基于GPR-PSO模型的永磁同步電機氣隙磁密波形優(yōu)化

，

(廣東工業(yè)大學，廣東廣州 510006)

基于GPR-PSO模型的永磁同步電機氣隙磁密波形優(yōu)化

杜曉彬，鄧建華

(廣東工業(yè)大學，廣東廣州 510006)

為了使永磁同步電動機氣隙磁密波形具有良好的正弦性，以氣隙徑向磁密波形的諧波畸變率為目標，磁鋼的偏心距、極弧系數(shù)、磁鋼厚度以及磁鋼的充磁方向為因素變量進行優(yōu)化。引進了正交實驗設計的方法合理地安排了實驗因素變量的搭配，利用有限元軟件ANSYS Maxwell 2D仿真分析得到數(shù)據(jù)樣本集，采用了高斯混合回歸模型(GPR)對數(shù)據(jù)樣本集進行擬合，得到擬合回歸模型。采用方差分析方法分析了各個因素對于諧波畸變率的影響的程度。將擬合回歸函數(shù)作為適應度函數(shù)，通過粒子群算法(PSO)尋優(yōu)，得到最優(yōu)的磁鋼參數(shù)。以一臺48槽8極的永磁同步電動機為例進行仿真實驗，結果表明,通過GPR-PSO模型的方法可以有效降低永磁同步電機的氣隙磁密波形畸變率，使波形得到良好的改善。

諧波畸變率；正交設計；高斯混合回歸模型；粒子群算法

0 引言

永磁同步電動機(PMSM)由于具有良好的運行特性、體積小、功率密度高等優(yōu)點，且結構簡單，沒有電刷和換向器產(chǎn)生火花、磨損，被大量應用于生產(chǎn)實踐中[1～3]。其中，轉矩波動是PMSM突出的主要問題之一，轉矩波動很大程度上由非理想的正弦反電動勢波形造成的。電機氣隙磁密波形的正弦性影響了反電動勢波形的正弦性，故優(yōu)化PMSM氣隙磁密波形，降低氣隙磁密波形的諧波畸變率有十分重要的意義[4～5]。

文獻[6]分析了PMSM不同偏心距下的氣隙磁場波形及其對應的諧波含量，獲得了氣隙磁場波形畸變率與偏心距之間的關系曲線，得出了最優(yōu)偏心距。文獻[7]利用ANSYS有限元分析軟件計算分析了不同極弧系數(shù)和偏心距對磁場正弦畸變率的影響。文獻[8]為使PMSM空載氣隙磁密波形具有良好的正弦性，分析了電機氣隙長度及磁極厚度對諧波畸變率的影響。文獻[9]分析了磁鋼的充磁方向對于氣隙磁密波形諧波畸變率的影響。

本文以一臺48槽8極表貼式磁鋼PMSM為例，針對影響永磁同步電機氣隙徑向磁密諧波畸變率的四個因素，即磁鋼偏心距、極弧系數(shù)、磁鋼厚度、以及磁鋼的充磁方式，通過正交設計的方法安排了實驗搭配，構建了數(shù)據(jù)樣本集，利用方差分析方法分析了各個因素變量對于諧波畸變率的影響的大小。通過GPR模型對數(shù)據(jù)樣本集進行擬合，構建適應度函數(shù)。利用PSO算法進行尋優(yōu)，得到最優(yōu)的磁鋼參數(shù)，達到對PMSM氣隙磁密波形進行優(yōu)化的目的。

1 PMSM模型建立及氣隙磁密波形諧波分析

1.1 PMSM 模型建立

本文以一臺48槽8極的PMSM為例，通過ANSYS Maxwell 2D仿真軟件對PMSM額定負載情況下進行仿真計算，電機相關參數(shù)見表1，電機模型如圖1所示。

表1 PMSM相關參數(shù)

