一种基于代理模型的感应电机用铜转子配方优化方法组成比例

本发明专利技术公开了一种基于代理模型的感应电机用铜转子配方优化方法，首先通过试验测试得到铜转子合金不同材料配比下铜合金转子的导电率和硬度等数据；然后采用径向基神经网络、Kriging、响应面、遗传编程模型建立转子材料配比与目标响应的代理模型，并通过评价指标最终选择遗传编程代理模型；随后采用带精英策略的非支配排序的多目标遗传算法驱动优化过程，对优化模型进行求解；最后采用乌托邦点法在Pareto前沿中选择最优解，并基于优化后的材料配比进行试验验证。配比进行试验验证。配比进行试验验证。

【技术实现步骤摘要】
一种基于代理模型的感应电机用铜转子配方优化方法


[0001]本专利技术属于感应电机优化设计领域，尤其涉及一种基于代理模型的感应电机用铜转子配方优化方法。
技术背景
[0002]随着新能源汽车的不断发展，对于驱动电机提出了高功率密度、高效率、高工作温度等新要求。铜合金转子能够增强电机转子的强度，同时降低转子损耗，进一步提升驱动电机的效率。将铋、锑、铁、砷、铅、硫等元素添加到纯铜中，能够改变纯铜的强度和导电率，对上述元素进行相应的微合金机理分析，基于此，优化铜合金转子的材料配比，并研制高强度高导电率的铜合金转子，提高交流感应驱动电机功率密度。

