CN117972924B - 基于双模型策略构造高精度电机性能数据库的方法 - Google Patents
基于双模型策略构造高精度电机性能数据库的方法 Download PDFInfo
- Publication number
- CN117972924B CN117972924B CN202410064673.7A CN202410064673A CN117972924B CN 117972924 B CN117972924 B CN 117972924B CN 202410064673 A CN202410064673 A CN 202410064673A CN 117972924 B CN117972924 B CN 117972924B
- Authority
- CN
- China
- Prior art keywords
- model
- error
- data set
- motor
- proxy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013461 design Methods 0.000 claims abstract description 67
- 230000004044 response Effects 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000012706 support-vector machine Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000004088 simulation Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- SLXKOJJOQWFEFD-UHFFFAOYSA-N 6-aminohexanoic acid Chemical compound NCCCCCC(O)=O SLXKOJJOQWFEFD-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013401 experimental design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 101150083151 wtip gene Proteins 0.000 description 1
Abstract
本发明公开了基于双模型策略构造高精度电机性能数据库的方法，首先，通过拉丁超立方体采样设计获取初始电机性能数据集，将该数据集随机分为两组，一组建立优化代理模型，用于预测电机性能。然后，通过该代理模型对另一组数据集进行预测，将预测值与真实值对比，计算代理模型预测该数据集的相对误差，将代理模型预测每一个数据点计算所得的相对误差作为输出响应值，对数据点的每个分量取与构造代理模型的数据点的欧氏距离作为输入变量，构造支持向量机回归模型作为判断代理模型对某一设计的响应是否为高误差响应的误差模型。本发明提出的方法能够减少构造高精度电机性能数据库所需时间，具有良好的实用性和经济性。
Description
技术领域
本发明涉及基于双模型策略构造高精度电机性能数据库的方法，属于电机本体仿真设计技术领域。
背景技术
大多数工程设计问题，需要通过仿真分析实验来评估采用不同设计参数时的目标结果。但是对于许多实际问题，单次进行置信水平较高的仿真分析可能需要数分钟、数小时、甚至数天才能完成。而优化设计、灵敏度分析和假设分析等需要进行大量仿真分析计算，耗费大量时间。为了改善这种情况，可以使用代理模型来模拟设计参数与目标结果之间的模型。代理模型在电机设计方面常用于优化设计，它的计算结果与仿真模型非常接近，但是求解计算量较小。
穆雪峰等在《多学科设计优化中常用代理模型的研究》一文中提到基于代理模型的优化常通过试验设计获得初始采样点训练初始代理模型，然后通过优化算法搜索需求设计，求解需求设计并将结果加入到采样点中，重复这一操作直到设计够好。但是这一方法可能只收敛到局部最优设计，无法找到全局最优设计。
顾嘉磊在《电动涡轮增压用高速永磁电机性能分析与优化设计》一文中提出了一种基于局部代理模型的电机多目标鲁棒性优化方法，在试验设计方面选取部分确定性优化数据构建代理模型，通过代理模型对电机性能预测结果获取鲁棒性优化的最优设计，再对最优设计进行仿真分析计算，并将结果加入到代理模型训练数据集中，重复这一操作直至满足实验所设终止条件。虽然这一方法训练出来的代理模型精度很高，但仍旧产生了许多冗余采样设计。