圖1 PMSM有限元模型

電機徑向氣隙磁密的波形圖分析結果如圖2所示。可以看出，徑向氣隙磁密幅值達到1.08T，基本符合電機設計的要求。

圖2 PMSM徑向氣隙磁密波形

1.2 PMSM氣隙磁密波形諧波分析

利用有限元軟件的快速傅里葉分析FFT功能對PMSM徑向氣隙磁密波形進行傅里葉分析，并利用Matlab軟件繪制各次諧波分量圖如圖3所示。由于高次諧波分量幅值較低，本文只繪制出前15次數(shù)諧波分量幅值。可以看出，基波幅值為0.934T，諧波次數(shù)主要為奇數(shù)次諧波。計算氣隙磁密波形的諧波畸變率，可得到THD值為17.62%。

圖3氣隙磁密波形各次諧波分量

2 建立樣本數(shù)據(jù)集及方差分析

2.1 正交設計與樣本數(shù)據(jù)集建立

本文采用的影響因素有四個，即偏心距、極弧系數(shù)、磁鋼厚度、充磁方式。考慮到實際工藝情況，各個變量的取值范圍為：偏心距18～21mm，極弧系數(shù)0.6～0.9，磁鋼厚度4.2～4.5mm，充磁方向為平行充磁和徑向充磁。由于充磁方向變量為虛擬變量，自由度為1，設置平行充磁為基礎類型，充磁方式變量按照式(1)處理，前三個變量為連續(xù)變量，則設置因素變量水平表如表2所示。

(1)

表2 因素變量水平表

設計的實驗因素較多，使用普通的多因素設計方法需要的樣本例數(shù)比較多，實驗的時間比較長。而采用正交設計，可以將各實驗因素的不同水平之間均衡搭配，用有適量的、代表性的處理組合數(shù)，提供充分的信息。由于沒有直接的可用的混合正交表，利用SPSS軟件給出正交表如表3所示，并仿真分析計算得到不同搭配組合下的THD值。

表3 正交設計實驗結果

采用表3中數(shù)據(jù)建立樣本數(shù)據(jù)集合Ω=(Xi,Yi)。其中Xi=(X1,X2,X3,X4)，X1至X4分別表示偏心距、極弧系數(shù)、磁鋼厚度、充磁方式 ，Yi表示THD值。

將諧波畸變率THD隨著因素的水平變化的情況用圖4表示。由圖可知，最優(yōu)的組合是Xbest=(X14,X23,X33,X41)=(21,0.8,4.4,1)。

圖4 THD值隨因素水平變化情況

2.2 實驗數(shù)據(jù)方差分析

表4 方差分析結果

3 數(shù)學模型回歸及粒子群算法尋優(yōu)

在PMSM中，本文考慮的電機參數(shù)與THD值之間呈現(xiàn)非線性關系，且正交設計分析只能給出最優(yōu)解大致的結果。為了得到精確結果，下文將通過GPR模型進行擬合回歸，構建PSO模型的適應度函數(shù)，并通過PSO進行尋優(yōu)。

3.1 高斯混合回歸模型(GPR)回歸分析

對于實驗數(shù)據(jù)集合Ω=(Xi,Yi)和預測數(shù)據(jù)集合Ω*=(Xi*,Yi*),則Ω=(Xi,Yi)與Ω*=(Xi*,Yi*)的均值與協(xié)方差可以表示為

(2)

對于Ω=(Xi,Yi)，概率分布密度函數(shù)可以通過多個單高斯模型的加權函數(shù)來表示，即

(3)

其次，通過EM算法迭代計算參數(shù)的估計值，直到迭代條件結束。具體方法如下：(E步驟)由K-means聚類結果計算ωi后驗概率，即估計的每個單高斯模型的權值；(M步驟)基于計算的后驗概率，更新估計高斯模型的參數(shù)μiy、∑iy。重復以上E、M步驟，直到三個參數(shù)估計值趨近于穩(wěn)定。

