一种基于负载周期特性的电机全工况效率优化设计方法

专利名称：一种基于负载周期特性的电机全工况效率优化设计方法

专利类型：发明专利

专利申请号：CN202210454498.3

专利申请（专利权）人：湖南大学
权利人地址：湖南省长沙市岳麓区麓山南路麓山门

专利发明（设计）人：高剑,赵玉峰,黄守道,罗德荣,张文娟,程自然,戴理韬

专利摘要：本发明提供了一种基于负载周期特性的电机全工况效率优化设计方法，该方法从电机周期性运行采样数据出发，采用数理统计的方法统计多维电机工况数据分布得到频数分布图，通过多维图像处理的多重滤波方法对频数分布图进行目标特征提取，最后，利用多维高斯多峰拟合的方法分别对目标特征进行特征量及其权重的计算，得到由电机负载分布特征量及其权重组成的电机负载模型和最优化目标函数并以此展开最优化计算。本发明的优化方法能够广泛应用于电动汽车、新能源发电等各类多工况和多维的电机效率优化应用场合。

主权利要求：
1.一种基于负载周期特性的电机全工况效率优化设计方法，其特征在于，包括如下步骤：步骤S1：确定电机可靠运行中有效影响电机效率的工况特征量；
步骤S2：确定电机运行周期，并对确定的电机工况特征量进行合理有效采样；
步骤S3：对步骤S2中的采样数据剔除全零数据组后，进行分区统计，并进行插值分析，得到多维数据的频数分布图；
步骤S4：对步骤S3中得到的所述频数分布图进行多重滤波，得到降噪后特征目标显著的频数分布图像作为特征目标图像；
步骤S5：通过对步骤S4中特征目标图像分离特征目标，并对所有所述特征目标分别进行高斯多峰拟合，得到以高斯多峰分布拟合的负载特征峰分布图，取每个特征峰的中心值作为代表该峰的工况特征量，每个峰的体积为所述工况特征量的权重，即能够初步构建负载特征模型；
步骤S6：采用已有的成熟的电机损耗计算模型，并结合负载特征模型，构建基于电机负载模型的电机周期性工况效率最高的最优化目标函数F(X)。
2.根据权利要求1所述的基于负载周期特性的电机全工况效率优化设计方法，其特征在于，步骤S1中的所述的工况特征量中的变量个数为一个及以上，且各个变量之间为非耦合的相互独立关系。
3.根据权利要求2所述的基于负载周期特性的电机全工况效率优化设计方法，其特征在于，所述的工况特征量包括电机转速、输出转矩、输出功率、温度。
4.根据权利要求1所述的基于负载周期特性的电机全工况效率优化设计方法，其特征在于，步骤S3中具体包括：在分区统计中，分区数参照数理统计中给出的经验公式(1)：
0.4
m≈1.87(n‑1) (1)
式(1)中，n为数据组总数，而m去除小数部分取整即为经验公式所建议的分区数。
5.根据权利要求1‑4之一所述的基于负载周期特性的电机全工况效率优化设计方法，其特征在于，步骤S3中具体包括：插值分析时，以一维数据或者每一维的数据为例，设原始数据分布区域为[a,b]，则分区区间长度d＝(b‑a)/m；
数据统计分区区间为[a,a+d),[a+d,a+2d),[a+2d,a+3d),…,[b‑d,b]，取各个区间中点为频数统计坐标则对应的频数统计曲线坐标序列为[a+d*1/2,a+d*3/2,a+d*5/2,…,b‑d*1/2]，共计m个点；
通过将各个数据统计分区区间向坐标右侧平移d/4距离，得到新的统计分区区间[a+d*
1/4,a+d*5/4),[a+d*5/4,a+d*9/4),[a+d*9/4,a+d*13/4),…,[b‑d*3/4,b+d*1/4]，相应地新的频数统计曲线坐标序列为[a+d*3/4,a+d*7/4,a+d*11/4,…,b‑d*1/4]；
