一种基于灰狼算法的电机参数设计方法及系统与流程

1.本发明涉及电机优化技术领域，具体是涉及一种基于灰狼算法的电机参数设计方法及系统。


背景技术：

2.现有的商用电机优化方法大致可分为直接优化方法和间接优化方法，其中：直接优化方法通常基于电机的等效磁路模型、分析模型或有限元模型，使用单或多目标遗传算法、粒子群算法直接进行单或多参数的优化；间接优化方法通过分析不同待优化参数组合对优化目标的影响而得到优化目标对于每个参数的敏感性，进而得到等效的优化目标-待优化参数函数，以进行快速的间接优化。
3.然而，上述这两类优化方法在目前实际应用中仍存在一些问题：采用间接优化方法时，响应面函数的收敛和验证过程仍需多组参数进行多次迭代计算，且全局多项式往往无法代表求解器模型的非线性，优化结果也需要多次鲁棒验证；采用直接优化方法时，多目标粒子群算法和遗传算法的收敛效率低，迭代次数多，结合有限元计算将消耗大量时间。


技术实现要素：

4.本发明提供一种基于灰狼算法的电机参数设计方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
5.本发明实施例提供一种基于灰狼算法的电机参数设计方法，所述方法包括：步骤100、构建电机有限元模型，确定电机有限元模型的待优化参数集及其关联的优化目标函数集；步骤200、基于电机有限元模型，利用灰狼算法对待优化参数集进行自动寻优，得到最优帕累托解集库；步骤300、从最优帕累托解集库中获取使得优化目标函数集信息达到最小值的待优化参数集信息作为电机最佳参数；其中，所述步骤200的实施过程包括：步骤210、设置最大迭代次数和帕累托解集库容量，同时生成一个帕累托解集库并对其置空；步骤220、根据待优化参数集所对应的既定取值范围随机生成若干个数据单元，再将若干个数据单元存储至帕累托解集库中，其中每一个数据单元记载有不同的待优化参数集信息和本地最优参数集信息；步骤230、利用灰狼算法对帕累托解集库进行迭代更新优化，得到最优帕累托解集库。
6.进一步地，所述步骤230的实施过程包括：步骤231、开始执行第k次迭代时，结合电机有限元模型对第k-1次迭代所产生的帕累托解集库中不满足个体间帕累托支配关系的所有数据单元进行删除处理，得到第一帕累
托解集库，其中k＞0且k为正整数；步骤232、从第一帕累托解集库中选取最优的三个数据单元作为三个引导单元，同时结合第一帕累托解集库中剩下未被选取的所有数据单元记载的所有本地最优参数集信息，对第一帕累托解集库中剩下未被选取的所有数据单元进行待优化参数集信息更新，得到第二帕累托解集库；步骤233、判断k是否小于最大迭代次数；若是，执行步骤234；若否，将第二帕累托解集库作为最优帕累托解集库输出；步骤234、将第一帕累托解集库和第二帕累托解集库进行合并处理，得到第三帕累托解集库；步骤235、根据待优化参数集所对应的既定取值范围和既定随机数对第三帕累托解集库中的所有数据单元进行待优化参数集信息重置更新，得到第k次迭代所产生的帕累托解集库，再将k 1赋值给k，返回执行步骤231。
7.进一步地，在所述步骤232中，所述对第一帕累托解集库中剩下未被选取的所有数据单元进行待优化参数集信息更新，采用的计算公式如下：式中：其中，为第一帕累托解集库中剩下未被选取的其中一个数据单元所记载的待优化参数集信息更新结果，和和指代三个引导单元，为第p个引导单元记载的待优化参数集信息，为第一帕累托解集库中剩下未被选取的该数据单元记载的待优化参数集信息，为第一帕累托解集库中剩下未被选取的该数据单元记载的本地最优参数集信息，和均为用于辅助计算的三维向量，为权重系数，k为当前迭代次数，为最大迭代次数，为延迟系数，为惯性系数，和均为在[0,1]范围内随机取值产生的三维向量。
[0008]
进一步地，在所述步骤235中，对第三帕累托解集库中的所有数据单元进行待优化参数集信息重置更新，即为对任意一个数据单元记载的待优化参数集信息中的每一个待优化参数信息进行重置更新，采用的计算公式如下：其中，为该数据单元记载的待优化参数集信息中的第i个待优化参数信息更新结果，为该数据单元记载的待优化参数集信息中的第i个待优化参数信息，r为落在[-0.3,0.3]范围内的既定随机数，为第i个待优化参数可赋予的既定最大值，为第i个待优化参数可赋予的既定最小值。
[0009]
进一步地，在执行所述步骤234之后，还包括：利用电机有限元模型对第三帕累托解集库中的所有数据单元进行求解，得到每一个数据单元记载的待优化参数集信息所对应的优化目标函数集信息以及本地最优参数集信息所对应的本地最优目标函数集信息；