Sacks在《Design and analysis of computer experiments》一文中提出了通过统计学方法解释Kriging模型计算该模型预测值的均方误差。但是在实际应用中，该Kriging代理模型独有的误差估计方式不能推广至其它代理模型的应用中，且Kriging模型对误差的估计值有时在敏感设计上与实际误差相差较远，难以应用在实际误差预测中。
发明内容
本发明所要解决的技术问题是：提供基于双模型策略构造高精度电机性能数据库的方法，在能够判断出高误差设计的情况下提高代理模型精度，解决了代理模型在达到需求精度时耗费大量时间的问题。
本发明为解决上述技术问题采用以下技术方案：
基于双模型策略构造高精度电机性能数据库的方法，所述方法具体如下：
获取电机性能初始数据集，将电机性能初始数据集随机分为S数据集和X数据集，通过S数据集内电机输入变量与输出响应值建立代理模型，用于拟合电机参数与电机性能之间的映射关系；通过代理模型对X数据集内电机参数对应的电机性能进行预测，将预测值与真实值对比，计算代理模型预测X数据集的相对误差，将代理模型预测X数据集中每个数据点计算所得的相对误差作为代理模型的输出响应值；
构造误差模型的输入变量，训练支持向量机回归模型作为判断代理模型对待判断电机设计的响应是否为高误差响应的误差模型；
利用误差模型筛选出代理模型高误差电机设计，利用有限元仿真分析计算高误差电机设计，并将计算结果加入S数据集中，更新代理模型，并根据更新后的代理模型预测X数据集中电机参数对应的电机性能，计算更新后代理模型预测X数据集中电机参数的相对误差作为更新后误差模型的输出响应，并更新误差模型的输入变量，重新训练误差模型；不断更新代理模型与误差模型直至代理模型精度达到需求精度或满足所设置的代理模型更新次数。
作为本发明的一种优选方案，所述电机性能初始数据集通过拉丁超立方体采样对电机进行有限元模型仿真分析计算获得。
作为本发明的一种优选方案，所述待判断电机设计通过随机搜索、拉丁超立方体采样或多目标优化算法NSGA-II每代决策解获得。
作为本发明的一种优选方案，所述代理模型的建立更新过程为：
采用网格搜索法对代理模型进行超参数调优，通过误差模型指导代理模型得到高误差电机设计，经过有限元仿真分析计算高误差电机设计的电机性能，将计算结果添加到训练代理模型的数据集中，不断更新代理模型，直至代理模型满足精度要求。
作为本发明的一种优选方案，所述误差模型判断高误差电机设计的标准为：
若某电机设计相对误差值大于代理模型预测X数据集相对误差的平均值+p×代理模型预测X数据集相对误差的标准差，则判断该电机设计为高误差电机设计，p为预先设计的值。
作为本发明的一种优选方案，所述构造误差模型的输入变量，具体方法为：
将S数据集和X数据集归一化，对于X数据集中数据点x的第j个分量xj，选取S数据集中所有数据点的第j个分量中与xj差值最小的第j个分量对应的数据点s*，并计算这两个数据点之间的欧氏距离作为新数据点x′的第j个分量，计算数据点x与S数据集的距离作为新数据点x′的最后一个分量；对X数据集中每个数据点都作同样处理，将处理完成所得的新数据点集进行第二次归一化作为误差模型的输入变量；
新数据点x′的第j个分量具体如下：
其中，d(x，s*)表示数据点x和s*之间的欧氏距离，n为X数据集每个数据点的维数，d(x，S)表示数据点x与S数据集之间的最小距离，即d(x，S)＝inf{d(x，s)|s∈S}，s1，...，sn表示S数据集中数据点s的分量，x′j表示新数据点x′的第j个分量；
所有数据集的归一化公式均为：
其中，yj为归一化前数据点的第j个分量，y′j为归一化后数据点的第j个分量’为数据集中所有数据点第j个分量的最小值，为数据集中所有数据点第j个分量的最大值。
作为本发明的一种优选方案，所述误差模型的更新方法如下：
利用更新后的代理模型对X数据集内电机参数对应的电机性能进行预测，将预测值与真实值对比，计算更新后的代理模型预测X数据集的相对误差，将更新后的代理模型预测X数据集中每个数据点计算所得的相对误差作为更新后的代理模型的输出响应值；误差模型的输入变量构造方式不变，重新训练误差模型，得到更新后的误差模型。
一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于双模型策略构造高精度电机性能数据库的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于双模型策略构造高精度电机性能数据库的方法的步骤。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明根据试验设计并调用有限元模型仿真分析计算获得初始数据集，然后将该数据集随机分为两组，一组用来训练代理模型，建立电机设计参数与电机性能之间的映射关系，另一组用来训练误差，建立代替电机设计参数与代理模型预测电机设计的相对误差之间的映射关系，这种方法能有效辨别出代理模型预测误差较高的电机参数设计，且过程非常简单，易于理解，误差模型辨别出代理模型预测高误差电机设计之后，可以通过继续在该代理模型高误差设计上调用有限元模型进行仿真分析计算，降低代理模型在被辨别出来的电机设计的误差，在建立较高精度数据库时减少不必要且极耗时的有限元模型分析计算。
