✨ 长期致力于次谐波、无刷调磁、有限元建模与分析、多目标鲁棒优化、弱磁运行研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1基于次谐波调制与变电流幅值比例系数的无刷调磁策略提出了一种转子永磁式无刷混合励磁电机拓扑其中励磁绕组置于定子侧通过注入特定次数的谐波电流三次谐波幅值为基波电流的0.3~0.8倍实现转子磁场的无刷调节。调磁机理基于次谐波磁场与永磁磁场相互作用产生的等效磁动势。关键参数m定义为励磁电流幅值与电枢电流幅值的比例系数通过有限元分析确定m的最优取值范围为0.35~0.65。当m0.45时气隙磁密可以在0.52T至0.87T之间连续调节调磁范围达67%。采用田口正交试验与差分进化算法结合的多目标鲁棒优化设计考虑加工公差±0.1mm气隙、±2%永磁体剩磁波动对输出转矩和弱磁能力的影响优化后的电机在额定转速1500rpm时输出转矩为32.4Nm在最高转速5000rpm时仍能输出18.7Nm弱磁倍数达到3.33。在dSPACE平台搭建的驱动系统实验表明变m控制策略下电机从额定到最高转速的过渡时间仅0.12秒效率保持在92%以上。import numpy as np from scipy.optimize import differential_evolution class BrushlessHybridExcitedMotor: def __init__(self, p4, Ld0.005, Lq0.008, Psi_f0.15): self.p p self.Ld Ld self.Lq Lq self.Psi_f Psi_f def torque(self, id, iq, i_harmonic, m): # i_harmonic: third harmonic current amplitude, m i_harmonic / iq Psi_total self.Psi_f 0.3 * i_harmonic # simplified modulation T 1.5 * self.p * (Psi_total * iq (self.Ld - self.Lq)*id*iq) return T def optimize_m(self, speed_rpm, T_desired): # find m that achieves field weakening def obj(m): i_harm m * 50 # assume iq50A T self.torque(id0, iq50, i_harmonici_harm, mm) return abs(T - T_desired) result differential_evolution(obj, bounds[(0.1,0.8)], maxiter30) return result.x[0] if __name__ __main__: motor BrushlessHybridExcitedMotor() m_opt motor.optimize_m(3000, T_desired15.0) print(fOptimal current amplitude ratio m {m_opt:.3f}) # performance map speeds np.linspace(1000, 5000, 5) torques [motor.torque(id0, iq60, i_harmonic60*m_opt, mm_opt) for _ in speeds] print(fTorque at speeds: {torques} Nm)
转子永磁式无刷混合励磁电机关键技术【附仿真】
发布时间:2026/5/18 22:27:58
✨ 长期致力于次谐波、无刷调磁、有限元建模与分析、多目标鲁棒优化、弱磁运行研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1基于次谐波调制与变电流幅值比例系数的无刷调磁策略提出了一种转子永磁式无刷混合励磁电机拓扑其中励磁绕组置于定子侧通过注入特定次数的谐波电流三次谐波幅值为基波电流的0.3~0.8倍实现转子磁场的无刷调节。调磁机理基于次谐波磁场与永磁磁场相互作用产生的等效磁动势。关键参数m定义为励磁电流幅值与电枢电流幅值的比例系数通过有限元分析确定m的最优取值范围为0.35~0.65。当m0.45时气隙磁密可以在0.52T至0.87T之间连续调节调磁范围达67%。采用田口正交试验与差分进化算法结合的多目标鲁棒优化设计考虑加工公差±0.1mm气隙、±2%永磁体剩磁波动对输出转矩和弱磁能力的影响优化后的电机在额定转速1500rpm时输出转矩为32.4Nm在最高转速5000rpm时仍能输出18.7Nm弱磁倍数达到3.33。在dSPACE平台搭建的驱动系统实验表明变m控制策略下电机从额定到最高转速的过渡时间仅0.12秒效率保持在92%以上。import numpy as np from scipy.optimize import differential_evolution class BrushlessHybridExcitedMotor: def __init__(self, p4, Ld0.005, Lq0.008, Psi_f0.15): self.p p self.Ld Ld self.Lq Lq self.Psi_f Psi_f def torque(self, id, iq, i_harmonic, m): # i_harmonic: third harmonic current amplitude, m i_harmonic / iq Psi_total self.Psi_f 0.3 * i_harmonic # simplified modulation T 1.5 * self.p * (Psi_total * iq (self.Ld - self.Lq)*id*iq) return T def optimize_m(self, speed_rpm, T_desired): # find m that achieves field weakening def obj(m): i_harm m * 50 # assume iq50A T self.torque(id0, iq50, i_harmonici_harm, mm) return abs(T - T_desired) result differential_evolution(obj, bounds[(0.1,0.8)], maxiter30) return result.x[0] if __name__ __main__: motor BrushlessHybridExcitedMotor() m_opt motor.optimize_m(3000, T_desired15.0) print(fOptimal current amplitude ratio m {m_opt:.3f}) # performance map speeds np.linspace(1000, 5000, 5) torques [motor.torque(id0, iq60, i_harmonic60*m_opt, mm_opt) for _ in speeds] print(fTorque at speeds: {torques} Nm)