一种电动汽车用驱动电机系统功能点评办法

作者 | 刘媛，上海电器科学研讨院

来历 | 工程师的扳手

摘要：依据电动轿车用驱动电机功能特色，从驱动电机体系的电机操控功能、电机本体规划、企业资质才能等不同维度剖析，运用层次剖析法(AHP)确认驱动电机功能点评方针体系及其方针权重，树立驱动电机功能点评的BP神经网络模型，并选用鸡群优化算法(CSO)对其模型进行优化。仿实在例标明，根据AHP和CSO-BP神经网络的驱动电机体系功能点评办法，具有点评速度快、准确率高级长处, 并得到满足的点评成果。这关于电动轿车驱动电机体系的点评、挑选与运用，具有较好的工程实用价值百科。

关键词：电动轿车；驱动电机；层次剖析法；鸡群优化算法-BP神经网络；点评

现在，新能源轿车正处于逢勃开展阶段。电动轿车作为新能源轿车的首要类型之一，归于一种低排放且有用运用资源的重要交通工具，也渐渐变得遭到人们的喜爱。电动轿车的核心部件是由驱动电机和驱动电机操控器等构成的驱动电机体系，其间，电动轿车运用的驱动电机首要有直流电机、感应电机、永磁无刷电机、开关磁阻电机等。驱动电机体系已成为电动轿车的关键技能之一，是车辆行进的首要驱动体系，关于决议电动轿车的运转与操控功能起着至关重要的效果。跟着电动轿车用驱动电机技能逐渐的进步以及电动轿车的产业化规划开展，电动轿车用驱动电机体系的归纳功能点评已成为轿车厂家及学者一起重视且亟待破解的瓶颈。据相关研讨文献报导，现在电动轿车用驱动电机体系功能点评首要采纳传统的片面评分法、层次剖析法(Analytic Hierarchy Process,AHP)、含糊归纳点评法、灰色点评法等。以上办法尽管操作简洁，具有必定的实用性，但在点评过程中点评方针遭到参评人员的片面性、随意性及时刻要素等影响较大，再加之电动轿车用驱动电机体系本身具有较强的非线性、时滞性及不确认性，单纯选用这些传统办法，很难确保点评成果的准确性和客观性。为进步电动轿车用驱动电机体系功能点评的准确性、完善性，应引进愈加客观的点评办法来替代传统办法，或与传统点评办法相结合。本文运用AHP树立电动轿车用驱动电机体系功能的归纳点评方针体系，构建BP神经网络的驱动电机体系归纳点评模型，并且采纳鸡群优化算法练习优化点评模型，然后对电动轿车的驱动电机体系功能的好坏作出比较全面、客观、高效的点评。

1、驱动电机体系功能点评方针体系的构建

AHP归于一种定性和定量相结合的剖析办法，通过剖析杂乱体系的各影响要素及其要素之间的内涵相关基础上，采纳较少的定量信息，以数学化、层次化方式描绘杂乱体系的影响要素。

1. 1 树立点评层次结构

正确点评电动轿车用驱动电机体系功能，有必要引进体系工程的思想办法，遵从全面性、独立性、可比性以及效益、本钱顾全大局的准则，构建电动轿车用驱动电机体系点评方针体系。影响驱动电机体系功能的要素错综杂乱，对驱动电机体系功能的点评，不只考虑其固有特性的各项功能测验方针，如电机温升、转速呼应时刻等，并且剖析驱动电机体系制作企业本身的资质才能方针，如驱动电机体系产品的质量保证才能、技能保证才能、售后服务才能等。在参阅电动轿车驱动电机体系功能点评的相关文献以及归纳咨询专家定见基础上，本文从驱动电机体系的电机操控功能、电机本体规划、企业资质才能等三个不同维度方针树立驱动电机体系功能点评方针体系，如表1所示。该体系为由方针层(A)、一级方针层(B)和二级方针层(C)组成的三层结构模型，其间一级方针层包含3项方针，二级方针层含有26项方针。

1. 2 确认方针体系权重

在运用AHP确认该点评体系中各方针权重时，根据专家查询数据选用1-9比率标度法树立各方针层的权重判别矩阵，通过核算得出电动轿车用驱动电机体系功能点评的方针权重判别矩阵A-B、B1-C、B2-C、B3-C，别离如表2～表5所示。接着别离核算各判别矩阵的特征向量，并将各特征向量通过归一化处理后，便可求得各项方针的权重及其组成权重。表6为二级方针层各方针要素相关于方针层的归纳权重向量。