在判断任意一个数据单元所记载的优化目标函数集信息对其记载的本地最优目标函数集信息形成帕累托支配关系时，将该数据单元记载的本地最优参数集信息替换为待优化参数集信息；或者，在判断任意一个数据单元所记载的优化目标函数集信息未对其记载的本地最优目标函数集信息形成帕累托支配关系时，保持该数据单元记载的本地最优参数集信息不变。
[0010]
进一步地，第一帕累托解集库中存储的数据单元数量不超过帕累托解集库容量。
[0011]
进一步地，第三帕累托解集库中的所有数据单元记载的所有待优化参数集信息互不相同。
[0012]
另外，本发明实施例还提供一种基于灰狼算法的电机参数设计系统，所述系统包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现实现上述任一项所述的基于灰狼算法的电机参数设计方法。
[0013]
本发明至少具有以下有益效果：通过使用可靠性更高的电机有限元模型进行计算，可以有效避免现有技术所带来的求解器模型非线性误差。通过在原有灰狼算法的搜索过程中额外增加本地最优参数集信息的引导作用，且在迭代过程中结合帕累托支配关系的判断应用，可以提高对电机最佳参数的寻优效率，缩短迭代次数。
附图说明
[0014]
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
[0015]
图1是本发明实施例中的一种基于灰狼算法的电机参数设计方法的流程示意图。
具体实施方式
[0016]
为了使本发明的目的、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发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0017]
需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0018]
请参考图1，图1是本发明实施例提供的一种基于灰狼算法的电机参数设计方法的流程示意图，所述方法包括如下步骤：步骤100、构建电机有限元模型，确定电机有限元模型的待优化参数集及其关联的优化目标函数集；步骤200、基于电机有限元模型，利用灰狼算法对待优化参数集进行自动寻优，得到最优帕累托解集库；
步骤300、从最优帕累托解集库中获取使得优化目标函数集信息达到最小值的待优化参数集信息作为电机最佳参数。
[0019]
在本发明实施例中，对于所述步骤100，所述电机有限元模型的构建过程依赖于现有的电磁场有限元仿真软件，包括ansys electronics desktop仿真软件、jmag仿真软件等等。
[0020]
在本发明实施例中，对于所述步骤100，首先确定所述待优化参数集内包含有n个待优化参数，且每一个待优化参数须约束在所述电机有限元模型的鲁棒计算范围内；再根据所述n个待优化参数之间的不同隐含关系可得到m个优化目标函数以形成所述优化目标函数集，此时所述m个优化目标函数中的任意一个优化目标函数至少与所述n个待优化参数中的两个待优化参数相关，并且所述m个优化目标函数必须涵盖所述n个待优化参数。
[0021]
在本发明实施例中，所述步骤200的实施过程包括如下：步骤210、设置最大迭代次数和帕累托解集库容量，同时生成一个帕累托解集库并对其置空；步骤220、根据待优化参数集所对应的既定取值范围随机生成若干个数据单元，再将若干个数据单元存储至帕累托解集库中，其中每一个数据单元记载有不同的待优化参数集信息和本地最优参数集信息，此时任意一个数据单元记载的本地最优参数集信息即为其记载的待优化参数集信息；步骤230、利用灰狼算法对帕累托解集库进行迭代更新优化，得到最优帕累托解集库。
[0022]
在本发明实施例中，所述步骤230的实施过程包括如下：步骤231、开始执行第k次迭代时，结合电机有限元模型对第k-1次迭代所产生的帕累托解集库中不满足个体间帕累托支配关系的所有数据单元进行删除处理，得到第一帕累托解集库，其中k＞0且k为正整数；步骤232、从第一帕累托解集库中选取最优的三个数据单元作为三个引导单元，同时结合第一帕累托解集库中剩下未被选取的所有数据单元记载的所有本地最优参数集信息，对第一帕累托解集库中剩下未被选取的所有数据单元进行待优化参数集信息更新，得到第二帕累托解集库；步骤233、判断k是否小于最大迭代次数；若是，执行步骤234；若否，将第二帕累托解集库作为最优帕累托解集库输出；步骤234、将第一帕累托解集库和第二帕累托解集库进行合并处理，得到第三帕累托解集库，并且第三帕累托解集库中的所有数据单元记载的所有待优化参数集信息互不相同，即在执行合并处理过程中也会同时执行去重处理；步骤235、根据待优化参数集所对应的既定取值范围和既定随机数对第三帕累托解集库中的所有数据单元进行待优化参数集信息重置更新，得到第k次迭代所产生的帕累托解集库，再将k 1赋值给k，返回执行步骤231。