技术实现思路

[0003]本专利技术的专利技术目的是：为了满足高功率密度感应电机的需求，必须研制一款高效铜合金转子，从铜合金转子的材料配比着手，本专利技术提出了一种基于代理模型的感应电机用铜合金转子配方优化方法。
[0004]本专利技术的技术方案是：一种基于代理模型的感应电机用铜转子配方优化方法，包括以下步骤：
[0005]步骤1：通过试验测试铜转子合金材料配比对于转子损耗、导电率及强度的影响规律；基于试验数据，采用径向基神经网络、Kriging、响应面、遗传编程模型建立转子材料配比与目标值之间的代理模型，并评价模型优劣；
[0006]步骤2：基于步骤1所建立的代理模型，采用带精英策略的非支配排序的多目标遗传算法驱动优化过程，对模型进行求解。
[0007]优选地，步骤1试验测试铜转子合金材料配比对于转子损耗、导电率及强度的影响规律；以铋、锑、铁、砷、铅、硫在铜合金的转子中的含量为设计变量，以铜合金转子的导电率和硬度为优化目标，进行试验从而测得样本数据设计变量对应的目标函数值；采用径向基神经网络、Kriging、响应面、遗传编程模型算法建立铋、锑、铁、砷、铅、硫的材料配比与铜合金转子导电率和硬度的代理模型；然后基于评价指标计算四种代理模型的精度，最终选择使用遗传编程算法；其过程为：
[0008](1)径向基神经网络模型
[0009]径向基神经网络模型是一种基于插值的代理模型，可以以任意精度逼近任意连续函数；其基本形式如下:
[0010][0011]式中x为径向基神经网络模型的输入特征，c
i
为第i个中心节点，h为隐含层节点数，R为径向基神经网络模型的激活函数，σ为径向基神经网络模型方差参数，w
ij
为权重，n为输出样本数。
[0012]在上式中径向基神经网络模型的激活函数R为：
[0013][0014]径向基神经网络模型的输出为：
[0015][0016](2)Kriging模型
[0017]Kriging代理模型是一种方差估计最小的插值模型。它由一个全局模型项和一个局部偏差项组成，其理论描述形式如下：
[0018][0019]式中：为设计空间中的全局近似模型，Z为局部偏差项；
[0020]局部偏差项Z是一个均值为零，方差为σ2，协方差非零的随机过程，其协方差矩阵和相关函数如下:
[0021]Cov[Z(x
i
),Z(x
j
)]＝σ2R[r(x
i
,x
j
)][0022]式中：σ2为局部偏差项的方差，r为相关性矩阵，R为相关性函数。
[0023](3)响应面模型
[0024]响应面模型采用回归方程拟合设计变量与响应目标函数值之间的函数关系，通常采用线性或二次多项式函数形式的一阶或二阶响应面模型来逼近，一阶响应面模型的基本形式为:
[0025][0026]二阶响应面模型的基本形式为:
[0027][0028]式中：x
i
是n维变量x的第i个分量，β0，β
i
，β
ij
为参数，ε是误差项。
[0029](4)遗传编程模型
[0030]遗传编程模型是机器学习的一种，即使在小样本集的情况下也能保证模型的高精度；遗传编程模型主要由回归残差和高斯过程先验组成，对于输入变量x＝(x1,x2……
x
n
)，对应的响应输出f(x)可以表示为：
[0031]f(x)～GP(m,V)
[0032]式中：m是均值函数，m＝B
T
h，h是预定义回归函数的向量，h
T
＝(1,x
T
)，V是协方差函数。
[0033]在建立模型之后，需要分析不同模型的误差，通过评价指标的大小来确定最终所使用的代理模型；选用中位数绝对偏差、最大绝对误差、R2和均方根误差评价指标来进行验证该模型的误差，在计算过程中，中位数绝对偏差、最大绝对误差、均方根误差值越小，R2值越接近1，表明所建立的铜转子配方优化模型越准确。
[0034]优选地，步骤2中采用带精英策略的非支配排序的多目标遗传算法来优化所建立的模型。
附图说明
[0035]图1是遗传编程模型的建模流程
[0036]图2是带精英策略的非支配排序的多目标遗传算法流程图
[0037]图3是Cd\Hg\Cr6+\PBBs\PBDEs的测试流程
[0038]图4是乌托邦点法选取最优解的示意图
[0039]图5是优化后铜转子材料样品示例
[0040]图6是优化前后的铜合金转子的效率对比
具体实施方式
[0041]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。但不应该理解为本专利技术上述主题范围仅限于下述实施例，在不脱离本专利技术上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本专利技术的保护范围内。
[0042]铸铜转子的导电率大于铸铝转子，因此，采用铸铜转子能够有效的提高能量利用率。相比于传统铜转子材料，铜合金转子能够增强电机转子的强度，同时降低转子损耗，进一步提升驱动电机的效率。将铋、锑、铁、砷、铅、硫等多元素添加到纯铜中，能够改变纯铜的强度和导电率，对上述元素进行相应的微合金机理分析，基于此，优化铜转子铜合金材料的配比，提高交流感应驱动电机功率密度。
[0043](1)试验设计及数据获取
[0044]代理模型主要通过插值或拟合获得全局最优解，已广泛用于解决复杂的工程问题。在建立代理模型之前，首先要进行试验设计。常用的实验设计方法主要有均匀设计、正交设计、中心复合设计和拉丁超立方抽样。拉丁超立方抽样之所以受到青睐，是因为它可以从大量的测试点中挑选出合适数量的代表点，并提供一种可以覆盖所有变量对组合的方法。在本案例中，我们使用拉丁超立方抽样随机生成20组样本。
[0045]以铋、锑、铁、砷、铅、硫在铜合金的转子中的含量为设计变量，以铜合金转子的导电率和硬度为优化目标，基于生成的20组样本数据，进行试验从而测得这20组变量对应的目标函数值。同时要保证Cd、Hg、Cr
6+
、PBBs、PBDEs的含量小于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于代理模型的感应电机用铜转子配方优化方法，其特点在于，包括以下步骤：步骤1：通过试验测试铜转子合金材料配比对于转子损耗、导电率及强度的影响规律，基于试验数据，采用遗传编程模型建立转子材料配比与铜合金转子材料导电率与硬度之间的代理模型，；步骤2：基于步骤1所建立的代理模型，采用带精英策略的非支配排序的多目标遗传算法驱动优化过程，对模型进行求解。2.根据权利要求1所述的一种基于代理模型的感应电机用铜转子配方优化方法，其特征在于步骤1中：(1)试验测试铜转子合金材料配比对于转子损耗、导电率及强度的影响规律；(2)以铋、锑、铁、砷、铅、硫在铜合金的转子中的含量为设计变量，以铜合金转子的导电率和硬度为优化目标，进行试验从而测得样本数据设计变量对应的目标函数值，基于遗传编程模型算法建立铋、锑、铁、砷、铅、硫的材料配比与铜合金转子导电率和硬度的代理模型，其过程为：遗传编程模型是机器学习的一种，即使在小样本集的情况下也能保证模型的高精度，遗传编程模型主要由回归残差和高斯过程先验组成，对于输入变量x＝(x1,x2……
x
n
)，对应的响应输出f(x)可以表示为：f(x)～GP(m,V)式中：m是均值函数，m＝B
T
h，h是预定义回归函数的向量，h
T
＝(1,x
T
)，V是协方差函数。3.根据权利要求1所述的一种基于代理模型的感应电机用铜转子配方优化方法，其特征在于：步骤2中采用带精英策略的非支配排序的多目标遗传算法来优化所建立的模型，最后采用乌托邦点法在Pareto前沿中选择最优解，具体步骤如下:(1)优化变量对应的设计变量为铋、锑、铁、砷、铅、硫在铜合金的转子中的配比：X＝[φ
Bi
,φ
Sb
,φ
Fe
,φ
As
,φ
Pb
,...

【专利技术属性】
技术研发人员：李聪波，王宁波，李伟，赵继烜，张嘉诚，张承辉，
申请(专利权)人：重庆大学，
类型：发明
国别省市：