摘要
随着电工材料、电力电子、控制理论等领域的迅速发展，电机在新能源汽车、风力发电、军事装备等各类产业中发挥着越来越重要的作用。为满足不同领域和行业对电机的不同需求，电机本体设计与优化成为当前亟待突破的技术挑战。在提高电机性能及优化效率的同时，还需考虑大规模生产时电机的良品率。 传统电机优化流程中高度依赖有限元分析软件，时间成本高、优化效率低。针对此问题，近年来各种人工智能算法陆续被应用于电机优化。代理模型通过远少于原需使用的有限元计算样本，生成映射优化变量与优化目标关系的模型，替代大量的有限元计算，以减少时间成本，可用于电机性能分析与评估。其中，Kriging代理模型在局部非线性建模方面充分显示了优越性，但其预测精度还不够高。在此背景下，为了提高普通Kriging代理模型的预测精确度，比较了两种加入遗传算法（GeneticAlgorithm,简称GA）的改进方法。传统的电机优化方法是一种确定性优化方法，即默认电机制造过程中所有材料和结构参数都是精确值，并未考虑实际生产加工中存在的不确定性因素。因此，为了降低不确定性因素对电机性能的影响，提高大规模生产时电机的良品率，在电机优化中引入鲁棒性优化的概念，提出了一种电机鲁棒性优化设计方法。鉴于现有商业软件灵活性较差，本文基于Python与商业有限元软件搭建了一套完整的电机优化平台。以一台内置式永磁（InteriorPermanentMagnet,简称IPM）电机为例，对比确定性优化和鲁棒性优化的结果。最后，根据电机鲁棒性优化设计方案，制作一台样机，通过相关设备对样机进行测试，进一步验证优化的优越性。 本文主要研究内容与创新成果如下： （1）普通Kriging代理模型和GA的基本原理，阐述普通Kriging模型的不足。进而，提出两种加入GA的改进Kriging代理模型：一、将GA的最终优化结果作为样本添加至代理模型中；二、将GA过程中的样本添加至代理模型中。通过仿真，分析比较两种方法的优缺点。 （2）指出确定性优化的不足之处，引入电机多目标鲁棒性优化的概念，分析Taguchi参数设计、WorstCase设计和six-sigma设计三种鲁棒性优化方法的优缺点。 （3）利用ANSYSMaxwell的脚本解释器和软件注册接口，搭建基于Python与ANSYSMaxwell的电机优化平台，对有限元仿真软件调用、代理模型构建和优化算法框架进行集成。 （4）基于电机优化平台，以一台1kW、12槽14极IPM电机为例，分别进行确定性优化与鲁棒性优化，并比较分析两种优化的仿真结果。 （5）根据电机鲁棒性优化设计方案研制一台1kW、12槽14极样机，搭建实验平台对样机进行测试，获取并分析实验数据，进一步验证优化方法的有效性。
NETL