本發(fā)明屬于電機(jī)多目標(biāo)優(yōu)化，尤其涉及基于motorcad和ansys的電機(jī)多級多目標(biāo)聯(lián)合優(yōu)化設(shè)計方法。

背景技術(shù)：

1、全局類的優(yōu)化設(shè)計方法需要反復(fù)調(diào)用目標(biāo)函數(shù)的計算。當(dāng)將此類方法用于電機(jī)的優(yōu)化設(shè)計時，通常需要通過有限元分析來獲得電機(jī)的運行性能。大量的有限元計算加大了優(yōu)化設(shè)計的成本，尤其是基于多物理場耦合問題或考慮魯棒性、可靠性指標(biāo)的優(yōu)化問題，難以實現(xiàn)。

2、電機(jī)設(shè)計軟件motorcad集成了磁路法、熱路法、熱網(wǎng)絡(luò)法、有限元分析法、智能優(yōu)化算法，可以實現(xiàn)電機(jī)電磁、熱及磁熱的互耦設(shè)計，性能分析較快，但有效優(yōu)化精度不高。ansys?optislang是一款仿真流程集成與設(shè)計優(yōu)化工具，包括多學(xué)科優(yōu)化、參數(shù)靈敏感分析、可靠性評估等，優(yōu)化過程快捷方便，打破軟件壁壘，可實現(xiàn)仿真流程的整合及優(yōu)化。

3、針對電機(jī)的優(yōu)化設(shè)計，目前的性能分析及優(yōu)化設(shè)計方法的不足之處為：

4、(1)精確的有限元分析過程復(fù)雜，計算成本太高；

5、(2)各個軟件獨立運行，人為因素較多，容易出錯。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有電機(jī)優(yōu)化設(shè)計中存在的問題，本發(fā)明提供一種基于motorcad和ansys的電機(jī)多級多目標(biāo)聯(lián)合優(yōu)化設(shè)計方法，其目的是實現(xiàn)電機(jī)多級多目標(biāo)快速綜合優(yōu)化設(shè)計。

2、基于motorcad和ansys的電機(jī)多級多目標(biāo)聯(lián)合優(yōu)化設(shè)計方法，步驟如下：

3、步驟1：對電機(jī)的拓?fù)浣Y(jié)構(gòu)和工作場景進(jìn)行分析，確定若干個設(shè)計變量、若干個目標(biāo)函數(shù)及約束條件；

4、步驟2：根據(jù)電機(jī)定轉(zhuǎn)子結(jié)構(gòu)參數(shù)、繞組設(shè)置以及材料選擇，利用motorcad對電機(jī)進(jìn)行參數(shù)化建模，得到電機(jī)參數(shù)化模型；

5、步驟3：在motorcad中設(shè)置電機(jī)參數(shù)化模型的求解條件，進(jìn)行電機(jī)的電場、磁場和溫度場多學(xué)科耦合下求解得到電機(jī)的電磁特性、熱特性和機(jī)械特性；

6、步驟4：根據(jù)確定的設(shè)計變量、目標(biāo)函數(shù)及約束條件，定制python腳本創(chuàng)建ansysoptislang與motorcad的接口；

7、步驟5：基于ansys?optislang與motorcad的接口，ansys?optislang通過python腳本調(diào)用motorcad得到的電機(jī)電磁特性、熱特性和機(jī)械性能，提取確定的若干個設(shè)計變量、若干個目標(biāo)函數(shù)及約束；

8、步驟6：根據(jù)每個設(shè)計變量相對于若干個目標(biāo)函數(shù)的敏感程度，分別計算每個設(shè)計變量的靈敏度系數(shù)，并根據(jù)靈敏度系數(shù)強(qiáng)弱分別建立強(qiáng)靈敏層和弱靈敏層；

9、scom(xa)＝w1|s1(xa)|+w2|s2(xa)+…+wn|sm(xa)|?????????(1)

10、w1+w2+…+wm＝1???????????????????(2)

