[发明专利]一种基于插值模型和多目标遗传算法的车用驱动电机鲁棒性优化设计方法

权利要求书

1.一种基于插值模型和多目标遗传算法的车用驱动电机鲁棒性优化设计方法，其特征在于，包括以下步骤：

步骤1、设计参数分层：将设计参数划分为高敏感度设计参数和低敏感度设计参数；

步骤2、低敏感度设计参数优化：对低敏感度的设计参数直接进行参数扫描，获取最优设计点，将其允许偏差设定为其最优值的10％；

步骤3、建立高敏感度设计参数与目标相应之间的插值模型；

步骤4、以电机待优化性能以及其波动大小为设计目标，以高敏感度设计参数为待优化参数，进行基于非支配排序遗传算法的多目标优化；

步骤5、在步骤4的基础上，对所选出的电机设计参数组合进行再优化，选取最优目标。

2.根据权利要求1所述的一种基于插值模型和多目标遗传算法的车用驱动电机鲁棒性优化设计方法，其特征在于，所述步骤1中，所述高敏感度设计参数包括h_pm,d_b2,d_r，低敏感度设计参数包括d_b1,d_e,d_rb；其中具体的设计参数对目标的性能敏感度由下式计算：

其中是第i个设计参数x_i对第n个设计目标f_n(x_i)的敏感度，Δx_i是设计参数x_i的增量步长，定义为设计参数初始值的10％。

3.根据权利要求2所述的一种基于插值模型和多目标遗传算法的车用驱动电机鲁棒性优化设计方法，其特征在于，低敏感参数的定义为：该参数只对两个以内的目标具有大于设定阈值的敏感度；高敏感参数的定义为：该参数对两个以上的目标具有大于设定阈值的敏感度；如果待评估参数对所有目标的敏感度都低于阈值，则视为不敏感参数，后续优化不予考虑。

4.根据权利要求2所述的一种基于插值模型和多目标遗传算法的车用驱动电机鲁棒性优化设计方法，其特征在于，所述步骤2中，对低敏感度的设计参数可以选择不进行优化。

5.根据权利要求2所述的一种基于插值模型和多目标遗传算法的车用驱动电机鲁棒性优化设计方法，其特征在于，所述步骤3中，对三个高敏度参数h_pm,d_b2,d_r进行步长设计然后形成多组设计参数组合，对所有待优化的性能进行仿真采点取样，利用插值算法进行数据插值，构建精确的插值模型。

6.根据权利要求5所述的一种基于插值模型和多目标遗传算法的车用驱动电机鲁棒性优化设计方法，其特征在于，所述插值模型采用克里金方法进行插值；具体如下：电机的关键几何参数选点和仿真采点结果分别作为一个离散响应函数的变量值和响应值，并将该响应函数假设为一个高斯随机过程，通过拟合使得该过程的不确定性变得足够小，以获得较为精确的代理模型，所述代理模型的精确性主要受样本数量的影响。

7.根据权利要求2所述的一种基于插值模型和多目标遗传算法的车用驱动电机鲁棒性优化设计方法，其特征在于，所述步骤4的具体过程如下：以电机待优化性能转矩，转矩脉动以及铁心损耗以及这三者对应的标准差为设计目标，以克里金方法获得的代理模型作为计算上述目标的目标函数，以电机的高敏感参数h_pm,d_b2,d_r作为优化变量。通过多目标遗传算法计算获得帕累托前沿面，并根据设计要求选取参数h_pm,d_b2,d_r的确定值；

优化形式如下：

其中，T_out为电机输出转矩，k_r为转矩脉动，P_loss为电机的铁耗，σ为相应项的标准差，代表相应项的波动大小。

8.根据权利要求2所述的一种基于插值模型和多目标遗传算法的车用驱动电机鲁棒性优化设计方法，其特征在于，所述步骤5，以电机设计参数允许的误差尽量大和在该误差下电机加工的成功率尽量高为优化目标，同时以电机设计参数允许的误差为设计参数进行优化，具体如下：

根据概率统计理论，电机的一次加工成功率(合格率)为电机各个设计目标都满足设计需求的概率，如下式所示：

其中，Pi(i＝1,2,3)为电机相应性能的合格率，的值为P₁×P₂×....×P_n；本发明中，将以P₁×P₂×....×P_n作为电机的最终合格率；

电机各个性能单独满足设计需求的概率如下式所示：

其中，μ和σ为电机相应性能的标准方差和数学期望，l和h为相应性能的上下限；

设计多目标优化模型：

其中，Δx为电机相应设计参数的波动大小，P_motor为电机的最终加工成功率。