将上述过程多次重复进行，分别得到将原数据统计分区区间向坐标右侧平移d*k/4(k＝±1,±2,±3)距离后所得频数统计值，将这七个数据集合合并后即可得到最终频数统计曲线，其频数统计曲线坐标序列为[a‑d*3/4,a‑d*2/4,a‑d*1/4,a,a+d*1/4,…,b+d*3/4]，共计4*m+3个点，数据量增加了四倍有余。
6.根据权利要求1所述的基于负载周期特性的电机全工况效率优化设计方法，其特征在于，步骤S4中采用双边滤波和阈值滤波的二重滤波方法；
双边滤波中，设原图的函数为f(x,y)，变量(x,y)为像素坐标，双边滤波后像素坐标(x,y)点的像素值为：式(2)中S(x,y)表示中心点(x,y)的(2N+1)*(2N+1)大小的邻域，N为滤波邻域系数；
公式(3)右边表示滤波后像素值为像素点邻域内像素亮度值的加权平均，权值w(i,j)由两部分组成，即w(i,j)＝ws(i,j)·wr(i,j)(3)其中，
式(4)中，δs和δr分别为空间方差系数和像素亮度方差系数。
7.根据权利要求6所述的基于负载周期特性的电机全工况效率优化设计方法，其特征在于，双边滤波后，对图像进一步进行阈值滤波即得到特征目标分布图像，阈值滤波函数为：式(5)中TH为阈值系数，将阈值滤波后特征目标分布图像与频数分布图做与运算后即可得到特征目标图像，即目标显著的频数分布图像。
8.根据权利要求7所述的基于负载周期特性的电机全工况效率优化设计方法，其特征在于，步骤S5具体包括：由于工况特征量分布相互独立，通过线性坐标变换后每个高斯峰拟合函数简化为以下形式：式(6)中，x为工况特征向量，D为该向量的维度，而系数A、xe、σ依次分别为高斯分布中的幅值、期望以及标准差；
因此，表征每个特征峰的工况特征量 及其权重w为：
在计算得到所有权重值后，做归一化处理。
9.根据权利要求8所述的基于负载周期特性的电机全工况效率优化设计方法，其特征在于，步骤S6具体包括：最优化目标函数F(X)为如下形式：
式(8)中， 为通过电机损耗计算模型得到的在工况特征向量 下的电机总损耗值，n为负载模型中特征峰数量，wi为权重w中维度D中第i维的子项。
10.根据权利要求1所述的基于负载周期特性的电机全工况效率优化设计方法，其特征在于，所述电机为车载永磁同步电机。 说明书 : 一种基于负载周期特性的电机全工况效率优化设计方法技术领域[0001] 本发明涉及电机优化技术领域，更具体地，涉及一种基于负载周期特性的电机全工况效率优化设计方法。背景技术[0002] 当今能源开发利用的主题是绿色节能，其中，电机作为机电能量转换的核心，提高电机运行效率对能源的电气化利用有着重大意义。随着电机变频控制技术的发展，电机调速输出范围的扩展，只适用于单一工况或长期恒功率运行的基于额定工作点的传统电机优化设计方法已经难以满足电机全工况运行总效率最优的需求，国内外研究人员针对其他不同应用场合提出了各自不同的电机优化设计方法。[0003] 例如，中国专利“201910319184.0‑车用电力驱动系统中永磁电机的全工况效率优化方法”中提出了一种基于电机输出功率的车用永磁电机优化设计方法。该方法将电机周期性运行输出功率采样数据进行分区统计，如(0％～25％、25％～50％、50％～75％、75％～100％)，以不同区间的数据量作为权重，同时对不同功率分区分别建立电机效率计算模型，以各个分区的功率与其权重的乘积的累加量作为电机优化设计目标函数，通过最优化计算得到电机优化设计方案。[0004] 该方法不足之处在于只采用了电机输出功率作为电机工况的表征量，没有考虑电机输出转速、转矩的不同对电机运行效率的影响，因此只适用于恒速变输出转矩的电机应用场合，此外对电机输出功率数据的分区划分方法单一，无法反映输出功率不同区域分布而带来的差异，难以达到全工况效率最优的目标。