【技术实现步骤摘要】
本专利技术涉及电机降噪领域，具体涉及一种基于改进粒子群算法的感应电机电磁噪声优化方法。
技术介绍
1、感应电机由于其结构简单、效率高、调速便利等优点，受到了工业领域内的广泛应用。感应电机在运行时产生的噪声是影响其性能和寿命的因素之一，甚至对人们日常的生产生活造成了较大的危害。
2、受定、转子槽的开口影响，感应电机的等效气隙长度会增大，其一般用卡特系数来描述。同时，开口结构也产生了气隙磁导齿谐波。这些谐波成分是产生电机噪声的来源之一。除此之外，最大转矩作为衡量感应电机性能的重要参数之一，主要受槽漏抗的影响。一般，通过减小定子槽口宽度可以减小定子磁导谐波的幅值，但同时会增大定子的槽漏抗，从而使最大转矩减小。因此在分析时需要综合考虑。
3、现代智能优化算法在解决规划问题时显示了突出的优点，它们可以在合理的时间内逼近复杂对象问题的最优解。粒子群优化算法(pso)逐渐成为学者关注的研究方向之一。通过将粒子群算法引入感应电机的模型中，可以高效地解决优化问题。然而，标准的粒子群算法容易陷入局部最优，并暴露了收敛速度较慢，计算精度较低等问题，需要对其进行改进。
技术实现思路
1、本专利技术重在解决上述现有存在的技术问题，提供一种基于改进粒子群算法的感应电机电磁噪声优化方法，在保证电机性能基本不受影响的基础上，降低了工作量和工作难度。
2、本专利提供一种基于改进粒子群算法的感应电机电磁噪声优化方法，其特点在于，具体步骤如下：
3、步骤1：建立感应电机的
4、步骤2：对电机尺寸变量对电机进行参数化分析，建立优化变量和目标变量之间的数学模型；
5、步骤3：根据仿真结果，采用响应面法对数学模型进行拟合；
6、步骤4：将拟合的数学模型代入改进的粒子群算法中寻找最优的电机尺寸；
7、步骤5：将所得到的最优电机结构参数代入建立的电机模型进行仿真验证，验证所得结果的有效性。
8、优选地,在步骤1中,由于电机定子槽形为梨形槽，因此选取优化的尺寸变量为槽口宽度bs0,槽深度hs2和槽底宽度bs2，优化目标为径向电磁力幅值，最大转矩te最大值和输出转矩的脉动rt最小值，由于电磁噪声与电机的径向电磁力相关，因此用径向电磁力的大小来代表电磁噪声的高低。
9、优选地，在步骤2中，使用统计学中的bbd实验方法，在确定好优化区间后，每个设计变量采用三水平，对其进行规格化处理，规格化优化变量后没有单位，对每个优化变量进行编码，分别为0，1，-1，其中0为中心点，1为最高值，-1为最低值。
10、优选地，在步骤3中，采用响应面法，得到多元二次回归模型来拟合设计变量与响应值之间的函数关系。根据优化变量和试验得到响应值，建立近似模型，得到目标函数与优化变量的拟合多项式。
11、优选地，在步骤4中，粒子群算法优化的流程如下：
12、n维空间内的n个粒子数量，当迭代次数为k时，第i个粒子的位置和速度分别表示为：
13、
14、为迭代次数为k时粒子i的n维位置分量，为迭代次数为k时粒子i的n速度分量。
15、每个粒子都有一个由目标函数决定的适应值，在迭代的过程中，粒子可以跟踪两个“极值”，实现对于自身的更新和优化，个体极值pbest是每个粒子在历代搜索过程中自身所达到的最优值；全局极值gbest是整个粒子群中所有粒子在历代搜索过程中达到的最优值。
16、对第i个粒子的位置和速度信息进行计算：
17、
18、其中，表示迭代次数为k+1时粒子i的j维速度分量；表示迭代次数为k+1时粒子i的j维速度分量；c1、c2为学习因子，分别代表自我学习能力的强弱和学习能力的强弱，范围一般为[0,2]；rand1、rand2均为介于[0,1]的随机数；ω表示一个非负的惯性权重。
19、优选地，采用正弦函数对惯性权重进行自适应更新，设置公式如下：
20、
21、式中，k为当前迭代次数，k为最大迭代次数，ωmax和ωmin为ω的最大值和最小值。
22、优选地，算法的学习因子c1、c2设置为关于ω的函数，c1的初始值为2，最终值为0.5，c2的初始值为0.5，最终值为2，其公式设置如下：
23、
24、优选地，在所有的粒子中，一部分保持不变，另一部分粒子进行变异，变异粒子设置具体如下式所示：
25、
26、其中，qm为变异率，σ为判断粒子变异的参数。当粒子的适应度大于所有粒子适应度的平均值，σ等于0；反之，σ不为0。
