技术摘要：
本发明提供了一种基于生成对抗网络的电动汽车用驱动电机设计方法，该方法解决了车用驱动电机在行驶过程中工作点动态变化不具备典型工作点的问题。以生成对抗网络为代理模型，替代有限元计算电机效率分布图，进一步计算汽车行驶循环工况下的能量损耗，提升了密集工作点  全部
背景技术：
电机设计本质上是一个多目标优化问题。车用驱动电机设计需要在体积、散热及 控制器等条件限制下尽可能保证高功率密度、高效率、宽调速范围和运行平稳性。与传统工 业驱动电机不同，驱动电机在纯电行驶时不再具有典型的额定工作点，其转矩和转速输出 将随着行驶工况变化而做动态调整，这就要求电机设计阶段必须同时考虑多工作点下的性 能优化。然而，电机系统的高非线性和有限元计算的高耗时性使得考虑汽车行驶循环工况 的优化需要巨大的计算资源和计算时间，不能很好的满足工程设计的需要。 为了提高优化速度，减少计算资源的消耗，基于k-均值聚类算法的代表工作点法 被提出，通过该算法对循环工况下的电机工作点分类，用每一类的中心点代表该类中的所 有个体，削减了优化对象的规模。然而，该方法的问题在于代表工作点不一定能够很好的等 效循环工况，计算结果存在偏差较大的可能。 一般而言，对于车用驱动电机来说，主要设计目标是在转矩密度和效率之间取得 平衡。
技术实现要素：
针对现有情况不足，本发明采用一种基于生成对抗网络(G e n e r a t i v e  Adversarial  Networks，GAN)的电动汽车用驱动电机设计方法，能够有效解决在计算中循 环工况下的能耗计算量大的问题，并实现全速域下车用驱动电机的性能优化。 为实现上述目的，本发明的技术方案为：一种基于生成对抗网络的电动汽车用驱 动电机设计方法，该设计方法的优化模型如下： s.t. xi,min≤xi≤xi,max  i＝1,2,…,n J≤Jmax U≤Umax TJmax≥Tmax ωt≥ωt,min 其中TDnom为名义工作点的转矩密度，Ec是汽车循环工况下电机的总能量损耗，x是 电机的结构参数，n为结构参数个数，J是铜芯电流密度。U是端电压，根据设计要求可以为有 效值也可以为幅值。TJmax是最大输出转矩，ωt是恒转矩区过渡到恒功率区的转折电磁角速 度。 为了求解该模型，采用遗传算法框架进行优化，基于生成对抗网络的电动汽车用 4 CN 111614215 A 说　明　书 2/6 页 驱动电机设计方法，包括以下步骤： 步骤1，根据汽车行驶循环工况以及汽车参数计算电机循环工况； 步骤2，在电机工况分布的基础上计算名义工作点(Tnom,ωnom)； 步骤3，初始化训练集S0，训练初始生成对抗网络GAN0； 步骤4，多目标遗传算法生成第一代群体P1； 步骤5，群体中的个体间进行交叉变异，生成新的个体集合EPg，其中g表示第g代群 体； 步骤6，使用GANg-1为EPg中的每一个个体计算名义工作点对应的电流密度Jnom和超 前角θnom，并在名义工作点处进行有限元仿真，计算转矩T、电压U和损耗Loss。将向量[x, Jnom,ωnom,θnom]作为输入，[T,U,Loss]作为输出，保存为训练集Sg； 步骤7，使用GANg-1计算EPg中每一个个体的效率分布图，基于效率分布图计算汽车 行驶循环工况下总能量消耗； 步骤8，为EPg中每一个个体计算约束条件，对违反约束的个体施加惩罚项； 步骤9，为EPg中每一个个体计算适应度，并选择其中适应度高的个体，生成暂存集 TAg； 步骤10，根据一定规则，生成多组电机电流工作点[Jk ,ωk ,θk]。TAg中的每一个个 体在上述电流工作点进行有限元仿真，计算转矩T、电压U和损耗Loss。将向量[xi ,Jk ,ωk , θk]作为输入，[T,U,Loss]作为输出，保存到训练集Sg； 步骤11，使用训练集Sg训练新的生成对抗网络GANg； 步骤12，使用GANg-1计算TAg中每一个个体的效率分布图，基于效率分布图计算汽 车行驶循环工况下总能量损耗； 步骤13，为TAg中每一个个体计算约束条件，对违法约束的个体施加惩罚项； 步骤14，为TAg中每一个个体计算适应度，并选择其中适应度高的个体生成下一代 群体Pg 1； 步骤15，判断是否满足终止条件，若不满足则转步骤5，并令g＝g 1。 作为本发明的一种改进，所述步骤2，在电机工况分布的基础上计算名义工作点 (Tnom ,ωnom)，对于n个电机工作点下，设p＝(T,ω)，c为名义工作点(Tnom ,ωnom)，使用公式 (8)的优化模型计算名义工作点： s.t. ωmin≤ω≤ωmax Tmin≤T≤Tmax 其中d(p,c)表示两点之间的欧式距离。 作为本发明的一种改进，步骤6中的通过GANg-1为名义工作点计算对应的电流密度 Jnom和超前角θnom，采用以下最优电流模型计算： minIm   (10) s.t. T(Im,θ)＝Tdef Im≤Imax 5 CN 111614215 A 说　明　书 3/6 页 U(Im,θ,ω)≤Umax Im是电流有效值，Tdef和ωdef是指定的电机工作点，Nc是绕组匝数，Aslot是槽面积， kf为填铜率。 作为本发明的一种改进：步骤8和步骤13中的约束计算采用以下公式进行： max  T   (13) s.t. Im≤Imax U(Im,θ,ωb)≤Umax ωb＝ωt,min-ε，其中ε的取值保证ωb在恒转矩区。在计算该转速下电压Ub后，转折 角速度ωt通过最大电压计算： 。 作为本发明的一种改进，通过步骤6和步骤10，收集每一代个体的有限元仿真结果 构成新的训练集Sg，用于更新生成对抗网络。 作为本发明的一种改进，一次迭代中分别于步骤8、步骤9和步骤13和步骤14两次 计算约束和个体适应度 本发明具有以下有益效果： 1、本发明利用生成对抗网络依靠少量标识样本学习便可处理高维度的复杂分布 问题的优点，建立电机的有限元代理模型，实现对电机性能的高效、精准计算； 2、本发明实现了全速域下车用驱动电机的转矩密度和能量损耗优化，并在优化过 程中实时保证电机转矩-转速曲线满足设计要求； 3、本发明在优化车用驱动电机时，可以考虑汽车行驶循环工况下的能量损耗优 化，使用生成对抗网络生成的代理模型计算效率分布图，提高了计算速度，配合汽车动力学 模型，可以在优化过程中快速计算电机消耗的能量； 4、遗传算法迭代过程中，新生成的群体将逐渐接近最优结果平面，呈现一定的聚 集效应。本发明在每一代群体的基础上，配合有限元计算生成新的训练集，用来改良生成对 抗网络模型的精度，达到代理模型自优化的目的。 附图说明 图1是本发明设计方法流程示意图。