[0005] 此外，中国专利“201811597086.5‑电机效率优化方法、装置及电机设计参数确定方法”和专利“201711180160.9‑种基于负载周期全局的多目标电机效率优化设计方法”则同时考虑了电机转速和输出转矩对电机效率的影响，扩大了方法的适用范围。两种方法中同时采样了电机周期性运行的转速、转矩信号，并分别进行分区统计，求取所得每个二维分区的特征转速、转矩值及其对应权重，最终建立电机负载模型和电机最优化目标函数。两者不同之处在于，前者求取各个分区的特征量时以分区中每个采样点的输入功率作为权重，计算所得带权重的中心坐标值作为分区特征量；而后者则简单地采用每个分区的中心值作为分区特征量。[0006] 然而，以上两种优化设计方法不足之处依旧明显。首先，对二维采样数据的分区划分方法单一，分区数量少则会使电机负载模型误差较大而增大分区数量又会带来计算量的急剧增加，难以两全；其次，影响电机运行效率的工况表征物理量不止转速、转矩两种，还有运行温度、电源谐波等等，因此方法所给出的电机优化方法仍有适用范围的局限性。[0007] 因此，在电机面对的应用领域和工作场合越来越广泛的情况下，急需设计一种基于负载周期特性的电机全工况效率优化设计方法，在满足电机效率优化要求的同时，提高优化方法的工作场合通用性。发明内容[0008] 基于上述缺陷，本发明提供一种基于负载周期特性的电机全工况效率优化设计方法，本发明的方法以电机采样数据作为驱动，处理方法和流程适用性广，可广泛应用于电动汽车、新能源发电等各类多工况电机应用场合。[0009] 本发明提供了一种基于负载周期特性的电机全工况效率优化设计方法，包括如下步骤：[0010] 步骤S1：确定电机可靠运行中有效影响电机效率的工况特征量；[0011] 步骤S2：确定电机运行周期，并对确定的电机工况特征量进行合理有效采样；[0012] 步骤S3：对步骤S2中的采样数据剔除全零数据组后，进行分区统计，并进行插值分析，得到多维数据的频数分布图；[0013] 步骤S4：对步骤S3中得到的所述频数分布图进行多重滤波，得到降噪后特征目标显著的频数分布图像作为特征目标图像；[0014] 步骤S5：通过对步骤S4中特征目标图像分离特征目标，并对所有所述特征目标分别进行高斯多峰拟合，得到以高斯多峰分布拟合的负载特征峰分布图，取每个特征峰的中心值作为代表该峰的工况特征量，每个峰的体积为所述工况特征量的权重，即能够初步构建负载特征模型；[0015] 步骤S6：采用已有的成熟的电机损耗计算模型，并结合负载特征模型，构建基于电机负载模型的电机周期性工况效率最高的最优化目标函数F(X)。[0016] 特别地，步骤S1中的所述的工况特征量中的变量个数为两个以上，且各个变量之间为非耦合的相互独立关系。[0017] 特别地，所述的工况特征量包括电机转速、输出转矩和/或输出功率。[0018] 特别地，步骤S3中具体包括：[0019] 在分区统计中，分区数参照数理统计中给出的经验公式(1)：[0020] m≈1.87(n‑1)0.4(1)[0021] 式(1)中，n为数据组总数，而m去除小数部分取整即为经验公式所建议的分区数。