[0023]
需要说明的是，所述步骤230应当从k=1开始执行迭代操作，此时第k-1次迭代所产生的帕累托解集库实际为执行步骤220这一初始化任务后所得到的帕累托解集库。
[0024]
具体的，所述步骤231的实施过程包括：首先，利用电机有限元模型对第k-1次迭代所产生的帕累托解集库中的所有数据单元进行求解，得到每一个数据单元记载的待优化参
数集信息所对应的优化目标函数集信息；其次，对第k-1次迭代所产生的帕累托解集库中的每一个数据单元记载的优化目标函数集信息与其他数据单元记载的优化目标函数集信息逐个进行帕累托支配关系判断，若均满足帕累托支配关系则保留该数据单元，若不满足帕累托支配关系则删除该数据单元，由此得到初步处理后的第一帕累托解集库；最后，判断初步处理后的第一帕累托解集库中存储的数据单元数量是否超过原先设置好的帕累托解集库容量，若超过则按照超出数量对初步处理后的第一帕累托解集库进行删减处理，若不超过则将其直接输出作为最终的第一帕累托解集库。
[0025]
其中，关于帕累托支配关系的定义如下：式中的指代数据单元中记载的第i个优化目标函数信息，在同一个帕累托解集库中，若记载有待优化参数集信息的数据单元与记载有待优化参数集信息的数据单元满足上述公式时，则判定记载有待优化参数集信息的数据单元可以支配记载有待优化参数集信息的数据单元，即说明记载有待优化参数集信息的数据单元满足帕累托支配关系。
[0026]
其中，所述按照超出数量对初步处理后的第一帕累托解集库进行删减处理，具体实施过程包括如下：步骤a、假设初步处理后的第一帕累托解集库中存储有y1个数据单元，根据y1个数据单元记载的y1个优化目标函数集信息，构建一个y1行
×
m列的选择矩阵，并从中提取出最大优化目标函数集信息为和最小优化目标函数集信息为，其中指的是该选择矩阵的第一列数据中的最大值，指的是该选择矩阵的第一列数据中的最小值；步骤b、以最大优化目标函数集信息和最小优化目标函数集信息确定边界条件，构建一个m维度网络结构，其中第一维度网络的边界为，以此类推其他维度网络的边界；步骤c、设定网格数量为j，将m维度网络结构中的每一维度网络平均划分成j个网格，再将y1个优化目标函数集信息中的每一个优化目标函数集信息分别标记在m维度网络结构中；步骤d、假设超出数量为n，从m维度网络结构中选取出标记信息最多的第一网格，假设该第一网格所关联的所有数据单元数量为d，若d≥n时，则从d个数据单元中随机选取n个数据单元，此时从初步处理后的第一帕累托解集库中删除掉该n个数据单元；若d＜n时，首先从初步处理后的第一帕累托解集库中删除掉该第一网格所关联的所有数据单元后，继续从m维度网络结构中选取出标记信息第二多的第二网格，再从该第二网络所关联的所有数据单元中随机选取n-d个数据单元，此时接着从初步处理后的第一帕累托解集库中删除掉该n-d个数据单元；由此使得最终的第一帕累托解集库中存储的数据单元数量不超过帕累托解集库容量。
[0027]
具体的，在所述步骤232中，以m维度网络结构为基准，关于任意一个数据单元的选取概率p与该数据单元所在网格内的所有数据单元数量n成反比，即，其中c为既定的选择压力系数，此时对第一帕累托解集库中的所有数据单元均进行选取概率的计算，进
而将选取概率排名靠前的三个数据单元作为三个引导单元。
[0028]
具体的，在所述步骤232中，所述对第一帕累托解集库中剩下未被选取的所有数据单元进行待优化参数集信息更新，采用的计算公式如下：式中：其中，为第一帕累托解集库中剩下未被选取的其中一个数据单元所记载的待优化参数集信息更新结果，和和指代三个引导单元，为第p个引导单元记载的待优化参数集信息，为第一帕累托解集库中剩下未被选取的该数据单元记载的待优化参数集信息，为第一帕累托解集库中剩下未被选取的该数据单元记载的本地最优参数集信息，和均为用于辅助计算的三维向量，为权重系数，k为当前迭代次数，为最大迭代次数，为延迟系数，为惯性系数，和均为在[0,1]范围内随机取值产生的三维向量。
[0029]
需要说明的是，权重系数用于调节本地最优参数集信息的引导作用，且当值越大时，灰狼算法的搜索广度将提升，收敛精度将下降；延迟系数用于调节引导延迟效果，且当值越大时，引导延迟效果将减弱，灰狼算法的搜索广度将提升，收敛精度将下降；惯性系数用于调节引导惯性效果，且当值增大时，引导惯性效果将随着迭代次数呈现更高次数的指数曲线增长，灰狼算法在前中期应用时的搜索强度将提升，而在后期应用时的收敛速度将加快。
