摘要：將改進型非支配排序遺傳算法應用于無刷直流電動機優化設計中，縮短電機設計周期，提高電機設計智能化程度。以效率和功率密度****為目標，構建了基于NsGAⅡ的電機多目標優化模型，采用vs2010開發平臺進行了優化軟件的開發，進行了一臺50 w無刷直流電動機的優化設計。采用有限元分析軟件Maget驗證了該算法在電機優化設計中的有效性。

    關鍵詞：無刷直流電動機優化設計；Magnet

    0引  言

    近年來，針對采用傳統磁路法進行電機設計周期長且需要根據經驗不斷調整參數的缺點，因而電機優化設汁得到了廣泛的關注。電機優化設計從特定的優化日標出發，在滿足電機各項基本性能指標的前提下，根據電機的數學模型，利用相關的****化算法自動快速地尋找電機的****設計方案(即電機設計尺寸、電磁參數等)，使某項電機性能或某些技術指標達到****[1]。文獻[2]針對傳統電機優化設計算法存在的優化結果對初始解敏感、容易收斂于初始解附近的局部極值點等問題，詳細分析了以遺傳、免疫算法為代表的新的全局優化方法及其在電機優化領域的應用情況，闡述了其不同丁二傳統優化算法的特點。

    NsGAⅡ[3]算法在NsGA[4](非支配排序遺傳算法)的基礎上，提出新的基于分級的快速非支配排序算法，有效地降低了算法復雜度；采用擁擠度的概念，以避免復雜的共享適應參數的計算；同時引入保優機制，擴大了采樣空間，能夠迅速提高種群的整體水平。電機模型是一個多變量、非線性函數，其優化設計可以描述為有約束、非線性混合離散多目標規劃問題。NsGA一Ⅱ算法適合于多目標優化問題，它應用于電機優化設計中，能夠快速準確地收斂于全局****點.本文采用NsGA一Ⅱ算法進行無刷直流電動機高效率和高功率密度多目標優化設計研究，可以縮短電機設計周期，提高電機設計的智能化程度。

    1電機多目標優化建模及分析

    1.1變量選取電機電磁結構復雜、參數較多，為使參數優化易于實現，通常選取10個以內的參數作為設計變量，其余作為常量對待。本文選取9個電磁結構參數作為優化變量進行分析，如下：

    式中：δ是氣隙厚度；DH是電樞內徑；Lm2是鐵心長度；hm2是水磁體厚度；ao是計算極弧系數；bo是定定轉了‘鐵心的軟磁材料采用常用的冷軋硅鋼片Dw310—35，其直流磁化曲線與損耗曲線如圖1所示[5]。永磁體材料采用燒結釹鐵硼N50M，剩磁為1.40 T，磁感矯頑力1 042 kA／m，內稟矯頑力1

114 kA／m，****工作溫度100℃。為有效利用磁性材料，提高電機功率密度，期望Dw310一35工作磁感應強度為1．6 T。

    2電機優化算法的實現及結果分析

    本文在Vs2010平臺下開發了如圖3所示的基于NsGA一Ⅱ的無刷直流電動機優化沒計軟件：圖形界面中可對電機總體參數和預取的期望變量進行直接賦值，待優化自變量可以預設優化區間。

 

    本文采用所開發的無刷直流電動機優化設計軟件．以效率****與功率密度****為目標對一臺50 w無刷直流電動機進行了電磁參數優化，其額定數據如表1所示。優化前有方案對比如表2所示。

    經過優化設計后，該無刷直流電動機效率由74．79％提升為79 84％。功率密度由202 w／kg提高為217 w／kg。

   3有限元結果驗證

   本文采用加拿大Infolytica公司的三維電磁場分析軟件Magnet構建如圖4所示的電機模型，進行50 w無刷直流電動機優化前后的對比分析。

    優化前后氣隙磁密曲線，可以看到優化后電動機氣隙平均磁密相比優化前提高8 5％，能夠更加有效地發揮永磁體效能，提高電機功率密度。

    圖6為優化前后電動機負載起動曲線。可以看出優化方案減小了機電時間常數，提高了其動態響應速度。

   4結語

    NsGA一Ⅱ算法作為一種啟發式的搜索算法，已經在很多領域得到了廣泛的應用，尤其是面向多同標優化問題的應用更加廣泛。本文采用改進型非支配排序遺傳算法(ⅣsGA一Ⅱ)對無刷直流電動機進行優化設計。在對無刷直流電機電磁模型準確分析的基礎上，建立了電機優化設計算法，開發r電機優化軟件。采用所開發的優化設計軟件，對一臺50 w無刷直流電動機進行了優化設計，Magnet有限兀分析結果驗證了其在提島電機效率、提升電機功率密度方面的有效性。