[0022] 特别地，步骤S3中具体包括：[0023] 插值分析时，以一维数据或者每一维的数据为例，设原始数据分布区域为[a,b]，则分区区间长度d＝(b‑a)/m；[0024] 数据统计分区区间为[a,a+d),[a+d,a+2d),[a+2d,a+3d),…,[b‑d,b]，取各个区间中点为频数统计坐标则对应的频数统计曲线坐标序列为[a+d*1/2,a+d*3/2,a+d*5/2,…,b‑d*1/2]，共计m个点；[0025] 通过将各个数据统计分区区间向坐标右侧平移d/4距离，得到新的统计分区区间[a+d*1/4,a+d*5/4),[a+d*5/4,a+d*9/4),[a+d*9/4,a+d*13/4),…,[b‑d*3/4,b+d*1/4]，相应地新的频数统计曲线坐标序列为[a+d*3/4,a+d*7/4,a+d*11/4,…,b‑d*1/4]；[0026] 将上述过程多次重复进行，分别得到将原数据统计分区区间向坐标右侧平移d*k/4(k＝±1,±2,±3)距离后所得频数统计值，将这七个数据集合合并后即可得到最终频数统计曲线，其频数统计曲线坐标序列为[a‑d*3/4,a‑d*2/4,a‑d*1/4,a,a+d*1/4,…,b+d*3/4]，共计4*m+3个点，数据量增加了四倍有余。[0027] 特别地，步骤S4中采用双边滤波和阈值滤波的二重滤波方法；[0028] 双边滤波中，设原图的函数为f(x,y)，变量(x,y)为像素坐标，双边滤波后像素坐标(x,y)点的像素值为：[0029][0030] 式(2)中S(x,y)表示中心点(x,y)的(2N+1)*(2N+1)大小的邻域，N为滤波邻域系数。[0031] 公式(3)右边表示滤波后像素值为像素点邻域内像素亮度值的加权平均，权值w(x,y)由两部分组成，即[0032] w(i,j)＝ws(i,j)·wr(i,j)(3)[0033] 其中，[0034][0035] 式(4)中，δs和δr分别为空间方差系数和像素亮度方差系数。[0036] 特别地，双边滤波后，对图像进一步进行阈值滤波即得到特征目标分布图像，阈值滤波函数为：[0037][0038] 式(5)中TH为阈值系数，将阈值滤波后特征目标分布图像与频数分布图做与运算后即可得到特征目标图像，即目标显著的频数分布图像。[0039] 特别地，步骤S5具体包括：[0040] 由于工况特征量分布相互独立，通过线性坐标变换后每个高斯峰拟合函数简化为以下形式：[0041][0042] 式(6)中，x为工况特征向量，D为该向量的维度，而系数A、xe、σ依次分别为高斯分布中的幅值、期望以及标准差；[0043] 因此，表征每个特征峰的工况特征量 及其权重w为：[0044][0045] 在计算得到所有权重值后，做归一化处理。[0046] 特别地，步骤S6具体包括：[0047] 最优化目标函数F(X)为如下形式：[0048][0049] 式(8)中， 为通过电机损耗计算模型得到的在工况特征向量 下的电机总损耗值，n为负载模型中特征峰数量，wi为权重w中维度D中第i维的子项。[0050] 特别地，所述电机为车载永磁同步电机。[0051] 本发明的优化方法从电机周期性运行采样数据出发，采用数理统计的方法统计多维电机工况数据分布得到频数分布图，通过多维图像处理的多重滤波方法对频数分布图进行目标特征提取，最后，利用多维高斯多峰拟合的方法分别对目标特征进行特征量及其权重的计算，得到由电机负载分布特征量及其权重组成的电机负载模型和最优化目标函数并以此展开最优化计算，并最终确定与负载匹配的电机效率最优电磁方案。[0052] 本发明的优点在于，只需要提前获取电机负载特性的全周期采样数据和具备已有背景技术中有关类型电机额定点效率优化设计方法的基本技术及方法，就能以有效影响电机效率的非耦合的工况特征量数据作为驱动，通过多维图像处理的方法，较好地分析、匹配不同电机不同运行工况分布特征，以特征量及其权重的方式建立电机负载匹配模型并以此提出电机全工况效率最优目标函数，最终得到与负载匹配的电机效率最优电磁方案。与以往方法不同之处在于，本发明所提出的方法突破了以往方法的应用局限性，经过试验发现该方法理论上可应用于所有的周期性运行电机效率优化中，尤其适合包含多维数据组的工况特征量的电机应用场合的效率优化，为电机本体电磁设计提供了新思路与新方法。