27、优选地，优化变量为定子的槽口宽度bs0,槽深度hs2和槽底宽度bs2中的一种或至少两种。
28、优选地，目标变量为：转矩脉动、径向电磁力波最大幅值和最大转矩中的一种或至少两种。
29、优选地，采用多元二次回归方程对优化变量和目标变量进行近似拟合，表达式为
30、
31、其中，y为目标变量，t为优化变量，β0，β1i，β2i，β3i为各项的系数。
32、本专利技术与现有技术相比有以下优点:
33、(1)在保证电机性能基本不变的情况下，采用粒子群优化算法可以快速地寻找到合适的定子结构尺寸，以减小电机的径向电磁力，从而达到降噪的目的；
34、(2)采用统计学中的bbd实验方法，使得建立电机的参数变量和目标函数之间的数学模型更加精确，并且可以减少优化计算的时间；
35、(3)对使用的粒子群算法进行了改进，采用正弦函数对惯性权重ω进行自适应更新，学习因子c1、c2设置为关于ω的指数函数，平衡了算法的全局和局部的搜索能力。在迭代前期ω和c1较大，粒子的自我学习能力较强而社会学习能力较弱，利于全局检索，在迭代后期，ω较小，而c2较大，粒子的社会学习能力较强而自我学习能力较弱，可以提高算法的局部搜索精度，利于算法收敛。同时通过增加变异库，防止算法陷入局部最优解，提高了最全局最优解的搜索能力，同时也保存了原始粒子的搜索能力。
本文档来自技高网...【技术保护点】
1.一种基于改进粒子群算法的感应电机电磁噪声优化方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种基于改进粒子群算法的感应电机电磁噪声优化方法，其特征在于，所述步骤2实验方案选用了统计学中的BBD实验方法。
3.根据权利要求1所述的一种基于改进粒子群算法的感应电机电磁噪声优化方法，其特征在于，所述步骤3采用多元二次回归方程来拟合设计变量与响应值之间的函数关系。
4.根据权利要求1所述的一种基于改进粒子群算法的感应电机电磁噪声优化方法，其特征在于，所述步骤4的粒子群算法设计如下：
5.根据权利要求4所述的一种基于改进粒子群算法的感应电机电磁噪声优化方法，其特征在于，采用正弦函数对惯性权重进行自适应更新，设置公式如下：
6.根据权利要求4或5所述的一种基于改进粒子群算法的感应电机电磁噪声优化方法，其特征在于，算法的学习因子c1、c2设置为关于ω的函数，c1的初始值为2，最终值为0.5，c2的初始值为0.5，最终值为2，其公式设置如下：
7.根据权利要求4所述的一种基于改进粒子群算法的感应电机电磁噪声优
8.根据权利要求1所述的一种基于改进粒子群算法的感应电机电磁噪声优化方法，其特征在于，优化变量为定子的槽口宽度bs0,槽深度hs2和槽底宽度bs2中的一种或至少两种。
9.根据权利要求1所述的一种基于改进粒子群算法的感应电机电磁噪声优化方法，其特征在于，目标变量为：转矩脉动、径向电磁力波最大幅值和最大转矩中的一种或至少两种。
10.根据权利要求9所述的一种基于改进粒子群算法的感应电机电磁噪声优化方法，其特征在于，采用多元二次回归方程对优化变量和目标变量进行近似拟合，其表达式为
...【技术特征摘要】
1.一种基于改进粒子群算法的感应电机电磁噪声优化方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种基于改进粒子群算法的感应电机电磁噪声优化方法，其特征在于，所述步骤2实验方案选用了统计学中的bbd实验方法。
3.根据权利要求1所述的一种基于改进粒子群算法的感应电机电磁噪声优化方法，其特征在于，所述步骤3采用多元二次回归方程来拟合设计变量与响应值之间的函数关系。
4.根据权利要求1所述的一种基于改进粒子群算法的感应电机电磁噪声优化方法，其特征在于，所述步骤4的粒子群算法设计如下：
5.根据权利要求4所述的一种基于改进粒子群算法的感应电机电磁噪声优化方法，其特征在于，采用正弦函数对惯性权重进行自适应更新，设置公式如下：
6.根据权利要求4或5所述的一种基于改进粒子群算法的感应电机电磁噪声优化方法，其特征在于，算法的学习因子c1、c2设置为关于ω...
【专利技术属性】
技术研发人员：鲍晓华，蔡勤磊，关博凯，王硕，燕婧文，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。