一种传动链系统智能反演优化方法技术方案

一种传动链系统智能反演优化方法，对传动链系统在SMC

【技术实现步骤摘要】
一种传动链系统智能反演优化方法


[0001]本专利技术涉及传动链
，尤其涉及一种传动链系统智能反演优化方法。

技术介绍

[0002]在面向深远海大型海上风电机组的应用，直驱永磁风电机组传动链系统的高可靠性与高效性设计仍然存在这着较大理论空白与制造困难。传动链的可靠性直接影响整个机组的运行状态与维护成本，其效率直接影响我国海洋资源能源利用效率；因此传动链系统的优化设计对我国海上资源的开发与利用有着重要的意义。
[0003]传动链系统主要包括变流器
‑
发电机两大部分，在优化设计过程中主要考虑对传动链系统各个部分进行建模分析，考虑各个部分之间的多物理场交叉耦合作用，在不影响可靠性与稳定性的同时，针对系统的效率最大化展开优化设计。
[0004]为了针对传动链系统的最大化效率优化，人们对发电机部分展开了优化设计，虽然能够在一定程度上提高传动链的优化效率，但是仍然存在着以下缺点：（1）未考虑发电机实际供电为PWM波形，仅考虑发电机在理想正弦供电波形下的优化设计，该优化方法往往难以贴合实际传动链系统的优化设计与应用。
[0005]（2）采用传统的拟合代理模型，如多项式拟合、神经网络预测等方法，难以精确建立效率与优化变量之高度交互、高次非线性的数学逻辑关系，建立的模型精度较低。
[0006]（3）现有技术在进行优化设计时，往往是针对单独的发电机进行优化设计，即考虑发电机的供电方式为三相正弦波形供电，而实际的传动链系统中电机的供电方式为PWM脉冲调制波形。电机在实际运行过程中即运行在PWM控制波形下，其电磁性能与机械性能相较理想的供电波形下都有较大的变化，具体变化有：电磁损耗的增加、IGBT等功率元件的损耗增大、寿命减小、热应力增大、温升增加等影响。因此不考虑发电机的实际运行状况对其进行优化设计其设计优化方案往往与实际误差较大，并且很难达到设计指标。
[0007]（4）现有技术在进行建立代理模型的时候，往往采用传统的拟合模型，如多项式拟合模型、神经网络等模型，而传动链系统，即使是在未考虑变流器侧PWM控制波形的情况下，其优化目标如效率、转矩等物理量与优化设计的电机结构变量之间往往存在着多个物理场的相互影响，其数学关系往往具有高度的交互性、高次非线性等特点；因此传统的代理模型很难通过数据样本学习到其负责的数学关系。在考虑了变流器侧对整个系统的影响后，其数学关系将更加复杂，模型的准确性往往难以保证。

