(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 202210690198.5 (22)申请日 2022.06.17 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 李聪波　曹宝　李伟　张嘉诚　 黄明利　赵继烜　张登永　 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06Q 50/06(2012.01) G06F 17/16(2006.01) G06F 119/02(2020.01) (54)发明名称 一种考虑不确定性的感应电机 降耗优化方 法 (57)摘要 首先， 基于等效电路法和电磁有限元法分析 了转子尺寸对电机的性能的影响， 然后， 基于径 向基函数神经网络构建了总损耗、 起动转矩和起 动电流的代理模型； 最后， 为了减小转子槽制造 公差的影 响， 建立了考虑转子制造过程不确定性 的可靠性优化模型。 在优化过程中， 采用自适应 加权响应面法自适应逼近极限状态 函数， 采用蒙 特卡罗模拟方法进行可靠性分析， 使用序列二次 规划算法求 解优化模型。 权利要求书2页 说明书7页 附图3页 CN 114861506 A 2022.08.05 CN 114861506 A 1.一种考虑不确定性的感应电机降耗优化方法， 包括以下步骤： 步骤1： 从结构方面分析影响感应电机性 能的因素， 建立以电机转子槽尺寸为变量的电 机总损耗、 起动转矩和起动电流的代理模型； 步骤2： 以电机总损耗为目标， 电机转子的槽尺寸为随机优化变量， 起动转矩和起动电 流值为可靠性约束， 基于径向基函数神经网络建立考虑不确定性的感应电机降耗优化模 型； 步骤3： 采用序列二 次规划算法求解优化模型， 优化过程中采用自适应加权响应面法近 似极限状态函数， 并结合 蒙特卡罗模拟方法进行 可靠性分析。 2.根据权利要求1所述的一种考虑不确定性的感应电机降耗优化方法， 步骤1中， 建立 代理模型的过程 为： (1)通过从结构方面分析影响性能的因素， 选取槽口高Hs0、 槽高Hs2、 上槽宽Bs1、 下槽宽 Bs2为设计变量， 总损耗、 起动转矩和起动电流 为研究目标； (2)采用拉丁超立方抽样在 设计空间采样， 获得电机的总损耗、 起动转矩和起动电流参 数值； (3)基于径向基函数神经网络建立总损耗、 起动转矩和起动电流的代理模型； 根据权利要求1所述的一种考虑不确定性的感应电机降耗优化方法， 步骤2中， 建立的 优化模型为： (1)设计变量： 转子槽尺寸： 槽口高Hs0、 槽高Hs2、 上槽宽Bs1、 下槽宽Bs2； (2)目标函数： min Ploss(Hs0,Hs2,Bs1,Bs2) 其中， Ploss为总损耗； (3)约束条件： 起动转矩和起动电流作为可靠性约束， 对转子的槽尺寸进行工艺约束； 其中， P表示概率， Tst为启动转矩， Ist表示启动电流， R1为起动转矩可靠性， R2为启动电 流可靠性， 受不确定性影响的变量实际值， 服从 分布， Hs0L和Hs0U为Hs0的 最小值和最大值， 受不确定性影响的变量实际值， 服从 分布Bs1L和Bs1U为 Bs1的最小值和最大值， 受不确定性影 响的变量实际值， 服从 分布， Hs2L和 Hs2U为Hs2的最小值和最大值， 受不确定性影响的变量实际值， 服从 分布， Bs2L和Bs2U为Bs2的最小值和最大值； 根据权利要求1所述的一种考虑不确定性的感应电机降耗优化方法， 步骤3中， 优化模权　利　要　求　书 1/2 页 2 CN 114861506 A 2型进行求 解的过程 为： (1)本发明采用自适应加权响应面法逼近极限状态函数： 1)运用自适应加权响应面法将极限状态函数近似为： 其中， 是响应面函数值， Xi是第i个随机设计变量， β0是常数项， βi是线性项的系数， βij 交叉项的系数， N是随机变量的个数； 2)获取权 重系数： 对离极限状态函数 更近的实验点赋予更高的权 重： ybest＝min|G(xl)| D(xl)＝G(xl)‑ybest l＝1,2...,L 其中， ybest定义为离极限状态函数最近点的距 离， L代表 每次迭代的实验 点数， G(x)表示 功能函数， D(Xl)是其余实验点到最近实验点的距离， wl为权重系数； 通过最小二乘法回归方法获得到 权重矩阵： 系数矩阵可表示 为： β ＝[xTW(x)x]‑1xTW(x)y 其中， x为随机变量的N维向量， W(x)是权 重的对角矩阵； 3)更新实验设计的中心点， 在新实验设计中心采用饱和设计采样: 其中， xm新中心点， xD是当前设计点， 是变量均值； (2)采用蒙特卡罗模拟方法进行可靠性分析， 考虑系统的不确定性时会产生超出可行 域的扰动设计 因此， 第j个约束Gj(X)的可靠度表示 为： 其中， N是蒙特卡罗模拟中的测试样本数量， 是指标函数， N足够大， 以保证可靠性计 算的准确性； (3)采用序列二次规划算法求 解优化模型。权　利　要　求　书 2/2 页 3 CN 114861506 A 3