一種分塊轉子開關磁阻電機的優化設計方法與流程
2023-10-17 20:18:09 2
本發明屬於開關磁阻電機領域，特別涉及開關磁阻電機的優化設計。
背景技術：
：普通開關磁阻電機以其結構簡單牢固、成本低和可靠性高以及適用於高速運行和惡劣環境等優點，在航空、電動汽車、煤田開採、風力發電和家電領域已廣泛應用。分塊轉子開關磁阻電機的結構參見中國專利申請號為201520267436.7、名稱為「電動汽車驅動用容錯式四相開關磁阻電動機」的文獻中公開的電機。如圖1所示，分塊轉子開關磁阻電機主要由外定子1、內轉子3和轉軸4組成，在外定子的定子齒上繞有繞組2，內轉子3是扇形分塊轉子結構，以扇形分塊轉子取代傳統的凸極結構轉子，在減小風阻、提高電機效率方面有明顯的效果。該分塊轉子開關磁阻電機的定子極弧是βs，轉子極弧是βr，定子軛厚是hcs，轉子塊徑向高度是hcr。分塊轉子開關磁阻電機的這種特殊的結構使其具有多變量、強耦合、高非線性等特點，因此需要對其進行快速而準確的優化設計。目前，關於電機參數的優化設計多數建立在類比法、經驗公式以及有限元基礎上，但這類優化設計需要不斷調用參數模型以獲得其輸出，所以過程繁瑣、計算效率低，同時由於開關磁阻電機嚴重的非線性導致模型的數學解析式難以獲取，所以無法獲得優化目標和各種結構參數之間的數學關係，從而無法建立最優命題。中國專利申請號為201410836987.0、名稱為「一種基於遺傳算法的車用電機多目標優化設計方法」的文獻中公開了針對車用異步電機採用遺傳算法的設計方法，以提高功率密度和效率為目標進行優化設計，然而該優化設計方法所採用的遺傳算法要進行交叉、變異和選擇的進化程序，使得過程較繁瑣，且在尋優過程中容易收斂到局部最優解，不利於全局尋優，另外，該優化算法研究的對象是普通異步電機，並非開關磁阻電機。模糊神經網絡是一種將模糊理論和神經網絡相結合的智能算法，它將模糊理論的專家知識利用較好、對樣本要求較低等優點和神經網絡的人工幹預少、精度高、較強的自學習能力等優點相結合，可以對非線性模型進行精確逼近。粒子群算法是一種從隨機解出發通過迭代尋找最優解的智能優化算法，該算法與其他智能優化算法相比較，規則更為簡單、算法實現容易、精度高、收斂快。基於自適應權重調整的粒子群優化算法，可以實現全局尋優與局部改良的動態平衡。技術實現要素：本發明的目的是為克服現有電機參數的優化設計方法的不足，提出一種針對分塊轉子開關磁阻電機的優化設計方法，能快速、高精度地輸出全局最優解。本發明一種分塊轉子開關磁阻電機的優化設計方法採用的技術方案是：優化對象是KT，η，βs、βr、hcs、hcr、Da、N，βs和βr分別是定子極弧和轉子極弧，hcs和hcr分別是定子軛厚和轉子塊徑向高度，Da是轉子外徑，N是繞組匝數，優化目標是減少轉矩脈動係數KT和提高電機效率η，包括以下步驟：A、構建樣本數據空間集{KT，η，βs、βr、hcs、hcr、Da、N}，將樣本數據空間集作為模糊神經網絡的輸入，訓練模糊神經網絡，輸出非參數模型f1、f2是函數關係符號；B、結合約束條件和優化對象，將優化目標轉化為目標函數：maxf表示最大值，obj表示優化對象的目標函數式；C、採用基於自適應權重調整的粒子群優化算法對優化對象βs、βr、hcs、hcr、Da、N進行全局尋優，輸出目標函數最優解實現減少轉矩脈動係數KT和提高電機效率η的優化目標。進一步地，步驟C中，採用基於自適應權重調整的粒子群優化算法對優化對象βs、βr、hcs、hcr、Da、N進行全局尋優的方法是：先設置粒子群參數，粒子數為40，粒子維數為6，最大迭代次數為1000，自適應慣性權重係數w(k)的初始值為0.75，學習因子c1＝c2＝3；再確定優化對象βs、βr、hcs、hcr、Da、N的搜索範圍：然後初始化，令時刻t＝0，權重係數w(k)＝0.75，開始迭代，計算粒子即優化對象βs、βr、hcs、hcr、Da、N的個體極值和群體極值，根據各粒子的目標函數maxf值的集中與分散情況，權重係數w(k)自適應調整，粒子更新自己的速度和位置；最後，當迭代次數達到最大迭代次數後輸出目標函數最優解本發明的有益效果是：1、本發明針對非線性模型的數學解析式難以獲取而導致無法獲得優化目標和各種結構參數之間的數學關係，從而無法建立最優命題的問題，提出利用模糊神經網絡訓練樣本空間的方法，該方法訓練出的非參數模型精度高而且回歸速度快。