11、其中，xa為第a個設(shè)計變量，scom(xa)為第a個設(shè)計變量的靈敏度系數(shù)，wm為第m個目標(biāo)函數(shù)的權(quán)重系數(shù)，m為目標(biāo)函數(shù)的數(shù)量，sm(xa)設(shè)計變量xa對第m個目標(biāo)函數(shù)的敏感因子；

12、步驟7：對強(qiáng)靈敏層和弱靈敏層分別采樣得到樣本數(shù)據(jù)，基于強(qiáng)靈敏層和弱靈敏層的樣本數(shù)據(jù)分別建立強(qiáng)靈敏層和弱靈敏層的最佳預(yù)后元模型；

13、步驟8：利用預(yù)后系數(shù)分別評價強(qiáng)靈敏層和弱靈敏層的最佳預(yù)后元模型的預(yù)測質(zhì)量；

14、具體為：對于強(qiáng)靈敏層，預(yù)后系數(shù)大于或等于設(shè)定閾值認(rèn)為精度達(dá)到要求，執(zhí)行步驟9，若小于設(shè)定閾值認(rèn)為精度未達(dá)到要求則增加樣本點并返回步驟7，對于弱靈敏層，預(yù)后系數(shù)大于或等于設(shè)定閾值認(rèn)為精度達(dá)到要求，轉(zhuǎn)到執(zhí)行步驟9，若小于設(shè)定閾值則增加樣本點并返回步驟7；

15、步驟9：將滿足預(yù)測質(zhì)量要求的最佳預(yù)后元模型后輸出；

16、步驟10：在ansys?optislang算法庫中，選擇進(jìn)化算法或粒子群算法基于最佳預(yù)后元模型對電機(jī)的若干個目標(biāo)函數(shù)進(jìn)行優(yōu)化后得到每個目標(biāo)函數(shù)對應(yīng)的帕累托前沿；

17、步驟11：采用波搜索算法，基于最佳預(yù)后元模型對電機(jī)的若干個目標(biāo)函數(shù)進(jìn)行優(yōu)化后得到每個目標(biāo)函數(shù)對應(yīng)的帕累托前沿；

18、步驟11.1：設(shè)定模擬電磁波粒子數(shù)為n，設(shè)計變量個數(shù)為d，初始化模擬電磁波粒子位置；

19、具體為：生成s個隨機(jī)數(shù)k1,k2,…kf,…,ks，其中kf為第f個隨機(jī)數(shù)，s≤n，按照如式(3)和(4)所示方法初始化模擬電磁波粒子位置：

20、

21、wi＝lb+xi*(ub-lb)???????????????????????(4)

22、其中，xf為隨機(jī)數(shù)kf經(jīng)過均勻化后的值，xi*為從隨機(jī)數(shù)經(jīng)過均勻化后的值中隨機(jī)抽取的值，ub為搜索空間的上界，lb為搜索空間的下界，wi為第i個模擬電磁波粒子位置；

23、步驟11.2：用矩陣w表示所有模擬電磁波粒子位置；

24、

25、其中，wi＝[wi1,wi2,…wid]為第i個模擬電磁波粒子位置，每個模擬電磁波粒子位置表示目標(biāo)函數(shù)中的設(shè)計變量的一組解，wij表示第i個模擬電磁波粒子位置中第j個設(shè)計變量的解；

26、步驟11.3：設(shè)定當(dāng)前迭代次數(shù)t＝0，最大迭代次數(shù)為tmax；

27、步驟11.4：計算當(dāng)前每個模擬電磁波粒子的適應(yīng)度；

28、模擬電磁波粒子種群的適應(yīng)度表示為向量，其中包括每個模擬電磁波粒子的適應(yīng)度：

29、f＝[f([w11,w12,…,w1d])；f([w21,w22,…,w2d])；f([wn1,wn2,…wnd])]??(6)

