基于自适应遗传蚁群算法的永磁自启动同步电机的优化

发布时间：2017-08-15 19:12

  本文关键词：基于自适应遗传蚁群算法的永磁自启动同步电机的优化

  更多相关文章： 遗传蚁群 算法 优化设计 自启动 永磁同步

【摘要】：永磁自启动同步电动机以其具有高效率和高功率因数而被广泛地应用在石油工业和纺织工业的领域之中，因此在设计这种永磁自启动同步电动机时要从高效率和高功率因数等方面进行考虑。由于该类的电机转子上安有鼠笼条，，所以它的启动过程和牵入同步过程比一般的永磁同步电机更为复杂，设计难度更加增加，需要采取必要的电机优化设计方法对其进行优化设计，从而得到满足要求的电磁设计方案。 文中首先介绍了蚁群算法的起源、发展的过程、应用的领域以及传统蚁群优化的原理，提出一种改进的自适应遗传蚁群算法，该算法确定了遗传算法和蚁群算法的融合时机，使得算法在寻优过程中同时具备两种算法的优点，给出了一种改进的信息素更新策略，设置了高效的算法参数。分别采用传统的蚁群算法和改进的自适应遗传蚁群算法对已知函数进行最小值优化计算，通过比较两者得到的进化曲线和平均值随着迭代次数变化的曲线，证明了改进的自适应遗传蚁群算法具有更好性能。 其次，以一台4极7.5kW的永磁自启动同步电动机为研究对象，以提高效率为目标，建立了电机的优化设计的数学模型，模型中确立了目标函数，选择了对目标函数影响明显的结构参数作为优化变量，并且根据电机设计的要求设置了约束条件以及对应的惩罚函数。 最后，采用改进的自适应遗传蚁群算法对电机进行优化，得到了一组新的电磁设计方案，与原设计方案相比较，证实了改进的算法对电机的优化是有效的。采用有限元方法对优化后的设计方案进行仿真，得到了堵转转矩随着时间变化的特性曲线、转速和转矩随着时间变化的特性曲线以及磁通密度和电流密度在某一稳定运行时刻下的分布云图，并且通过对以上的特性曲线和云图分析，证实优化结果满足电机设计的要求。
【关键词】：遗传蚁群 算法 优化设计 自启动 永磁同步
【学位授予单位】：哈尔滨理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM341
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-15
• 1.1 课题研究背景与意义10-11
• 1.2 国内外研究现状11-13
• 1.2.1 基于算法的电机优化技术研究现状11-12
• 1.2.2 永磁自启动同步电动机的研究现状12-13
• 1.3 本文研究主要内容13-15
• 第2章 改进的自适应遗传蚁群算法15-29
• 2.1 传统蚁群算法的基本原理15-17
• 2.2 改进的自适应遗传蚁群算法17-24
• 2.2.1 改进算法的优化过程17-18
• 2.2.2 信息素更新策略的改进18-21
• 2.2.3 改进算法的参数设置21-24
• 2.3 改进自适应遗传蚁群算法的性能验证24-28
• 2.3.1 基于传统蚁群算法和改进算法的函数优化计算24-25
• 2.3.2 二种算法的优化结果比较25-28
• 2.4 本章小结28-29
• 第3章 电机优化数学模型的建立29-41
• 3.1 电机的结构与性能计算29-34
• 3.1.1 电机的基本结构29-30
• 3.1.2 永磁自启动同步电动机性能分析30-34
• 3.2 基于算法优化的电机数学模型34-36
• 3.3 永磁自启动同步电动机优化的数学模型36-40
• 3.3.1 目标函数的确立36
• 3.3.2 优化变量的选择36-38
• 3.3.3 约束条件的设置38-39
• 3.3.4 增广目标函数的定义39-40
• 3.4 本章小结40-41
• 第4章 改进的算法在电机优化中的应用41-47
• 4.1 优化结果分析42-44
• 4.2 有限元仿真44-46
• 4.2.1 启动性能分析44
• 4.2.2 牵入同步过程分析44-45
• 4.2.3 磁密和电密的分析45-46
• 4.3 本章小结46-47
• 结论47-48
• 参考文献48-52
• 攻读学位期间发表的学术论文52-53
• 致谢53