2、本发明经过误差模型辨别出代理模型高误差电机设计，并不断调用有限元模型进行仿真分析计算，将结果加入到训练代理模型的数据集中，更新代理模型，直至满足根据应用需求设置的精度或更新次数，最终所得的代理模型训练数据集来源于对初始试验设计和误差模型辨别出的代理模型高误差电机设计，通过本发明建立的代理模型可以近似电机参数与性能之间的映射关系，且代理模型计算时间远小于有限元模型仿真分析计算时间，可用于类似电机参数优化设计，假设分析实验等需要大规模有限元分析计算的场景中，灵活性较强，同时适用于多种电机的性能数据库建立。
附图说明
图1是本发明基于双模型策略构造高精度电机性能数据库的方法的流程图；
图2是实施例定子48槽转子8极双V永磁扁线电机的结构图；
图3是实施例48槽8极永磁扁线驱动电机转矩波形的分布图；
图4是实施例48槽8极永磁扁线驱动电机铁芯损耗的分布图；
图5是实施例48槽8极永磁扁线驱动电机涡流损耗的分布图；
图6是实施例48槽8极永磁扁线驱动电机铜耗的分布图；
图7是误差模型对代理模型高误差设计的预测情况示意图；
图8是代理模型预测结果相对误差与更新次数相关的折线图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
电机参数设计在电机投入生产前不可避免，在电机模型仿真分析中，有限元分析模型有较高的置信水平，但其计算耗时巨大。在需要大规模有限元模型分析计算的场景下，使用代理模型来拟合有限元模型输入与输出之间的映射关系是较常用的一种方法。但若要使代理模型达到较高精度要求，就要采集足够多的有限元模型仿真分析计算样本数据来训练代理模型。本发明所采取的技术方案尽量减少有限元模型仿真分析计算次数，辨别出代理模型预测电机性能时误差较高的电机参数设计，在更新代理模型时只在误差较高的电机设计上进行有限元模型仿真分析计算，最终获得的较高精度的代理模型便不需耗时太大。
现以一个定子48槽转子8极双V永磁扁线电机的性能数据库建立过程为例，详细介绍本发明实施过程，图2为电机的结构图。
本发明整体实施过程如图1所示，首先，通过试验设计采集初始电机性能数据集，将其随机分为两组，分别为S数据集和X数据集，通过S数据集建立代理模型K0，用于预测电机性能；然后通过该代理模型K0对另一组数据集进行预测，将预测值与真实值对比，计算代理模型预测该数据集的相对误差e，训练支持向量机回归模型作为判断代理模型K0对某一设计的响应是否为高误差响应的误差模型C0；最后，利用误差模型C0不断筛选出代理模型高误差电机设计，利用有限元仿真分析计算高误差电机设计，并将结果加入代理模型训练集S中，更新代理模型，误差模型随代理模型的更新而更新，直至代理模型精度达到需求精度或超过所设置的代理模型更新次数。
在发明所提的双模型策略中，首先，确定要构建的代理模型数据库电机参数输入变量与电机性能输出响应，在本实施例中，选取的电机参数输入变量以及初始参数如表1所示。
表1定子48槽转子8极双V永磁扁线电机输入变量及初始参数
| 序号 | 输入变量描述 | 变量指代名 | 初始值 |
| 1 | 定子内径/mm | Rsi | 73.5 |
| 2 | 定子槽口宽度/mm | Wslot_open | 1 |
| 3 | 定子槽口高度/mm | Wtip | 1 |
| 4 | 定子槽宽-扁线长度/mm | Wslot_Wcoil | 0.9 |
| 5 | 定子槽深-扁线宽度*8/mm | Hslot_Lcoil | 0.5 |
| 6 | 定子外径与槽体之间的距离/mm | Rso_slot | 20 |
| 7 | L1永磁体槽内气隙长/mm | d_FB1(d_pm_1-FB_W1) | 2 |
| 8 | L1永磁体宽度/mm | Wpm_1 | 4.5 |
| 9 | L1永磁体长度/mm | Lpm_1 | 20 |
| 10 | L1永磁体磁桥宽度/mm | FB_W1 | 2 |
| 11 | L2永磁体磁桥宽度/mm | FB_W2 | 2 |
| 12 | L2永磁体槽内气隙长/mm | d_FB2(d_pm_2-FB_W2) | 1.77 |
| 13 | L2永磁体宽度/mm | Wpm_2 | 3.5 |
| 14 | L2永磁体长度/mm | Lpm_2 | 10 |
| 15 | 扁线宽度/mm | Wcoil | 4.3 |
| 16 | 扁线宽度：扁线长度 | W_L_ratio(Wcoil/Lcoil) | 2.5 |