表1 电动轿车用驱动电机体系功能点评层次结构表

表2 权重判别矩阵A-B

表3 权重判别矩阵B1-C

表4 权重判别矩阵B2-C

表5 权重判别矩阵B3-C

2、根据鸡群优化算法-BP神经网络的点评模型建模

2. 1 BP网络结构

BP神经网络含有输入层、隐含层、输出层，其拓扑结构模型如图1所示。

输入向量C11～C37通过隐含层结点后效果并输出至输出层神经元节点，得到BP网络实践输出量Y，Y与该网络的抱负输出Q之间往往存在差错，网络通过样本的不断学习和练习，重复调整输入至隐含、隐含至输出等各网络层间的衔接权值ωij、Tki，以及隐含层和输出层的节点阈值θi、θk等结构参数，直至神经网络的差错精度到达设定精度规划。假如仍单一采纳传统的BP学习算法，会存在收敛速度慢、对网络初始权值等参数比较灵敏、易堕入部分最优等缺乏和问题，为此本文采纳一种较为新颖的鸡群优化算法(Chicken Swarm Optimization,CSO)用于优化BP神经网络模型，以进步BP网络的收敛速度及其精度。

表6 驱动电机体系功能点评方针组成权重

图1 BP神经网络模型

2. 2 鸡群算法优化及其改善

CSO是由Meng等在2014年初次提出的一种模仿具有等级次序的鸡群寻食行为的大局优化算法。该算法具有较快的收敛速度、较高的收敛精度及较强的鲁棒功能。设定鸡群查找食物的空间规划为D维，鸡群种群规划为N，其间公鸡、母鸡、小鸡以及妈妈母鸡的个数别离是Ng、Nm1、Nx和Nm 2 。在整个鸡群中，公鸡的食物查找才能最好，但习惯度最小；小鸡的食物查找才能最差，而习惯度最大；母鸡的食物查找才能比较一般。因为公鸡、小鸡、母鸡等3类型鸡各自的食物查找才能存在显着差异，所以相应采纳不同的方位更新办法。

公鸡的方位更新规矩如式(1)、式(2)所示，即为

式中:

第i只公鸡在j维空间第t+1次、t次迭代时的方位；

randn(0,δ2)——均值为0、标准差为δ2呈正态分布的随机数；

ζ——不为0的很小常数；

k——从公鸡中随机选取的除掉i的第k只公鸡；

fi、fk——第i只公鸡和第k只公鸡的习惯度。

母鸡的食物查找才能较公鸡稍弱，其方位更新遭到同伴公鸡地点方位以及其他公鸡和母鸡的影响较大。母鸡的方位更新迭代战略如式(3)～式(5)，即为

式中：

第i只母鸡在j维空间第t+1次、t次迭代时的方位；

rand——0～1区间内均匀分布的随机数；

u——从第i只母鸡地点群中随机选取的第u只公鸡；

B1——第i只母鸡的同伴公鸡u对其影响因子；

v——在整个鸡群中从公鸡和母鸡中随机挑选的第v只个别，但u≠v；

B2——其他公鸡和母鸡对第i只母鸡的影响因子；

fu、fv——第u只公鸡和第v只公鸡的习惯度。

小鸡一般在妈妈母鸡的周围邻近查找，妈妈母鸡方位对小鸡的查找规划影响颇大，小鸡的方位更新规矩为

式中：

第i只小鸡在j维空间第t+1次、t次迭代时方位；

第i只小鸡的妈妈母鸡r在t次迭代时方位；

H——妈妈母鸡方位对第i只小鸡方位的影响因子，一般在[0，2]规划内随机取值。

因为小鸡仅通过你自己妈妈的方位信息来改动当时方位，却不能获取鸡群中有最强食物查找才能的公鸡方位信息。一旦妈妈母鸡堕入部分最优时，小鸡乃至整个鸡群都会堕入部分最优。为此，小鸡在方位更新时还需要细心考虑向鸡群内公鸡进行学习，这儿在式(6)基础上进行改善，即为

式中:

妈妈母鸡地点群中的公鸡在t次迭代时方位；

M——学习因子，反映小鸡跟从鸡群中公鸡学习的程度；

τ——小鸡的自学习系数。

2. 3 CSO优化BP神经网络模型

CSO优化BP神经网络的流程示意图如图2所示。

图2 CSO算法优化BP神经网络流程图

3、电动轿车用驱动电机功能点评实例

3. 1 方针数据的预处理

电动轿车用驱动电机体系功能点评的二级方针共26项，有定量方针，也有定性方针。其间，定量方针首要含正向型定量方针和负向型定量方针。正向型定量方针的方针值越大越好,如转矩操控精度、电机高效率区间、过载才能等；负向型定量方针的方针值越小越好,如转矩呼应时刻、转速超调量、操控器本钱等。因为各功能方针量纲和单位各异，所以有必要对方针数据进行无量纲化和规范化的数学预处理，这儿采纳平移和极差改换办法。