【共引文献】

中国期刊全文数据库 前10条

1 刘丽;刘桂海;周博;;城市供水管网优化模型研究综述[J];江西化工;2009年04期

2 刘伟,华中和;用遗传算法实现雷达网目标分配[J];情报指挥控制系统与仿真技术;2004年05期

3 夏小华;黄平华;刘奎永;;射击精度的序贯检验评定方法[J];指挥控制与仿真;2010年03期

4 周密;侯之超;;基于遗传算法的动力总成悬置系统优化设计[J];汽车技术;2006年09期

5 刘天亮,袁立,侯云章,郭宏伟,戴更新,胡劲松;论矩形物体布局的启发式近似计算问题[J];青岛大学学报(自然科学版);2003年04期

6 李澄非;朱群雄;;基于蚁群算法的混合优化算法在TSP中的应用[J];青岛大学学报(自然科学版);2007年01期

7 丁兵,胡均川,笪良龙;基于遗传算法的潜艇隐蔽航路规划[J];青岛大学学报(工程技术版);2002年01期

8 何爱民,何晓文,肖滨;基于改进遗传算法的水下无人平台航路规划[J];青岛大学学报(工程技术版);2002年04期

9 童刚;公交调度模型及算法[J];青岛科技大学学报(自然科学版);2004年03期

10 史文谱,刘迎曦,巩华荣,李翠华;黄金分割法在无约束多元优化问题中的应用[J];曲阜师范大学学报(自然科学版);2003年03期

中国重要会议论文全文数据库 前10条

1 胡波;吴敏;杨静;朱华琦;;异常工况下的焦炉作业优化调度方法[A];第二十七届中国控制会议论文集[C];2008年

2 张启义;张智;梅冬;;遗传神经网络在公路物资运输量预测中的应用[A];中国运筹学会第十届学术交流会论文集[C];2010年

3 陈佳彬;张翔;;全局优化算法研究[A];福建省科协第五届学术年会数字化制造及其它先进制造技术专题学术年会论文集[C];2005年

4 赵元;张新长;康停军;;基于多叉树蚁群算法在区位选址中的应用[A];广东省测绘学会第九次会员代表大会暨学术交流会论文集[C];2010年

5 赵元;张新长;康停军;;基于多叉树蚁群算法在区位选址中的应用[A];全国测绘科技信息网中南分网第二十四次学术信息交流会论文集[C];2010年

6 李彦希;彭刚;;基于禁忌搜索的TSP问题求解[A];广西计算机学会2010年学术年会论文集[C];2010年

7 刘长石;;有时间窗车辆路径问题的一种改进禁忌搜索算法[A];人文科技发展与管理创新——湖南省管理科学学会2009年度学术年会论文集[C];2009年

8 李大军;程朋根;刘波;;基于RBF神经网络的GPS高程转换[A];华东地区第十次测绘学术交流大会论文集[C];2007年

9 段海滨;王道波;于秀芬;;基于混合优化策略的连续域蚁群算法改进研究[A];2006中国控制与决策学术年会论文集[C];2006年

10 张辉;王锡淮;肖健梅;;基于改进蚁群算法的旅行商问题[A];2007中国控制与决策学术年会论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 谭佳琳;粒子群优化算法研究及其在海底地形辅助导航中的应用[D];哈尔滨工程大学;2010年

2 贺士晶;核动力装置参数优化设计[D];哈尔滨工程大学;2010年

3 周巍;煤矿井下搜救探测机器人的路径规划及轨迹跟踪控制研究[D];太原理工大学;2011年

4 王伟;铁路网抗毁性分析与研究[D];北京交通大学;2011年

5 谢丽萍;基于拟态物理学的全局优化算法设计及性能分析[D];兰州理工大学;2010年

6 全靖;非凸规划问题的全局最优性条件和全局最优化方法[D];上海大学;2011年

7 夏伟怀;铁路物流资源整合优化理论与应用研究[D];中南大学;2010年

8 陈彦;铁路客运站列车过站径路与调机运用优化[D];中南大学;2010年

9 陈德良;物流网络可靠性的关键问题与应用研究[D];中南大学;2010年

10 盛义发;城轨牵引内置式永磁同步电机驱动系统效率优化控制方法研究[D];中南大学;2010年

中国硕士学位论文全文数据库 前10条

1 李颖;用蚁群算法求解最小极大流问题[D];河南理工大学;2010年

2 李坤;参数参与进化的自适应遗传算法研究[D];南昌航空大学;2010年

3 靳昌田;煤炭集团物料配送优化研究[D];山东科技大学;2010年

4 蒋红进;蚁群算法在光突发交换网络路由中的研究[D];哈尔滨工程大学;2010年

5 程朗;基于多测距仪的AUV三维避碰方法研究[D];哈尔滨工程大学;2010年

6 杨丽丽;冲击噪声背景下的DOA估计研究[D];哈尔滨工程大学;2010年

7 宋开胜;基于遗传算法的二维排样研究[D];哈尔滨工程大学;2010年

8 李筱磊;CCPM在造船项目计划管理中的应用研究[D];大连理工大学;2010年

9 张雪;基于聚类的改进蚁群算法对VRPTW问题的应用研究[D];辽宁工程技术大学;2009年

10 刘佳旭;基于蚂蚁算法的副本选择策略研究[D];辽宁工程技术大学;2010年

本文编号：679828