| 17 | 定子槽口深度/mm | dcoil | 0.5 |
| 18 | 电机叠厚/mm | lstk | 150 |
通过拉丁超立方体采样(Latin hypercube sampling，LHS)，改变输入变量的值，进行有限元模型仿真分析计算获得电机性能初始数据集。在本实施例中，获得的电机性能为电机运行工况稳定时段的转矩均值(如图3所示)以及电机总损耗均值，总损耗包括电机铁芯损耗、涡流损耗以及铜耗(分别如图4-图6所示)，共采集了100组数据。
然后通过初始数据集构造代理模型与误差模型，即将初始电机性能数据集随机分为两组，分别为S数据集和X数据集，对数据集进行最值归一化，归一化公式为：
其中，yj为归一化前数据点的第j个分量，y′j为归一化后数据点的第j个分量’为数据集中所有数据点第j个分量的最小值，为数据集中所有数据点第j个分量的最大值。
通过S数据集内电机输入变量值与输出响应值建立代理模型K0，用于拟合电机参数与电机性能之间的映射关系，在本实施例中选用Kriging模型来构造代理模型；然后通过该代理模型K0对另一组数据集内电机输入变量对应的电机性能进行预测，将预测值与真实值对比，计算代理模型预测该数据集的相对误差e，相对误差计算公式为：
将代理模型K0预测每一个数据点计算所得的相对误差e作为输出响应值，对归一化后的数据点x∈X取与构造代理模型的数据点s∈S的欧氏距离作为输入变量x′，并均对作为输出响应值的相对误差e和作为输入变量的x′进行第二次归一化，训练支持向量机回归模型作为判断代理模型K0对待判断电机设计的响应是否为高误差响应的误差模型C0，误差模型输入变量x′的第j个分量x′j的计算公式为：
其中，n为数据点x的维数，d(x，s*)表示数据点x和s*之间的欧氏距离，s*是数据集S中第j个分量与x第j个分量之差的绝对值最小的数据点，d(x，S)表示数据点x与集合S之间的最小距离，即d(x，S)＝inf{d(x，s)|s∈S}。采用网格搜索法对误差模型C0进行超参数调优，得到判断代理模型高误差电机设计较准确的误差模型C0。
待判断代理模型电机设计可通过随机搜索，拉丁超立方体采样，或多目标优化算法NSGA-II每代决策解获得。
如图7所示，虚线左边即前50个数据点为X数据集内的数据点，虚线右边为随机设置的30个数据点，用以测试误差模型预测效果，其中满足条件(误差≥代理模型预测电机设计数据集相对误差的平均值+p×代理模型预测电机设计数据集相对误差的标准差)的数据点设为代理模型高误差电机设计数据点，在本实施例中p取0。
最后，利用误差模型不断筛选出代理模型高误差电机设计，利用有限元仿真分析计算高误差电机设计，并将结果加入代理模型训练集S中，更新代理模型，并根据更新后的代理模型预测训练集X中电机参数对应的电机性能，计算更新后代理模型预测训练集X中电机参数的相对误差作为更新后误差模型的输出响应，并按上式重新计算更新误差模型的输入变量，重新训练误差模型，在这个过程中用来训练误差模型的数据集X始终不变。不断更新代理模型与误差模型直至代理模型精度达到需求精度或满足所设置的代理模型更新次数。如图8所示，在本实施例中设置更新次数为3次，而每次代理模型平均相对误差基本不变，最大相对误差却在不断下降。
基于同一发明构思，本申请实施例提供一种计算机设备，包括存储器、处理器，以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现前述的基于双模型策略构造高精度电机性能数据库的方法的步骤。
基于同一发明构思，本申请实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现前述的基于双模型策略构造高精度电机性能数据库的方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施方式只是对本发明的示例性说明，并不限定它的保护范围，本领域技术人员还可以对其局部进行改变，例如，可以依据实际情况选择待优化的电机类型和电机性能，可以根据实际情况选择用来拟合电机参数设计与电机性能之间映射关系的代理模型类型，可以根据实际情况定义代理模型预测高误差电机设计，可以按照实际情况选择合适的误差模型类型，符合发明宗旨的任意形式的等同替换都落入本发明的保护范围。
Claims (9)
1.基于双模型策略构造高精度电机性能数据库的方法，其特征在于，所述方法具体如下：
获取电机性能初始数据集，将电机性能初始数据集随机分为S数据集和X数据集，通过S数据集内电机输入变量与输出响应值建立代理模型，用于拟合电机参数与电机性能之间的映射关系；通过代理模型对X数据集内电机参数对应的电机性能进行预测，将预测值与真实值对比，计算代理模型预测X数据集的相对误差，将代理模型预测X数据集中每个数据点计算所得的相对误差作为代理模型的输出响应值；
