[发明专利]一种永磁电机的代理辅助优化设计方法及系统在审
申请号: | 202010900908.3 | 申请日: | 2020-08-31 |
公开(公告)号: | CN111985064A | 公开(公告)日: | 2020-11-24 |
发明(设计)人: | 马一鸣;王晋;帅康;周理兵 | 申请(专利权)人: | 华中科技大学 |
主分类号: | G06F30/17 | 分类号: | G06F30/17;G06F30/23;G06N3/00;G06N3/08 |
代理公司: | 华中科技大学专利中心 42201 | 代理人: | 李智 |
地址: | 430074 湖北*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 永磁 电机 代理 辅助 优化 设计 方法 系统 | ||
1.一种永磁电机的代理辅助优化设计方法,其特征在于,包括以下步骤:
S1:基于永磁电机的初始结构参数,建立有限元模型;
S2:确定优化目标,进行全局灵敏度分析,选取对所述优化目标的灵敏度相对较大的结构参数作为优化参数,并确定优化参数的变化范围以及水平数;
S3:在优化参数的变化范围内,根据所述优化参数的个数以及水平数,建立田口实验正交表;
S4:根据所述田口实验正交表显示的优化参数组合,在所述有限元模型中进行仿真,获取对应的优化目标值;
S5:采用机器学习,以所述田口实验正交表显示的优化参数组合作为输入,以对应的优化目标值作为输出,进行模型训练,生成代理模型;
S6:将多目标优化算法的评价函数设置为所述代理模型的各个输出,并对所述各个输出进行最小化或最大化处理;
S7:根据多目标优化过程得到的Pareto前沿解,确定对应最优结果的优化参数。
2.根据权利要求1所述的方法,其特征在于,步骤S4中进行仿真的次数为所述田口实验正交表的总行数。
3.根据权利要求1所述的方法,其特征在于,步骤S5中机器学习算法为以下任一项:
人工神经网络算法ANN,极限学习机算法ELM,支持向量机算法SVM。
4.根据权利要求1所述的方法,其特征在于,步骤S6中多目标优化算法为以下任一项:
多目标粒子群优化算法MOPSO,第二代多目标遗传算法NSGAII,第三代多目标遗传算法NSGAIII。
5.一种永磁电机的代理辅助优化设计系统,其特征在于,包括:
有限元模型建立模块,用于根据永磁电机的初始结构参数,建立有限元模型;
灵敏度分析模块,用于确定优化目标,进行全局灵敏度分析,选取对所述优化目标的灵敏度相对较大的结构参数作为优化参数,并确定优化参数的变化范围以及水平数;
田口实验正交表建立模块,用于在优化参数的变化范围内,根据所述优化参数的个数及水平数,建立田口实验正交表;
仿真数据获取模块,用于根据所述田口实验正交表显示的优化参数组合,在所述有限元模型中进行仿真,获取对应的优化目标值;
代理模型建立模块,用于采用机器学习,以所述田口实验正交表显示的优化参数组合作为输入,以对应的优化目标值作为输出,进行模型训练,生成代理模型;
多目标优化模块,用于将多目标优化算法的评价函数设置为所述代理模型的各个输出,并对所述各个输出进行最小化或最大化处理;
优化参数确定模块,用于根据多目标优化过程得到的Pareto前沿解,确定对应最优结果的优化参数。
6.根据权利要求5所述的系统,其特征在于,所述仿真数据获取模块进行仿真的次数为所述田口实验正交表的总行数。
7.根据权利要求5所述的系统,其特征在于,所述代理模型建立模块中采用的机器学习算法为以下任一项:人工神经网络算法ANN,极限学习机算法ELM,支持向量机算法SVM。
8.根据权利要求5所述的系统,其特征在于,所述多目标优化模块中采用的多目标优化算法为以下任一项:多目标粒子群优化算法MOPSO,第二代多目标遗传算法NSGAII,第三代多目标遗传算法NSGAIII。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华中科技大学,未经华中科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010900908.3/1.html,转载请声明来源钻瓜专利网。