一种用于永磁同步电机高维多目标优化的混合分组方法

《Results in Engineering》：A Hybrid Grouping Approach for High-Dimensional Multi-Objective Optimization of Permanent Magnet Synchronous Motors

　　

永磁同步电机（PMSM）的高维优化面临复杂非线性参数耦合和维数灾难的巨大挑战。本文提出一种混合参数分组策略，该策略将基于拉丁超立方采样（LHS）的全局敏感性分析与偏相关分析相结合。该方法通过分层两阶段程序——先进行基于敏感性的分类，再进行基于相关性的细分——克服了传统敏感性方法对初始点的依赖性，并保留了设计参数之间的关键相互依赖关系。该框架采用克里金代理模型和NSGA-II优化实现，以提高计算效率。在V型内置式永磁同步电机（IPMSM）上进行的大量有限元仿真验证了该方法，证明其相较于传统单一方法分组策略具有一致的性能改进。通过严格的数学证明也确立了所提方法的理论优越性。

永磁同步电机（PMSM）因结构紧凑、效率高和功率密度大，在电动汽车、机器人等领域应用广泛。其电磁性能与结构参数密切相关，多目标优化成为设计关键。然而，高维参数空间导致“维数灾难”：当设计变量数为d时，高保真有限元模型的计算开销随O(k^d)增长，使传统全局优化方法难以适用。现有降维方法如传统敏感性分析仅在线性局部有效且依赖初始点，Pearson相关分析无法排除混杂变量且只检测线性关系。为此，研究人员提出一种整合拉丁超立方采样（LHS）全局敏感性分析与偏相关分析的混合参数分组策略。

该研究以一台8极48槽V型内置式永磁同步电机（IPMSM）为对象，将十个关键设计参数纳入优化框架。优化目标包括转矩脉动、平均转矩和铁耗，采用加权标量函数并施加约束。核心方法为两阶段混合分组：首先利用LHS评估各参数全局敏感性指数，将低敏感参数归入第3组；随后对高敏感参数计算偏相关系数，依据相似相关模式细分为第1和第2组。分组后采用克里金（Kriging）代理模型替代有限元仿真，并使用NSGA-II算法对各组依次优化。研究还通过严格数学证明，论证了所提方法在误差收敛性和分组质量上优于单一方法。结果表明，混合分组策略在同等计算成本下显著优于单一方法，最优模型（Model 5）使综合目标函数降低80.5%，转矩脉动抑制68.1%，铁耗降低36.2%。成果发表于《Results in Engineering》，为高维非线性电机优化提供了高效且准确的解决方案。

关键技术方法包括：（1）基于LHS的全局敏感性分析，通过全参数空间均匀采样并平均各采样点敏感性以消除初始点依赖；（2）偏相关分析，在控制其他参数影响下计算参数与目标的直接相关性；（3）混合两阶段分组策略，先敏感性分类再相关性细分；（4）Kriging代理模型与NSGA-II多目标优化结合。研究基于V型IPMSM的有限元仿真数据，共使用1,800次仿真评估（1,200次用于分组，600次用于优化）。

研究结果如下：

5.1 参数分组分析

5.1.1 基于敏感性的参数分组
通过比较传统单点方法（CSA）和所提LHS方法（PSA）计算十个参数的全局敏感性指数，发现两者对o₂、h₀、h₂等参数评估差异显著。PSA因平均1,200个样本点而反映全局敏感性，将o₂、w、h₂归入第1组，r、t、b₂归入第2组，o₁、h₀、b₀、b₁归入第3组；CSA则产生不同分组。

5.1.2 基于相关性的参数分组
对比Pearson相关系数与偏相关系数，两者数值略有差异但分组结果一致：第1组含h₂、w、b₀，其余为第2组。偏相关可剔除混杂效应，理论上更精确。

5.1.3 混合策略参数分组
将PSA与相关分析结合，先由PSA确定低敏感参数（o₁、h₀、b₀、b₁）为第3组，再对剩余参数进行相关分析，形成第1组（w、h₂）和第2组（o₂、r、t、b₂）。最终构建五种模型：Model 1（PSA）、Model 2（CSA）、Model 3（PCC）、Model 4（PSA+PCC）、Model 5（CSA+PCC）。

5.2 优化性能比较
在相同计算预算下，所有优化模型的目标函数值均低于初始设计（f=0.4）。性能排序为Model 5 < Model 4 < Model 1 < Model 2 < Model 3。其中Model 5满足所有约束，转矩脉动降至8.71%（降幅68.06%），铁耗降至110.29 W（降幅36.24%），平均转矩仅下降9.1%，效率提升至97.209%，功率因数提升至0.8812。Model 2和Model 3因转矩脉动超过12%而不满足约束。这表明混合分组策略能更好地平衡组内协同与组间独立，取得更优性能。

总结讨论部分：混合策略通过敏感性分层抑制组间耦合，通过相关分析最小化组内冲突，因此收敛速度和求解质量均优于单一方法。研究结论部分原文指出：该研究通过混合参数分组策略解决了PMSM优化中的高维和参数耦合问题。两阶段解耦框架先利用LHS消除初始点依赖，再基于相关分析细分高敏感参数。V型IPMSM上的有限元验证得到三点发现：其一，LHS增强的敏感性分析克服了传统梯度法的局部偏差，获得反映全局影响的敏感性排序；其二，混合分组策略显著优于单一方法，最佳模型在相同计算成本下使综合目标函数降低80.5%，同时实现68.1%转矩脉动抑制和36.2%铁耗降低；其三，严格数学证明确立了LHS敏感性估计（误差以O(n^-1/2)衰减）和混合分组策略（收敛速度优于单一方法）的理论优越性。该框架可扩展至其他多物理场耦合优化应用。