技术实现思路

[0008]本专利技术所要解决的技术问题是，提供一种传动链系统智能反演优化方法，为了解决这一技术问题，本专利技术采用以下技术方案：一种传动链系统智能反演优化设计方法，包括以下步骤；S1.对传动链系统在SMC
‑
SVPWM滑模控制算法下的电磁响应进行建模计算，得到传动链系统在SMC
‑
SVPWM滑模控制算法下的整体效率；
S2.在S1基础上选定永磁体的长度变量、宽度，齿槽参数为优化变量；建立电机参数的Morris随机抽样矩阵，通过S1建模计算方法计算样本的电磁响应，对电机的参数进行初等效应分析以定量衡量各个参数的敏感性与参数之间的交互性，并通过Taguchi方法建立变量的正交试验表并对其进行信噪比分析，初步筛选出电机的敏感变量；S3.通过S2选择永磁体的长度变量、宽度，齿槽参数为敏感变量，同时确定BS1=4.5mm，HS1=1.7mm；定量分析各变量对传动链效率的影响比重，对其进行方差分析，计算出每个变量的方差值；最后，初等效应与方差分析结合在一起使用，检查一个或多个因子的水平均值之间的差值，通过选取初等效应均值较大、方差分析中幅度变化较大的变量为敏感变量；S4.根据S3中的敏感变量采用均匀度较高的拉丁超立方抽样方案生成抽样方案；抽样方案步骤如下：首先通过随机生成6个维度，120个样本点的不同超拉丁立方抽样；对建立的拉丁超立方抽样方案建立空间两点的距离范数与得分函数：；
ꢀꢀꢀꢀ
（1）；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）式中，为两个样本之间的空间范数，为样本范数的个数；为距离计算参数，为待优化参数，为第个样本的第个变量，为第个样本的第个变量，为样本的总个数，为个变量，为个变量，为变量水平数；通过遗传算法对不同q下的局部最佳试验设计方案进行寻优，在确定了不同q下的局部最佳设计方案后，通过极大极小准则对所有的局部排序方案进行排序以选择空间均匀性最好的方案：
；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）式中，为两个样本之间的空间范数，为样本范数的个数；S5.将抽样方案中的样本点进行传动链一体化仿真得到效率响应；选取70%的样本点建立高斯随机过程模型，在建立高斯随机过程模型的基础上，采用以目标为导向的反演优化设计方法得到智能反演优化模型；S6.在智能反演优化模型的基础上，考虑传动链系统整体输出转矩为约束，采用PESA
‑
II基于范围选择的多目标优化算法对其进行优化。
[0009]进一步地，在S3中确定敏感变量的步骤如下：利用初等效应分布图筛选传动链整体效率对各个参数的敏感性，构造Morris统计矩阵对变量进行初等效应分析，即：；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）式中，为第个变量的初等效应分布，为增量，为第k纬变量，为x方向，为传动链效率；归一化后的（k+1）k的抽样矩阵，每一列仅有两行在第i个位置上不同，通过随机置换算法构造计算矩阵X。
[0010]进一步地，所述计算矩阵X公式如下：；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）
式中，为k+1列单位向量，为随机初始化的增量，为通过随机增量生成的与变量维度相同的行向量且各个元素为不超过1的随机增量的倍数，为元素只是0、1的矩阵，为只有两个元素为1的零向量，为单位矩阵，为对角线只有1、
‑
1的随机初始化元素，为进行r次上述抽样过程，且X矩阵的每一行为初等效应分析因子；通过对X矩阵进行r次初等效应计算，得到不同变量的初等效应分布。
[0011]进一步地，所述S3中的方差公式为:；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）式中，为试验次数，为变量水平数，为每个水平实验数，为目标值，代表第个变量的第个水平对应所有的平均值，代表所有试验次数下的平均值。
[0012]进一步地，在建立高斯随机过程模型的基础上，采用以目标为导向的反演优化设计方法得到智能反演优化模型的具体流程如下；通过极大似然估计结合遗传算法对70%的样本点建立高斯随机过程模型，即，基于数据的极大然估计函数： ；
ꢀꢀꢀ
（8）；
ꢀꢀꢀꢀ
（9）
；
ꢀꢀꢀꢀꢀꢀꢀꢀ
（10）式中，为样本个数，为响应，为协方差矩阵，X为抽样样本矩阵，Y为响应向量，其中，与为函数的关系可通过遗传算法结合极大似然估计得到。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种传动链系统智能反演优化方法，其特征在于：包括以下步骤；S1.对传动链系统在SMC
‑
SVPWM滑模控制算法下的电磁响应进行建模计算，得到传动链系统在SMC
‑
SVPWM滑模控制算法下的整体效率；S2.在S1基础上选定永磁体的长度变量、宽度，齿槽参数为优化变量；建立电机参数的Morris随机抽样矩阵，通过S1建模计算方法计算样本的电磁响应，对电机的参数进行初等效应分析以定量衡量各个参数的敏感性与参数之间的交互性，并通过Taguchi方法建立变量的正交试验表并对其进行信噪比分析，初步筛选出电机的敏感变量；S3.通过S2选择永磁体的长度变量、宽度，齿槽参数为敏感变量，同时确定BS1=4.5mm，HS1=1.7mm；定量分析各变量对传动链效率的影响比重，对其进行方差分析，计算出每个变量的方差值；最后，初等效应与方差分析结合在一起使用，检查一个或多个因子的水平均值之间的差值，通过选取初等效应均值较大、方差分析中幅度变化较大的变量为敏感变量；S4.根据S3中的敏感变量采用均匀度较高的拉丁超立方抽样方案生成抽样方案；抽样方案步骤如下：首先通过随机生成6个维度，120个样本点的不同超拉丁立方抽样；对建立的拉丁超立方抽样方案建立空间两点的距离范数与得分函数：；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）式中，为两个样本之间的空间范数，为样本范数的个数；为距离计算参数，为待优化参数，为第个样本的第个变量，为第个样本的第个变量，为样本的总个数，为个变量，为个变量，为变量水平数；通过遗传算法对不同q下的局部最佳试验设计方案进行寻优，在确定了不同q下的局部最佳设计方案后，通过极大极小准则对所有的局部排序方案进行排序以选择空间均匀性最好的方案：
；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）式中，为两个样本之间的空间范数，为样本范数的个数；S5.将抽样方案中的样本点进行传动链一体化仿真得到效率响应；选取70%的样本点建立高斯随机过程模型，在建立高斯随机过程模型的基础上，采用以目标为导向的反演优化设计方法得到智能反演优化模型；S6.在智能反演优化模型的基础上，考虑传动链系统整体输出转矩为约束，采用PESA
‑
II基于范围选择的多目标优化算法对其进行优化。2.根据权利要求1所述的传动链系统智能反演优化方法，其特征在于：在S3中确定敏感变量的步骤如下：利用初等效应分布图筛选传动链整体效率对各个参数的敏感性，构造Morris统计矩阵对变量进行初等效应分析...

【专利技术属性】
技术研发人员：林娉婷，卜凡，刘晓，黄守道，
申请(专利权)人：湖南大学，
类型：发明
国别省市：