[發明專利]一種磁齒輪無刷直流電機的多目標結構優化方法

有效

• 申請號: 201910337534.6
• 申請日: 2019-04-25
• 公開（公告）號: CN110008641B
• 公開（公告）日: 2023-08-18
• 發明（設計）人: 楊益飛;汪紅兵;黃海洋
• 申請（專利權）人: 蘇州市職業大學
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06F30/27;G06F30/17;G06N3/006;G06N3/084;G06F111/06
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 許方

1.一種磁齒輪無刷直流電機的多目標結構優化方法，其特征在于，包括以下步驟：

步驟S1、初始化

選擇磁齒輪無刷直流電機結構參數中定子槽數、轉子槽數、轉子端環外徑、轉子端環內徑作為結構參數，同時產生最初的4個族群；選擇任意一個結構參數作為其中一個族群，最初族群產生方式是在搜尋空間中隨機開始，其進行方式如式(1)

其中，為最初的族群，σ_i∈(0,1]的隨機數，在最初族群中，所有個體產生方式如(1)式；N_p是族群大小，X_i,max和X_i,min分別代表第i個個體上限值以及下限值；

步驟S2、變異操作

在差分進化法中，變異運算元的操作方式以向量差方式進行，在第G代的族群中，任意兩個個體定義式(2)的向量差，

其中，D_jk為向量差，分別為G代族群中第j和第k個個體；

通過上述向量差D_jk，下一代候選個體，通過個體利用變異運算元來產生，如式(3)；

其中，是G+1代族群中第i個個體估計值，是G代族群中第p個個體，F是比例因子；

同時進行如下式(4)的交叉操作，

其中，i＝1,......N_p和g＝1,...,m，g∈(0,m)的自然數，m為自然數，C_r∈(0,1)的交叉因子，為G+1代族群中為第g個個體的第i個基因，為第G代族群中為第g個個體的第i個基因，為第G代族群中為第g個個體的第i個基因的估計值；這里引用定量機制的概念產生下一代的子代，此變異運算元的產生方式如下式(5)所示：

其中，u∈(0,1]，u為隨機數，為G代族群中第i個個體的第1個基因，為G代族群中第i個個體的第2個基因，為G代族群中第i個個體；

步驟S3、判斷與選擇

針對子代的個體與相對應父代的個體作相互競爭，產生方式如下：

其中，argmin就是取后面這個式子的兩個表達式的最小值，為第G+1代中個體，為第G代中個體的函數表達式，為第G+1代中個體的估計值函數表達式；

步驟S4、排除法

混沌搜索反向學習差分法引入排除法，其操作方式在于先利用以下方法產生一個新的個體，

其中，α和δ均為0與1之間隨機產生的數字，和分別是G+1代中最差和最好的個體，為G+1代中新的個體，為G+1代中第i個個體的第1個基因，為G+1代中第i個個體的第2個基因；式(7)所產生新個體如果優于第G代中最差的個體，這個個體將取代第G代中最差的個體；

步驟S5、移數運算

移數運算以目前的最佳族群個體為基礎，重新產生新族群以維持族群的多樣性，強化小族群搜尋能力，第i個個體的第g個基因產生方式如下：

其中，參數σ_i和δ為隨機數，i＝1,…,N_p而且g＝1,…,m，為第i個個體的第g個基因，X_gmin為第g個基因最小值，X_gmax為第g個基因最大值；

步驟S6、加速運算

當這代的個體產生后，若是沒有產生比之前的最佳個體更優的個體時，則執行加速運算元，采用下降法當作加速運算元，其表示式(9)如下，

其中，代表第G代最佳個體，則代表目標函數梯度，φ為步階大小，為第G+1代最佳個體，為第G+1代最佳個體函數公式，為當前第G代最佳個體函數公式；

步驟S7、對于定子槽數、轉子槽數、轉子端環外徑、轉子端環內徑這4個結構參數，每一個族群都重復步驟S2至步驟S4，每一個族群都重復步驟S2至步驟S4至N次，N為預設次數，所有結構參數便能達到最優化。

2.根據權利要求1所述的一種磁齒輪無刷直流電機的多目標結構優化方法，其特征在于，通過有限差異法近似計算得到。

3.根據權利要求1所述的一種磁齒輪無刷直流電機的多目標結構優化方法，其特征在于，φ的初值設為1。