通過估計得出的參數(shù)值，建立GPR模型，并通過此模型進行預測，若已知X*，則Y*的預測回歸值可以表示為

(4)

fi(y)=μiY*+∑iY*Y∑iY-1(Y-μiY)。

本文采用將樣本數(shù)據(jù)集分成三類的方式進行擬合，則GPR回歸模型預測實驗值的結果如圖5所示，其中橫坐標為實驗的標號，縱坐標為THD值。由圖5可知，GPR模型的回歸值誤差較小。其中，GPR模型的平均誤差率為0.02%，可以看出，GPR回歸擬合模型精度較高，可用于PSO模型的適應度函數(shù)。

圖5 GPR模型回歸結果

3.2 粒子群算法(PSO)尋優(yōu)

PSO算法是基于群體的演化算法，是根據(jù)自然界鳥類尋找食物的行為所演變的人工智能算法。每一個粒子都對應著一個解，且都有對應的速度和位置，并被適應度函數(shù)所評價[13、14]。粒子根據(jù)社會認知與個體認知兩個方面不斷更新自身的速度和位置，直到尋找到最優(yōu)解。粒子i在第k次的迭代公式如下

Vidk+1=ωVidk+c1r1(Pbestidk-Xidk)+

c2r2(Gbestdk-Xidk)

(5)

Xidk+1=Xidk+Vidk+1

(6)

式中，ω—慣性權重；c1，c2—加速度因子；r1，r2—[0,1]之間隨機數(shù)；Pbest—個體極值點的位置；Gbest—全局極值點的位置。

以X=(X1,X2,X3,X4)為粒子位置，將GPR模型擬合函數(shù)作為適應度函數(shù)，設置進化代數(shù)為50代，種群規(guī)模為80，C1=C2=1.5，進行尋優(yōu)，結果如圖6所示。最優(yōu)的適應度值穩(wěn)定在13.0566，即諧波畸變率為13.06%，此時粒子的位置為Xpso=(21,0.7976,4.3993,0.9995)。考慮實際工藝情況，取值情況為偏心距21mm，極弧系數(shù)0.8，磁鋼厚度4.4mm，采用平行充磁法方式。

圖6粒子群算法尋優(yōu)結果

3.3 ANSYS-Maxwell 2D有限元仿真分析驗證

在PMSM電機模型中，將偏心距、極弧系數(shù)、磁鋼厚度、充磁方式按照PSO求解的結果進行設置，仿真結果波形圖如圖7所示。由圖可知，氣隙磁密幅值達到1.06T，滿足電機設計的要求。對波形進行諧波分析，分析結果如圖8所示，此時諧波畸變率為13.23%，與粒子群算法尋優(yōu)的結果基本一致，可以看出，諧波畸變率比原來降低了4.39%，波形得到改善。

圖7優(yōu)化后PMSM徑向氣隙磁密波形

圖8優(yōu)化后氣隙磁密波形各次諧波分量

4 結語

提出了一種優(yōu)化永磁同步電動機氣隙磁密波形的方法：以氣隙徑向磁密諧波畸變率為目標，偏心距、極弧系數(shù)、磁鋼厚度、充磁方式為變量，通過正交設計與有限元仿真分析形成數(shù)據(jù)樣本集；通過方差分析得出因素變量對諧波畸變率的影響大小的順序：極弧系數(shù)gt;磁鋼厚度gt;偏心距gt;充磁方式；通過GPR模型對數(shù)據(jù)樣本集進行擬合回歸；以擬合回歸函數(shù)作為適應度函數(shù)，進行粒子群算法尋優(yōu)，得到磁鋼參數(shù)最優(yōu)值，并通過了仿真驗證。結果表明：通過GPR-PSO模型的方法，可以有效的降低永磁同步電動機的氣隙磁密波形的諧波畸變率，使波形有所改善。

[1] 蔡黎明. 永磁同步電動機電磁振動與噪聲的研究[D]. 廣東工業(yè)大學, 2016.