30、其中，f為模擬電磁波粒子種群的適應(yīng)度，f([wi1,wi2,…wid])為第i個模擬電磁波粒子的適應(yīng)度；

31、所述模擬電磁波粒子的適應(yīng)度的計算方法為：當(dāng)目標(biāo)函數(shù)為求最大值時，則該目標(biāo)函數(shù)的適應(yīng)度為在該模擬電磁波粒子位置中設(shè)計變量的解的情況下該目標(biāo)函數(shù)的值，當(dāng)目標(biāo)函數(shù)為求最小值時，則該目標(biāo)函數(shù)的適應(yīng)度為在該模擬電磁波粒子位置中設(shè)計變量的解的情況下該目標(biāo)函數(shù)的值的倒數(shù)，最后將每個目標(biāo)函數(shù)的適應(yīng)度進(jìn)行賦權(quán)并求和，得到模擬電磁波粒子的適應(yīng)度；

32、步驟11.5：將所有模擬電磁波粒子位置按照適應(yīng)度的大小進(jìn)行排序，將當(dāng)前適應(yīng)度最大的模擬電磁波粒子位置作為當(dāng)前最佳位置；

33、步驟11.6：在搜索空間范圍內(nèi)利用式(7)和(8)更新當(dāng)前所有模擬電磁波粒子位置，計算更新后的模擬電磁波粒子的適應(yīng)度并按照適應(yīng)度大小進(jìn)行排序，更新當(dāng)前最佳位置和全局最優(yōu)位置；

34、所述更新當(dāng)前最佳位置和全局最優(yōu)位置的方法為：將當(dāng)前適應(yīng)度最大的模擬電磁波粒子位置更新為當(dāng)前最佳位置，將當(dāng)前最佳位置與上一次的最佳位置中適應(yīng)度值較大的作為全局最優(yōu)位置；

35、

36、其中，為計算的新的第i個模擬電磁波粒子位置，wmin為矩陣w各維上的最小值組成的向量，r1是0到1之間的隨機(jī)數(shù)，wmax為矩陣w各維上的最大值組成的向量，wi'為更新后的第i個模擬電磁波粒子位置，為計算的新的第i個模擬電磁波粒子位置對應(yīng)的模擬電磁波粒子的適應(yīng)度，fmean為所有模擬電磁波粒子的適應(yīng)度的平均值；

37、步驟11.7：模擬電磁波向外擴(kuò)散，按照模擬電磁波粒子位置與全局最優(yōu)位置的接近程度重新排列，并按照式(9)和(10)更新當(dāng)前所有模擬電磁波粒子位置，計算更新后的模擬電磁波粒子的適應(yīng)度并按照適應(yīng)度大小進(jìn)行排序，更新當(dāng)前最佳位置和全局最優(yōu)位置；所述接近程度為適應(yīng)度的差值；

38、

39、

40、式中，wi”為模擬電磁波向外擴(kuò)散后更新的第i個模擬電磁波粒子位置，為計算的新的第i個模擬電磁波粒子位置，wbest為全局最優(yōu)位置，wli為矩陣w按與wbest的接近程度重新排列后的矩陣，mi為元素服從正態(tài)分布并按順序排列的列向量，σ為波形大小控制系數(shù)，fmax為模擬電磁波粒子位置的最大的適應(yīng)度，為計算的新的第i個模擬電磁波粒子位置對應(yīng)的模擬電磁波粒子的適應(yīng)度；

41、步驟11.8：模擬反射電磁波，適應(yīng)度低于設(shè)定閾值的模擬電磁波粒子位置遇到障礙物向全局最優(yōu)位置反射，按照式(11)和(12)更新適應(yīng)度低于設(shè)定閾值的模擬電磁波粒子位置，其余模擬電磁波粒子位置繼續(xù)按照步驟11.7方法模擬電磁波向外擴(kuò)散，計算更新后的模擬電磁波粒子的適應(yīng)度并按照適應(yīng)度大小進(jìn)行排序，更新當(dāng)前最佳位置和全局最優(yōu)位置；

