步骤包括：

36、以所述初始优解集中的初始优解作为所述退火寻优算法的初始解；

37、设定一个高于预设阈值的初始温度值t0；

38、在当前解的邻域内随机搜索新解；

39、根据metropolis准则判断是否接受新解；

40、按照预设的降温策略逐渐降低温度，并重复邻域搜索和接受准则的判断过程，直到满足终止条件，将当前解作为全局最优解的候选集。

41、更进一步的，所述根据metropolis准则判断是否接受新解的步骤包括：

42、结合所述电机性能评估模型及适应度函数对当前解及新解的适应度值分别进行评估；

43、计算所述新解与当前解的适应度值的差异δf，公式为：，其中，f(x′)为新解x′的适应度值，f(x)为当前解x的适应度值；

44、若，则接受所述新解，并对所述当前解进行更新，以使和；

45、若，则以预设接受概率决定是否接受所述新解，所述预设接受概率等于，其中，t 是当前温度。

46、本发明还提供一种电机智能驱动优化系统，包括：

47、优化目标模块：用于确定电机驱动的优化目标，并对所述优化目标进行量化；

48、性能评估模块：用于基于所述优化目标构建电机性能评估模型，并根据所述电机性能评估模型的输出定义与所述优化目标紧密相关的适应度函数，用来评估每种驱动方案的优劣；

49、驱动方案优化模块：用于结合对驱动方案的适应度的评估，并通过进化寻优算法及退火寻优算法对驱动方案进行优化，以输出最优的电机驱动方案。

50、综上，根据上述的一种电机智能驱动优化方法，通过明确并量化电机驱动的优化目标，为优化过程提供了清晰的方向和评估标准；进一步基于优化目标构建电机性能评估模型，使得每种驱动方案的性能可以被预测，根据电机性能评估模型的输出定义一个与优化目标紧密相关的适应度函数，以准确地评估每种驱动方案综合性能的优劣，为优化算法提供了有效的选择依据；再结合进化寻优算法和退火寻优算法，不仅能够在全局范围内搜索最优解，还能通过退火寻优算法的局部搜索能力，对初步找到的最优解进行精细调整，从而提高了找到全局最优解的概率。本发明方法通过电机性能评估模型、适应度函数与两种寻优算法的结合，能够处理多目标优化问题，通过在广泛的驱动方案空间中探寻到全局最优解，以找到在多个目标之间达到最佳平衡的驱动方案，最终输出在多个性能指标上均表现优异的最优电机驱动方案，这个方案有望在实际应用中提供更好的性能表现，满足特定的工程需求。

51、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。