(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210586440.4 (22)申请日 2022.05.26 (71)申请人 南京航空航天大 学 地址 210016 江苏省南京市秦淮区御道街 29号 (72)发明人 姜文颖　刘世浩　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 姜慧勤 (51)Int.Cl. G06F 30/23(2020.01) G06N 3/12(2006.01) G06F 111/06(2020.01) G06F 119/14(2020.01) (54)发明名称 一种永磁同步电机转子最大应力最优解的 预测方法 (57)摘要 本发明公开了一种永磁同步电机转子最大 应力最优解的预测方法， 通过对永磁体槽上的倒 角大小和位置进行优化， 可 以减小V型内置式永 磁同步电机转子上的最大应力， 从而求出最大应 力最优解， 每一组可以维持电磁性能不变的电磁 设计参数 组合下都可以求出唯一最优解， 通过建 立代理模型就可以建立电磁设计参数组合和最 优解的映射 关系。 本发明方法可以写成Matlab 脚 本进行代理模 型建模， 在电机设计时只需要输入 电磁设计参数组合就可以快速预测出转子上的 最大应力最优解， 从而可以评估电机设计的合理 性， 为电机设计参数的选取提供了依据。 权利要求书2页 说明书7页 附图3页 CN 114997005 A 2022.09.02 CN 114997005 A 1.一种永磁同步电机转子最大应力最优解的预测方法， 其特 征在于， 包括如下步骤： 步骤1， 确定V型内置式永磁同步电机的电磁设计参数以及各电磁设计参数的参数设计 范围； 步骤2， 在 设计空间中， 依据 各电磁设计参数的参数设计范围获取不同的电磁设计参数 组合， 即初始训练样本集； 步骤3， 在每个电磁设计参数组合下， 通过对永磁体槽上的倒角大小和位置进行优化， 得到不同的电磁设计参数组合对应的最大应力最优解； 步骤4， 利用步骤2获取的不同的电磁设计参数组合以及步骤3得到的每个电磁设计参 数组合对应的最大应力最优解， 构建代理模型； 步骤5， 对代理模型的精度进行评估， 若精度满足要求则进入步骤6， 否则， 依据加点策 略对当前训练样本集进行扩充， 并返回步骤3； 步骤6， 将满足精度要求的代 理模型作为最终的模型， 输入电磁设计参数即能预测对应 的最大应力最优解。 2.根据权利要求1所述的永磁同步电机转子最大应力最优解的预测方法， 其特征在于， 所述步骤2中， 所采用的方法为拉丁超立方采样方法， 设定有m个电磁设计参数， 需要获取n 个样本点， 一个电磁设计参数组合作为一个样本点， 则将每个电磁设计参数 的参数设计范 围划分为n等份并将n等份随机打乱， 在每个等份中随机取一个数值， 最后全部组合在一起 得到一个n行m列的拉丁超立方样本矩阵， 矩阵的一行代 表一个样本点。 3.根据权利要求1所述的永磁同步电机转子最大应力最优解的预测方法， 其特征在于， 所述步骤3中， 得到最大应力最优解所采用的方法是多目标遗传算法MO GA。 4.根据权利要求1所述的永磁同步电机转子最大应力最优解的预测方法， 其特征在于， 所述步骤4中， 采用二次多 项式响应面进行建模， 响应面形式如下： 其中， y(x)表示一个电磁设计参数组合对应的真实响应； β0、 βi、 βii、 βij表示二次多项式 的待定系数； m为电磁设计参数的数量； xi、 xj分别为第i、 j个电磁设计参数的值； ε为 误差。 5.根据权利要求1所述的永磁同步电机转子最大应力最优解的预测方法， 其特征在于， 所述步骤5中， 代理模型 的精度评估方式是依据加 点策略对训练样本集进行迭代扩充过程 中， 采用第t+1次迭代新增的样本点对第t次迭代更新的代理模型进行精度评估； 评估指标 是扩充的样本点中最大的预测误差er ror： 其中， k＝1,2, ···,K， K为第t+1次迭代扩充的样本点 数量， yk、 分别表示第t+1次迭 代扩充的样本点 k的响应、 响应预测值； 在多次迭代中观察error值的变化情况， 当error不再继续减小且围绕某一 固定值震荡 时， 停止迭代。 6.根据权利要求1所述的永磁同步电机转子最大应力最优解的预测方法， 其特征在于， 所述步骤5中， 采用自适应并行加点策略对训练样本集进行扩充， 具体过程如下：权　利　要　求　书 1/2 页 2 CN 114997005 A 2设计空间划分： 在设计空间中采用拉丁超立方采样方法抽取10万或10万以上的备用样 本点作为备用样本集， 对已有的训练样本集进行泰森多边形划分， 即对已有的训练样本集 中任意一个样本点I而言， 若 备用样本集中存在满足以下条件的备用样本点： 备用样本点与 样本点I的欧式距离小于备用样本点与已有的训练样本集中除样本点I之外的其他任意一 个样本点的欧式距离， 则认为满足上述条件的备用样本点处于被样本点I控制的泰森多边 形内， 将满足上述条件的备用样本点划分到被样本点I控制的泰森多边形区域中， 样本点I 即为控制点 I； 全局搜索： 用稀疏系数评估 泰森多边形区域的稀疏程度： 其中， 为泰森多边形区域i的稀疏系数， Ni为泰森多边形区域i的备用样本点数， Nmax、 Nmin分别为容纳备用样本点 最多、 最少的泰 森多边形区域内的备用样本点数； 局部搜索： 用留一交叉验证法计算出模型对已有的训练样本集中每个已有样本点的预测误差系 数： 其中， ei为样本点i的预测误差， yi、 分别为样本点i的真实响应、 预测响应， 为样本 点i的预测误差系数， emax、 emin分别为已有样本点的最大、 最小预测误差； 新增样本点： 根据稀疏系数和预测误差系数计算得到泰 森多边形区域的敏感度： 其中， Ei为泰森多边形区域 i的敏感度， A为权 重系数， A的取值范围为0～1； 对敏感度按照从大到小的顺序进行排序， 根据预设的新增样本点数量， 从第一个泰森 多边形区域开始， 每个区域新增一个样本点； 对于第一个区域， 从该区域的备用样本点中选 一个与该区域的控制点之 间的欧式距离最大的备用样本点作为新增样本点； 从第二个区域 开始， 计算区域内每个备用样本点与现存所有点的最小距离， 取最小距离最大 的备用样本 点作为新增样本点， 所述现存所有点包括所有区域的控制点以及当前区域前面所有区域的 新增样本点。权　利　要　求　书 2/2 页 3 CN 114997005 A 3