本文介绍了如何通过非线性优化技术优化第四代丰田Prius电机的齿槽转矩和反电动势，使用遗传算法进行单目标和多目标优化，以实现更优设计方案。通过实例展示了非线性优化在减少计算次数的同时获得理想优化结果的能力，揭示了非线性优化在电机设计中的应用和重要性。
引文
第四代丰田prius2017电机已经成为的业内标杆，其电机设计思想已经被广泛学习。学习的要领是“得意忘形”，对标分析只是手段和过程，目的是领会其内在设计思想，最后展开成新设计。这就是得意忘形，有了意就可以在别人的基础上继续优化，找到符合我们自己需求的最优方案。如何进一步优化，要定性更要定量。设计到了现在这个程度上，一定要精益求精。为此蜗牛请到了一位电机优化的高手，Doctor.Werther 为大家讲解一种如何快速寻找最优目标的方法：“非线性优化”。这是蜗牛为大家争取到了一项福利，现在免费公布给大家。
起步·齿槽转矩的单目标优化
为了让读者能直观的了解到什么是非线性优化，非线性优化有什么用，我们就以PriusIV电机为例，具体的来谈谈。先举一个小例子，如何在Prius的基础上进一步优化齿槽转矩。
PriusIV电机的转子辅助槽设计
优化目标1：通过在转子侧开辅助槽减小齿槽转矩
优化方法1：参数化扫描
Prius的转子采用双辅助槽设计，其设计由2组位置、开口大小、开槽深度共6个变量来决定(槽口宽)，每个变量扫描4个点，那么总计算次数为4^6=4096，这个计算时间是难以接受的。这里我们参数化其中4个变量，共计算256次，可以发现prius2017原方案并不是齿槽转矩最小的方案。 还有进一步优化空间。
但如果我们想做地更细致一点，做6个参数或者更多的参数优化，就有困难，因为这种参数数化扫描就像穷举法，随着变量的增加，计算次数呈指数增加。因此有必要采用第二种优化方法。
优化方法2：非线性优化--遗传算法
针对目标1采用遗传算法进行单目标优化，下图是遗传算法的收敛过程，6个变量共计算了390次，相比线性参数化优化大大减少了优化次数，提高了效率。
下图是prius2017电机原方案的齿槽转矩与单目标优化后的齿槽转矩。
进
最低0.47元/天 解锁文章
1427
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