42、

43、其中，為計算的新的第i個模擬電磁波粒子位置，β為反射強(qiáng)度系數(shù)，r2為0到1的隨機(jī)數(shù)，nw2為模擬反射電磁波的模擬電磁波粒子數(shù)量，wfi是w按照適應(yīng)度值從小到大的順序重新排列后的矩陣，w″′i為更新的第i個模擬電磁波粒子位置，為計算的新的第i個模擬電磁波粒子位置對應(yīng)的模擬電磁波粒子的適應(yīng)度；

44、步驟11.9：模擬接收電磁波，按照式(13)和(14)更新當(dāng)前所有模擬電磁波粒子位置，計算更新后的模擬電磁波粒子位置的適應(yīng)度并按照適應(yīng)度大小進(jìn)行排序，更新當(dāng)前最佳位置和全局最優(yōu)位置；

45、

46、式中，為計算的新的第i個模擬電磁波粒子位置，δ為接收系數(shù)，r3、r4、r5、r6是0到1的隨機(jī)數(shù)，為服從正態(tài)分布的隨機(jī)數(shù)，nw3為模擬接收電磁波的模擬電磁波粒子數(shù)，λ為校正因子，是通過卷積得到的歷史最優(yōu)位置，wi””為更新的第i個模擬電磁波粒子位置，為計算的新的第i個模擬電磁波粒子位置對應(yīng)的模擬電磁波粒子的適應(yīng)度，為更新的第i個模擬電磁波粒子位置wi”'對應(yīng)的模擬電磁波粒子的適應(yīng)度，l1＝l2＝…＝lt＝1/t；

47、步驟11.10：按照式(16)和(17)通過步長實驗結(jié)合擬合梯度下降法更新當(dāng)前所有模擬電磁波粒子位置，得到當(dāng)前迭代輪次最終的全局最優(yōu)位置；

48、gi＝(f(wi””+ε)-f(wi””-ε))/2ε??????????????(16)

49、wi””'＝wi””-α·gi??????????????????????(17)

50、式中，gi為梯度，ε為10-6，wi””'為更新的第i個模擬電磁波粒子位置，α為步長，通過步長試驗確定；

51、所述步長試驗為：當(dāng)?shù)螖?shù)為0時α為設(shè)定的初始值，對于第t次迭代，計算第t-1次迭代時模擬電磁波粒子位置wi””'與模擬電磁波粒子位置wi””的適應(yīng)度，若模擬電磁波粒子位置wi””'的適應(yīng)度大于模擬電磁波粒子位置wi””的適應(yīng)度，則α＝αt-1/c，否則α＝αt-1*c，c為縮放因子，αt-1為第t-1次迭代時的步長；

52、步驟11.11：判斷當(dāng)前迭代次數(shù)是否達(dá)到最大迭代次數(shù)，是則輸出所有迭代輪次的最終的全局最優(yōu)位置，得到帕累托前沿，否則返回步驟11.6；

53、步驟12：在步驟10和步驟11所得出的帕累托前沿中分別尋找選擇一組最優(yōu)解進(jìn)行ansys有限元驗證，將驗證效果最好的一組最優(yōu)解作為最終的最優(yōu)解；

54、選擇最優(yōu)解具體操作如下：設(shè)置一個參考點，在帕累托前沿上均勻取點，距離參考點最近的點作為最優(yōu)解。

55、本發(fā)明在利用motorcad分析電機(jī)多學(xué)科性能的基礎(chǔ)上，聯(lián)合ansys?optislang靈敏性分析進(jìn)行多目標(biāo)多級優(yōu)化的智能優(yōu)化方法，其具有以下優(yōu)點：

56、(1)融合了motorcad路算法快速分析電機(jī)性能的優(yōu)勢與ansys?optislang集成仿真流程搭建平臺及多學(xué)科設(shè)計優(yōu)化的優(yōu)勢。

57、(2)利用python定制腳本對motorcad進(jìn)行并行計算，數(shù)據(jù)結(jié)果的自動調(diào)用及分析，降低了計算成本。

58、(3)采用自編程算法進(jìn)行電機(jī)優(yōu)化設(shè)計，并與軟件優(yōu)化算法庫中得到的方案進(jìn)行對比，增加了優(yōu)化的準(zhǔn)確性。