关于正向型定量方针数据，按式(8)进行转化，即：

关于负向型定量方针数据，按式(9)进行转化，即：

式中：g(k)——方针数据通过标准化处理后值；xkmax——第k个方针数据中的最大值；xkmin——第k个方针数据中的最小值。

本点评体系中，定量方针数据能够终究靠驱动电机台架实验和实践查询获取，而定性方针数据则通过专家结合现场查核以打分方式获取，专家打分的分值规划设定为[0，100]，然后将定性方针数据转化成定量方针数据，然后按定量方针数据的无量纲化办法，将数据一致处理为[0，1]区间值。

3. 2 神经网络的拓扑结构

(1) 选取输入节点。输入层节点的个数表明驱动电机体系功能点评的方针个数。这儿将电动轿车用驱动电机体系功能点评的26个方针作为输入神经元，输入神经网络前，对每一项方针数据均按式(8)、式(9)进行无量纲化的数学处理。

(2) 确认隐含节点。隐含层的节点数能够按式(10)规划。

式中：a、b、c——输入层、输出层、隐含层的节点数；

k——[1，10]规划内的常数。

由此，本文隐含层节点的神经元个数选定为10。

(3) 挑选输出节点。将电动轿车用驱动电机体系功能点评的26项方针数据值作为神经网络的输入量，驱动电机体系功能的实践点评成果Y作为神经网络的输出量。点评成果Y按分值凹凸划分为5个等级，即功能优异[1～0.9]、功能杰出(0.9～0.8]、功能合格(0.8～0.6]、功能不合格(0.6～0.4]、功能差(0.4～0)。因而，输出层节点数设定为5个。

3. 3 样本数据的选取

表7中数据为收集且处理后的各种类型电动轿车驱动电机体系功能的台架实验、专家打分等数据，驱动电机体系选取无锡、常州多个厂家供给的15套永磁同步电机体系、沟通三相感应电机体系、永磁无刷直流电机体系、开关磁阻电机体系。表7中的1～15为练习样本和测验样本数,C11～C19、C21～C210、C31～C37均为点评方针。采纳AHP求得各驱动电机体系功能点评的归纳得分，该得分作为BP神经网络的希望(方针)输出量Q。表7的第1～12组数据选为神经网络的练习样本数据，第13～15组样本数据用于网络的查验。

表7 神经网络练习样本与测验样本

3. 4 CSO-BP网络参数设置与练习及测验

运用CSO算法优化BP神经网络时，通过重复模仿实验，选取的CSO初始化参数如下：鸡群规划数量为N=100，其间公鸡Ng=20，母鸡Nm1=60，小鸡Nx=20；妈妈母鸡对小鸡影响因子H=0.8,迭代次数T=80,小鸡学习因子M=0.9，小鸡自我学习系数τ=0.3。BP神经网络方针差错精度设定为0.000 1。选用MATLAB 7.0仿真软件，将表7中前12组练习样本数据输入至神经网络, 先后采纳BP、PSO、CSO-BP三种算法来练习神经网络，练习的功能方针及差错曲线别离如表8和图3所示。当CSO-BP算法练习网络时，网络收敛速度最快，只需通过48步，网络实践输出与其对应的方针输出(得分Q)之间的差错便操控在规则的方针差错规划内。

表8 不同算法练习网络的功能方针

图3 神经网络的练习差错曲线

保存上述由CSO-BP算法练习无缺的神经网络参数，将表7中的第13～15组样本数据输入神经网络进行查验，测验成果如表9所示。从表9显着看出，测验样本的网络实践输出与希望方针输出的最大相对差错不超越1%，网络实践输出的电动轿车用驱动电机体系功能点评等级与希望输出完全相同。所以，本文规划的CSO-BP神经网络具有较强的泛化才能，能很好地拟合领域专家的点评思想，关于各种驱动电机体系功能点评愈加实在高效。

表9 样本查验成果

4、结语

(1) 针对电动轿车用驱动电机体系功能点评实践，在剖析现有点评办法与问题基础上，运用AHP确认驱动电机体系功能点评方针的权重。运用合理的权重分配以及对点评方针数据的规范化处理，然后更多防止片面判别，进步了电动轿车用驱动电机体系功能点评的科学性和可靠性。

(2) 针对传统BP算法的缺乏，提出运用新颖的CSO优化BP神经网络的衔接权重与阈值，树立CSO-BP神经网络模型。仿真成果标明，该模型运用于电动轿车用驱动电机体系功能点评，具有速度快、准确度高、智能化程度高级长处。本文为电动轿车用驱动电机体系功能的归纳点评供给了一种新办法，关于拓宽驱动电机体系的技能研讨及其出产也具有必定的辅导价值百科。