[0030]
具体的，在执行所述步骤234之后，还包括：利用电机有限元模型对第三帕累托解集库中的所有数据单元进行求解，得到每一个数据单元记载的待优化参数集信息所对应的优化目标函数集信息以及本地最优参数集信息所对应的本地最优目标函数集信息；在判断任意一个数据单元所记载的优化目标函数集信息对其记载的本地最优目标函数集信息形成帕累托支配关系时，将该数据单元记载的本地最优参数集信息替换为待优化参数集信息；相反地，在判断任意一个数据单元所记载的优化目标函数集信息未对其记载的本地最优目标函数集信息形成帕累托支配关系时，保持该数据单元记载的本地最优参数集信息不变。
[0031]
具体的，在所述步骤235中，由于在实际工程中待优化参数集的精度受到制造误差和其它噪声因素的影响，待优化参数集信息过于集中的数据单元更容易导致待优化参数集信息重复，将使得迭代过程陷入极值区从而影响收敛效率和收敛效果，因此本发明实施例提出对第三帕累托解集库中的所有数据单元进行待优化参数集信息重置更新，即为对任意一个数据单元记载的待优化参数集信息中的每一个待优化参数信息进行重置更新，采用的计算公式如下：其中，为该数据单元记载的待优化参数集信息中的第i个待优化参数信息更新结果，为该数据单元记载的待优化参数集信息中的第i个待优化参数信息，r为落在[-0.3,
0.3]范围内的既定随机数，为第i个待优化参数可赋予的既定最大值，为第i个待优化参数可赋予的既定最小值。
[0032]
在本发明实施例中，对于所述步骤300，最终被选取的该待优化参数集信息还应当满足实际工程的制造精度要求以及误差容忍范围要求。
[0033]
在本发明实施例中，通过使用可靠性更高的电机有限元模型进行计算，可以有效避免现有技术带来的求解器模型非线性误差。通过在原有灰狼算法的搜索过程中额外增加本地最优参数集信息的引导作用，且在迭代过程中结合帕累托支配关系的判断应用，可以提高对电机最佳参数的寻优效率，缩短迭代次数。
[0034]
另外，本发明实施例还提供一种基于灰狼算法的电机参数设计系统，所述系统包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一实施例所述的基于灰狼算法的电机参数设计方法。
[0035]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所实现的功能与上述方法实施例相同，并且所达到的有益效果与上述方法实施例相同。
[0036]
所述处理器可以是中央处理单元(central-processing-unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital-signal-processor，dsp)、专用集成电路(application-specific-integrated-circuit，asic)、现场可编程门阵列(field-programmable-gate-array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于灰狼算法的电机参数设计系统的控制中心，利用各种接口和线路连接整个基于灰狼算法的电机参数设计系统可运行装置的各个部分。
[0037]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于灰狼算法的电机参数设计系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中：存储程序区用于存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区用于存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart-media-card，smc)，安全数字(secure-digital，sd)卡，闪存卡(flash-card)、至少一个磁盘存储器件、闪存器件或者其他易失性固态存储器件。
[0038]
尽管本技术的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本技术的预定范围。此外，上文以发明人可预见的实施例对本技术进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本技术的非实质性改动仍可代表本技术的等效改动。