附图说明[0053] 图1为本发明中基于负载周期特性的电机全工况效率优化设计方法的步骤流程图；[0054] 图2为本发明实施例一中的电机周期性工况采样数据示意图；[0055] 图3为本发明实施例一中的电机采样数据散点图；[0056] 图4为本发明实施例一中插值前采样数据二维频数分布图；[0057] 图5为本发明实施例一中插值后采样数据二维频数分布图；[0058] 图6为本发明实施例一中双边滤波后采样数据频数分布图；[0059] 图7为本发明实施例一中二值化特征目标分布图像；[0060] 图8为本发明实施例一中采样数据特征目标提取图像；[0061] 图9为本发明实施例一中采样数据特征目标分离图，包含10个特征目标Target1‑Target10的转矩‑转速图。具体实施方式[0062] 下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。[0063] 如图1所示，其示出了一种基于负载周期特性的电机全工况效率优化设计方法，该方法包括如下步骤：[0064] 步骤S1：确定电机可靠运行中有效影响电机效率的工况特征量；如常规水力、火力发电机组运行在恒速变功率工况下，不同工况之间影响电机运行效率的因素只有功率一项，因此可选择功率作为电机工况特征量；而车载电动机在变速变转矩工况运行，则需同时选择电机转速、输出转矩(或输出功率)这两者作为电机工况特征量；其中，工况特征量中的变量个数优选为一个及以上，且各个变量之间优选为非耦合的关系，以提高多维变量的电机优化效率。[0065] 步骤S2：确定电机运行周期，并对确定的电机工况特征量进行合理有效采样；[0066] 步骤S3：对采样数据剔除全零数据组后，进行分区统计，并进行插值分析，得到多维数据的频数分布图；[0067] 具体的，在分区统计中，分区数可参照数理统计中给出的经验公式，如式(1)所示。[0068] m≈1.87(n‑1)0.4(1)[0069] 式(1)中，n为数据组总数，而m去除小数部分取整即为经验公式所建议的分区数。[0070] 此时，分区统计后得到的多维数据的频数分布图数据量较少，不利于后续分析计算，可以通过插值的方式有效扩充图中数据量。[0071] 常规的线性插值法、二次插值法给出的插值数据精度有限，在数据量较少条件下容易丢失数据分布特征，而本次所需插值的多维数据频数分布图拥有原始采样数据，可以通过对原始采样数据进行多次平行分区统计，并将所得分区频数数据进行融合得到最终数据倍增的多维数据频数分布图，具体操作如下：[0072] 以一维数据或者每一维的数据为例，设原始数据分布区域为[a,b]，则分区区间长度d＝(b‑a)/m；[0073] 数据统计分区区间为[a,a+d),[a+d,a+2d),[a+2d,a+3d),…,[b‑d,b]，取各个区间中点为频数统计坐标则对应的频数统计曲线坐标序列为[a+d*1/2,a+d*3/2,a+d*5/2,…,b‑d*1/2]，共计m个点；[0074] 通过将各个数据统计分区区间向坐标右侧平移d/4距离，可以得到新的统计分区区间[a+d*1/4,a+d*5/4),[a+d*5/4,a+d*9/4),[a+d*9/4,a+d*13/4),…,[b‑d*3/4,b+d*1/4]，相应地新的频数统计曲线坐标序列为[a+d*3/4,a+d*7/4,a+d*11/4,…,b‑d*1/4]；[0075] 将上述过程多次重复进行，分别得到将原数据统计分区区间向坐标右侧平移d*k/4(k＝±1,±2,±3)距离后所得频数统计值，将这七个数据集合合并后即可得到最终频数统计曲线，其频数统计曲线坐标序列为[a‑d*3/4,a‑d*2/4,a‑d*1/4,a,a+d*1/4,…,b+d*3/4]，共计4*m+3个点，数据量增加了四倍有余；[0076] 对于二维乃至高维数据的插值处理，只需稍加修改即可应用。