基于重心鄰域法削弱永磁同步電機齒槽轉矩

金永星 王愛元 王濤 孫健

摘 要：利用重心鄰域算法對影響永磁同步電機齒槽轉矩的四個主要參量（ 極弧系數、偏心距、氣隙長度、磁極厚度） 進行優化，然后利用有限元分析軟件進行齒槽轉矩的分析。

關鍵詞：永磁同步電機，重心鄰域算法，齒槽轉矩

0引言

PMSM 空載時，永磁體與電機齒之間會產生作用力，其切向分力產生的電機轉矩稱之為齒槽轉矩。進而產生振動和噪聲，影響電機性能，削弱齒槽轉矩具有重要意義。本文通過正交實驗獲取樣本空間，然后利用支持向量機進行目標函數的擬合，最后利用重心鄰域算法進行優化，獲得最優參數值，進行有限元仿真分析。

1 參數優化

1.1 電機模型

本文以4極24槽的小功率PMSM作為研究對象，額定功率為0.55KW，額定轉速為1500rpm，部分電機參數如表1所示

參數名稱 數值

定子鐵心外徑 120

磁極厚度 4mm

轉子外徑 74mm

氣隙長度 0.5mm

極弧系數 0.65

1.2利用正交試驗法選取建模需要的樣本數據。本文需要優化的四個參數變量分別為極弧系數、偏心距、氣隙長度、磁極厚度，目標函數為電機總損耗。其中每個參數變量取5個水平值，則總的實驗點共有625個。實驗中的四個因素取值范圍分別為：極弧系數1.5-3.5mm、偏心距1-5mm、氣隙長度0.5-1.5mm、磁極厚度1.5-3.5mm。根據因素和水平選取的個數選取L25（56）的正交實驗表。

1.3 支持向量機回歸

支持向量機（Support Vector Machine，SVM）是Corinna Cortes和Vapnik等于1995年首先提出的一種在有限數據空間內進行數據的分類和回歸擬合的新型機器學習方法。

本文采用SVM回歸擬合功能并選用徑向基核函數，其方程為

1.4 重心鄰域算法

重心是指物體的質量中心，在質量密度較大的區域，各質點到重心的“力矩”較短，在密度較小的區域，物體外形輪廓會有“凸起”，以產生較長 “力矩”，獲得重心周圍的力平衡[1]

GNCA 方法優化步驟具體如下：

（1）確定基本條件：確定目標函數，自變量及其取值范圍，種群規模及搜索范圍初始化。

（2）填充函數”預處理采用填充函：

（3）目標函數搜索路徑：

（4）全局最優鄰域。重心與全局最值的鄰域為

（5）種群規模和搜索范圍的進化。

（6）全局最優收斂條件：

當式（6）成立則結束。

2 優化分析

將優化結果代入ansys分析優化前和優化后齒槽轉矩對比如圖1和圖2 所示。

由圖1，圖2對比表明經過重心鄰域算法優化后，齒槽轉矩具有一定量的降低，說明該研究具有一定的意義。

參考文獻：

[1] Yang Qiwen，Liu Yan，Wang Shubin，et al.A method to locate neighborhood of global optimum[C]//Proceedings of the 2012 Eighth International Conference on Natural Computation.Chongqing，China：IEEE，2012：981-985.

[2] 宋俊材，董菲，等.基于重心鄰域算法的無鐵心永磁同步直線電機優化設計研究[J].中國電機工程學報，2017，37（12）3594-3601.

[3] 王群京，鞠魯峰，錢喆等. 支持向量機理論及其在復雜電機設計中的應用[J]，微特電機，2010，（3）67-70