2、本發明基於自適應權重調整的粒子群優化算法相比較遺傳算法的交叉、變異、選擇等繁瑣的進化程序，不僅可以實現全局尋優與局部改良的動態平衡，而且該算法容易實現、精度高、收斂快。另外只需要通過軟體編程實現，無需其他硬體設備，成本低，易於工程實現。附圖說明圖1為分塊轉子開關磁阻電機的結構示意圖；圖2為本發明提供的一種分塊轉子開關磁阻電機的優化設計方法流程圖；圖3為圖2中基於自適應權重調整的粒子群優化算法的流程圖。具體實施方式參見圖2，利用二維有限元軟體對分塊轉子開關磁阻電機建立有限元模型，獲取不同結構參數下的轉矩脈動和電機效率，由此構建樣本數據空間集{KT，η，βs、βr、hcs、hcr、Da、N}，其中，KT是轉矩脈動係數，η是電機效率，βs和βr分別表示電機的定子極弧和轉子極弧，hcs和hcr分別表示電機的定子軛厚和轉子塊徑向高度，Da表示轉子外徑，N是繞組匝數。將樣本數據空間集{KT，η，βs、βr、hcs、hcr、Da、N}作為模糊神經網絡的輸入，輸入模糊神經網絡，經過模糊神經網絡的訓練，輸出得到分塊轉子開關磁阻電機的非參數模型，該非參數模型為：KT=f1(βs,βr,hcs,hcr,Da,N)η=f2(βs,βr,hcs,hcr,Da,N)---(1)]]>式中，f1、f2表示函數關係符號。模糊神經網絡採用三層結構，第一層為輸入層，輸入節點數為8，第二層為隱含層，節點數為13，第三層為輸出層，節點數為3。模型訓練次數設置為800次，使模糊神經網絡輸出均方誤差小於0.001時才滿足要求。本發明優化設計的優化目標為：減少轉矩脈動係數KT和提高電機效率η，優化對象為：定子極弧βs和轉子極弧βr、定子軛厚hcs、轉子塊徑向高度hcr、轉子外徑Da和繞組匝數N，約束條件為：Ds=Cla=C*TTN---(2)]]>式中，Ds表示定子外徑，la表示電機定子軸長，C表示定值，C*表示不同於C的定值，C和C*根據電機應用場合的實現條件確定，T表示電機輸出轉矩，TN表示額定轉矩。結合約束條件和優化對象，將優化目標轉化為如下的目標函數：maxf=max(ηKT)=obj(βs,βr,hcs,hcr,Da,N)---(3)]]>式中，maxf表示目標函數f的最大值，表示目標函數的最大值，obj表示優化對象的目標函數式。由於目標函數為一個複雜的非線性函數，難以滿足可微、連續等嚴格的數學條件，因此無法採用傳統最優設計方法。本發明採用基於自適應權重調整的粒子群優化算法對優化對象βs、βr、hcs、hcr、Da、N進行全局尋優。基於自適應權重調整的粒子群優化算法的原理為：當各粒子的目標函數值趨於一致時，慣性權重係數自適應增加；而當各粒子的目標函數值較分散時，慣性權重係數自適應減小，從而粒子加快向最優解靠近。具體如下：參見圖3，先設置粒子群參數，其中粒子數為40，粒子維數為6，最大迭代次數為1000，自適應慣性權重係數w(k)的初始值為0.75，學習因子c1＝c2＝3。確定優化對象βs、βr、hcs、hcr、Da、N的搜索範圍是：然後初始化，令時刻t＝0，權重係數w(k)＝0.75。開始迭代：t＝t+1，由此計算粒子βs、βr、hcs、hcr、Da、N的個體極值和群體極值。根據各粒子βs、βr、hcs、hcr、Da、N的目標函數maxf值的集中與分散情況，權重係數w(k)自適應調整，致使粒子βs、βr、hcs、hcr、Da、N向目標函數maxf最優解收斂速度加快。其中，自適應調整的權重係數w(k)的函數為：w(k)=w(k)min-(f-fmin)w(k)max-w(k)minfavg-fmin,f≤favgw(k)max,f>favg---(5)]]>式中，w(k)是權重係數；w(k)max和w(k)min分別是最大和最小權重係數；f表示該粒子當前位置的目標函數值，favg和fmin分別表示所有粒子βs、βr、hcs、hcr、Da、N當前位置的目標函數maxf的平均值和目標函數maxf的最小值。在粒子找到個體極值和群體極值，並且權重係數在此過程中做自適應調整後，粒子更新自己的速度和位置。當迭代次數達到最大迭代次數後輸出目標函數最優解即輸出優化後的βs、βr、hcs、hcr、Da、N結構參數下的目標函數最優解若未達到最大迭代次數，則繼續迭代，從計算粒子個體極值和群體極值開始依此循環，直至輸出最優解為止，至此，即可完成對分塊轉子開關磁阻電機的優化設計，實現減少轉矩脈動係數KT和提高電機效率η的優化目標。當前第1頁1 2 3