其关键在于频数分布图上每个点的频数为原始数据中与该点距离小于一半分区区间长度1/2d的数据量；同时，插值后频数分布图中数据量为(4*m+3)^D个，远大于插值前m^D(其中D为数据维度，各个维度的变量之间优选为非耦合关系)，具有原始数据量越大，数据倍增效果越显著的特点，从而更利于后期快速准确度提取出特征目标。[0077] 步骤S4：对得到的频数分布图进行多重滤波，得到降噪后特征目标显著的频数分布图像作为特征目标图像。[0078] 具体的，步骤S4中可以采用双边滤波+阈值滤波的二重滤波方法，该方法适用性广且对电机数据的处理比较有效。[0079] 双边滤波方法是基于高斯滤波方法的原理，同时考虑了图像亮度信息的影响，将原高斯权重系数替换为像素空间系数与像素亮度系数的卷积，从而在滤波的同时考虑到图像信息中的图像边缘信息，使图像在正常高斯滤波后很模糊的边缘信息得以保持清晰，并且图像边缘更加平滑。下面给出二维双边滤波算法公式。[0080] 设原图的函数为f(x,y)，变量(x,y)为像素坐标，双边滤波后像素坐标(x,y)点的像素值为：[0081][0082] 式(2)中S(x,y)表示中心点(x,y)的(2N+1)*(2N+1)大小的邻域，N为滤波邻域系数；[0083] 公式(3)右边表示滤波后像素值为像素点邻域内像素亮度值的加权平均，权值w(i,j)由两部分组成，即[0084] w(i,j)＝ws(i,j)·wr(i,j)(3)[0085] 其中，[0086][0087] 式(4)中，δs和δr分别为空间方差系数和像素亮度方差系数，一维或是高维图像滤波可在此基础上简单推广应用。[0088] 对双边滤波后图像进一步进行阈值滤波即可得到特征目标分布图像，阈值滤波函数为：[0089][0090] 式(5)中TH为阈值系数。[0091] 将阈值滤波后特征目标分布图像与频数分布图做与运算后即可得到特征目标图像，即目标显著的频数分布图像。[0092] 步骤S5：通过对特征目标图像分离特征目标，并对所有特征目标分别进行高斯多峰拟合，即可得到以高斯多峰分布拟合的负载特征峰分布图，取每个特征峰的中心值作为代表该峰的工况特征量，每个峰的体积为该工况特征量的权重，即可初步构建负载特征模型。[0093] 由于工况特征量分布相互独立，因此通过线性坐标变换后每个高斯峰拟合函数可简化为以下形式：[0094][0095] 式(6)中，x为工况特征向量，D为该向量的维度，而系数A、xe、σ依次分别为高斯分布中的幅值、期望以及标准差。[0096] 因此，表征每个特征峰的工况特征量 及其权重w为：[0097][0098] 在计算得到所有权重值后，做归一化处理。[0099] 步骤S6：采用已有的成熟的电机损耗计算模型，并结合负载特征模型，构建基于电机负载模型的电机周期性工况效率最高的最优化目标函数。[0100] 优选的，最优化目标函数F(X)为如下形式：[0101][0102] 式(8)中， 为通过电机损耗计算模型得到的在工况特征向量x下的电机总损耗值，n为负载模型中特征峰数量，wi为权重w中维度D中第i维的子项。[0103] 后续基于该目标函数的电机优化设计流程方法采用当前成熟的寻优算法即可，在此不便赘述。该方法需要具备已有背景技术中有关电机额定点效率优化设计方法的基本技术及方法知识储备。[0104] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。