构造误差模型的输入变量，训练支持向量机回归模型作为判断代理模型对待判断电机设计的响应是否为高误差响应的误差模型；
利用误差模型筛选出代理模型高误差电机设计，利用有限元仿真分析计算高误差电机设计，并将计算结果加入S数据集中，更新代理模型，并根据更新后的代理模型预测X数据集中电机参数对应的电机性能，计算更新后代理模型预测X数据集中电机参数的相对误差作为更新后误差模型的输出响应，并更新误差模型的输入变量，重新训练误差模型；不断更新代理模型与误差模型直至代理模型精度达到需求精度或满足所设置的代理模型更新次数。
2.根据权利要求1所述的基于双模型策略构造高精度电机性能数据库的方法，其特征在于，所述电机性能初始数据集通过拉丁超立方体采样对电机进行有限元模型仿真分析计算获得。
3.根据权利要求1所述的基于双模型策略构造高精度电机性能数据库的方法，其特征在于，所述待判断电机设计通过随机搜索、拉丁超立方体采样或多目标优化算法NSGA-II每代决策解获得。
4.根据权利要求1所述的基于双模型策略构造高精度电机性能数据库的方法，其特征在于，所述代理模型的建立更新过程为：
采用网格搜索法对代理模型进行超参数调优，通过误差模型指导代理模型得到高误差电机设计，经过有限元仿真分析计算高误差电机设计的电机性能，将计算结果添加到训练代理模型的数据集中，不断更新代理模型，直至代理模型满足精度要求。
5.根据权利要求1所述的基于双模型策略构造高精度电机性能数据库的方法，其特征在于，所述误差模型判断高误差电机设计的标准为：
若某电机设计相对误差值大于代理模型预测X数据集相对误差的平均值+p×代理模型预测X数据集相对误差的标准差，则判断该电机设计为高误差电机设计，p为预先设计的值。
6.根据权利要求1所述的基于双模型策略构造高精度电机性能数据库的方法，其特征在于，所述构造误差模型的输入变量，具体方法为：
将S数据集和X数据集归一化，对于X数据集中数据点x的第j个分量xj，选取S数据集中所有数据点的第j个分量中与xj差值最小的第j个分量对应的数据点s*，并计算这两个数据点之间的欧氏距离作为新数据点x′的第j个分量，计算数据点x与S数据集的距离作为新数据点x′的最后一个分量；对X数据集中每个数据点都作同样处理，将处理完成所得的新数据点集进行第二次归一化作为误差模型的输入变量；
新数据点x′的第j个分量具体如下：
其中，d(x,s*)表示数据点x和s*之间的欧氏距离，n为X数据集每个数据点的维数，d(x,S)表示数据点x与S数据集之间的最小距离，即d(x,S)＝inf{d(x,s)|s∈S}，s1,...,sn表示S数据集中数据点s的分量，x′j表示新数据点x′的第j个分量；
所有数据集的归一化公式均为：
其中，yj为归一化前数据点的第j个分量，y′j为归一化后数据点的第j个分量，为数据集中所有数据点第j个分量的最小值，为数据集中所有数据点第j个分量的最大值。
7.根据权利要求1所述的基于双模型策略构造高精度电机性能数据库的方法，其特征在于，所述误差模型的更新方法如下：
利用更新后的代理模型对X数据集内电机参数对应的电机性能进行预测，将预测值与真实值对比，计算更新后的代理模型预测X数据集的相对误差，将更新后的代理模型预测X数据集中每个数据点计算所得的相对误差作为更新后的代理模型的输出响应值；误差模型的输入变量构造方式不变，重新训练误差模型，得到更新后的误差模型。
8.一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于双模型策略构造高精度电机性能数据库的方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于双模型策略构造高精度电机性能数据库的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410064673.7A CN117972924B (zh) | 2024-01-16 | 基于双模型策略构造高精度电机性能数据库的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410064673.7A CN117972924B (zh) | 2024-01-16 | 基于双模型策略构造高精度电机性能数据库的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117972924A CN117972924A (zh) | 2024-05-03 |
| CN117972924B true CN117972924B (zh) | 2025-02-18 |
Family
ID=