[2] 王靈敏. 永磁同步電機在輸煤系統(tǒng)的應用可行性分析[C]// 長三角能源論壇,2015.

[3] 余家俊. 電動汽車用永磁同步電機控制算法應用研究[D]. 廣東工業(yè)大學, 2013.

[4] 范堅堅, 吳建華, 黎憲林,等. 永磁同步電動機磁鋼的多目標微粒群算法優(yōu)化[J]. 電機與控制學報, 2009, 13(2):173-178.

[5] 譚建成. 永磁無刷直流電機技術[M]. 北京：機械工業(yè)出版社, 2011.

[6] 徐英雷, 李群湛, 王濤. 永磁同步電機空載氣隙磁密波形優(yōu)化[J]. 西南交通大學學報, 2009, 44(4):513-516.

[7] 劉景輝, 黃開勝, 陳治宇. 不同極槽配合對永磁同步電動機性能的影響[C]// 小功率電機學術交流會，2014.

[8] 吳蘇敏, 董立威, 劉洋,等. 基于氣隙磁密波形優(yōu)化的永磁同步電機結構[J]. 電機與控制應用, 2014, 41(3):12-16.

[9] 范樂, 任寧寧, 郝萍,等. 基于Magnet的永磁同步發(fā)電機設計[J].微特電機, 2014, 42(2):26-28.

[10] 任江洪, 陳韜, 曹長修. 混合高斯過程回歸模型在鐵水硅含量預報中的應用[J]. 重慶大學學報, 2012, 35(2):123-127.

[11] 孫曉丹, 李新會, 石偉民,等. 基于粒子群優(yōu)化算法的高斯混合模型和高斯混合回歸用于橄欖油品質分析[J]. 平頂山學院學報, 2015(5):57-60.

[12] 喬少杰, 金琨, 韓楠,等. 一種基于高斯混合模型的軌跡預測算法[J]. 軟件學報, 2015, 26(5):1048-1063.

[13] 楊維, 李歧強. 粒子群優(yōu)化算法綜述[J]. 中國工程科學, 2004, 6(5):87-94.

[14] 王小川. Matlab神經(jīng)網(wǎng)絡43個案例分析[M]. 北京：北京航空航天大學出版社, 2013.

Air-gapFluxDensityWaveformOptimizationofPermanentMagnetSynchronousMotorBasedonGPR-PSOModel

DuXiaobinandDengJianhua

(Guangdong University of Technology，Guangzhou 510006，China)

In order to obtain good sinusoidal waveform of air-gap flux density of permanent magnet synchronous motor, this paper takes harmonic distortion rate of axial air-gap flux density waveform as a target to optimize factor variables such as eccentric distance, pole-arc coefficient, thickness and magnetization direction of magnetic steel. The orthogonal experiment design method is introduced to rationally arrange the collocation of experimental factor variables. The simulation analysis is carried out by ANSYS Maxwell 2D finite-element software to get the data sample set. The data sample sets are fitted by Gaussian process regression (GPR) to obtain the fitted regression model. Variance analysis method is adopted to analyze the influence degree of various factors on harmonic distortion rate. Taking the fitted regression function as the fitness function, the particle swarm optimization (PSO) is used to find optimal magnetic steel parameters. Taking a 48-slot 8-pole permanent magnet synchronous motor as an example, the simulation experiment is carried out. The simulation result shows that GPR-PSO algorithm can effectively reduce distortion rate of air-gap flux density waveform of permanent magnet synchronous motor and well improve the waveform.

Harmonic distortion rate；orthogonal design；Gaussian process regression model；particle swarm optimization

10.3969/J.ISSN.1008-7281.2017.06.06

TM351

A

1008-7281(2017)06-0020-005

杜曉彬男1991年生；在讀碩士研究生，研究方向為新型特種電機設計及其控制.

2017-04-24