[0105] 实施例一：[0106] 以某车载的永磁同步电机试验场地周期性工况采样数据为例。[0107] 步骤一：该电机运行在变速变功率工况下，因此影响其运行效率的工况特征量有转速和转矩，其工况采样数据是二维向量。[0108] 步骤二：图2为一个运行周期内电机转速、转矩的采样数据。[0109] 图2中共3600个随时间变化的转速、转矩数据采样点序列。将同一时刻的转速和转矩信号进行组合得到一个电机工况点，在剔除无效数据(转速、转矩双零值工况点)后，得到2910个有效工况数据采样点，其散点分布图如图3所示。[0110] 步骤三：由式(1)可知，数据总量n为2910个时，统计分区数的经验值m为45[0111] m≈1.87(2910‑1)0.4≈45[0112] 将图3中采样数据按横纵坐标分别分为45组，统计各个二维区间频数值即可得到采样数据的45×45像素二维频数分布图，如图4所示。[0113] 参见图4可知，图4中像素点总量较少，为2025个，且相邻像素点的频数变化不连续不光滑，不利于后续特征的提取，因此需要作进一步插值处理以降低由采样数据分组带来的噪声。因此，采用本方法所提出的平行分区差值法即可得到图5所示数据倍增后采样数据二维频数分布图。[0114] 通过插值操作，图5中共有1832＝33489个像素，满足进一步处理的需求。[0115] 步骤四：依据式(2)对图5进行双边滤波处理，取滤波邻域系数N为8，空间方差系数δs为3，像素亮度方差系数δr为0.1，即可得到如图6所示噪声柔滑后采样数据频数分布图。[0116] 与图5相比，图6中低频数分布干扰已被大大降低，主体特征目标已被凸显。[0117] 进一步对图6做阈值滤波处理。由式(5)可得，取阈值系数TH为像素亮度最大值的25％，即可得到如图7所示特征目标分布图像。[0118] 通过将图7与图5(原数据频数分布图)中各个像素点做逻辑与运算，即可得到采样数据特征目标提取图像，如图8所示。[0119] 步骤五：将图8中包含的10个特征目标进行分离，如图9所示。[0120] 依据式(6)对每个特征目标进行二维高斯拟合，其中特征目标6为长条形且区间跨度较大，需要采用二维高斯多峰拟合，而其他特征目标采用二维高斯单峰拟合即可。[0121] 表1为依据式(7)所得拟合后每个特征峰的工况特征量 向量及其归一化后权重w。[0122] 表1工况特征量及其权重[0123][0124][0125] 表1中，序号6～11对应于特征目标6由二维高斯多峰拟合所得的6组特征峰，其余序号与其他特征目标按顺序一一对应。[0126] 步骤六：由表1所得电机负载模型，则式(8)在本例中有如下形式：[0127][0128] 由此，本发明所涉及的基于负载周期特性的电机全工况效率优化设计方法步骤已全部完成，余下其他电机寻优计算部分已有成熟的方式方法并无特异性，不包含在本发明之中。[0129] 综上可知，本发明所提出的优化设计方法突破了以往方法的应用局限性，经过试验发现该方法可应用于所有的周期性运行电机效率优化中，尤其适合包含多维数据组的工况特征量的电机应用场合的效率优化，为电机本体电磁设计提供了新思路与新方法。拓展了电机效率优化方法的通用性和应用场合。[0130] 本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。最后，本发明的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

专利地区：湖南

专利申请日期：2022-04-27

专利公开日期：2024-07-26

专利公告号：CN114792052B