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113111454A (zh) * | 2021-04-01 | 2021-07-13 | 浙江工业大学 | 基于Kriging模型的RV减速器动态传动误差优化方法 |
| CN114398824A (zh) * | 2021-12-20 | 2022-04-26 | 东南大学 | 基于局部代理模型的电机多目标鲁棒性优化方法 |
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113111454A (zh) * | 2021-04-01 | 2021-07-13 | 浙江工业大学 | 基于Kriging模型的RV减速器动态传动误差优化方法 |
| CN114398824A (zh) * | 2021-12-20 | 2022-04-26 | 东南大学 | 基于局部代理模型的电机多目标鲁棒性优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110533183B (zh) | 流水线分布式深度学习中异构网络感知的任务放置方法 | |
| CN111079788A (zh) | 一种基于密度Canopy的K-means聚类方法 | |
| CN109934330A (zh) | 基于多样化种群的果蝇优化算法来构建预测模型的方法 | |
| CN113343427A (zh) | 一种基于卷积神经网络的结构拓扑构型预测方法 | |
| CN114072809A (zh) | 经由神经架构搜索的小且快速的视频处理网络 | |
| CN115481549A (zh) | 圆筒直线电机多目标优化方法、设备及存储介质 | |
| CN101789000A (zh) | 搜索引擎中的模式分类方法 | |
| J. Toal et al. | Performance of an ensemble of ordinary, universal, non-stationary and limit Kriging predictors | |
| CN109074348A (zh) | 用于对输入数据集进行迭代聚类的设备和迭代方法 | |
| TW202333082A (zh) | 用於定時分析的基於機器學習的積體電路測試用例選擇 | |
| CN115114836A (zh) | 一种基于pso-ga的数据分类预测方法及设备 | |
| CN117972924B (zh) | 基于双模型策略构造高精度电机性能数据库的方法 | |
| CN118586341A (zh) | 基于改进尺寸剪枝的模拟集成电路尺寸自动设计方法 | |
| US20220076121A1 (en) | Method and apparatus with neural architecture search based on hardware performance | |
| CN103336829B (zh) | 基于模拟退火算法的查询优化方法 | |
| Wang et al. | An estimation of distribution algorithm for the flexible job-shop scheduling problem | |
| US20230325664A1 (en) | Method and apparatus for generating neural network | |
| CN116843970A (zh) | 基于任务特定通道重构网络的细粒度小样本分类方法 | |
| CN117093847A (zh) | 基于高斯过程回归的统计延时特性计算方法及系统 | |
| CN110502784B (zh) | 一种产品仿真优化方法 | |
| Syu et al. | One-dimensional binary convolutional neural network accelerator design for bearing fault diagnosis | |
| CN117972924A (zh) | 基于双模型策略构造高精度电机性能数据库的方法 | |
| Lu et al. | Hardware/Software Co-Exploration for Graph Neural Architectures on FPGAs | |
| CN113592064A (zh) | 环抛机工艺参数预测方法、系统、应用、终端及介质 | |
| CN117561502A (zh) | 一种确定失效原因的方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |