融合物理约束GPR与置信下限准则的BLDC电机鲁棒设计方法OA

【目的】无刷直流(BLDC)电机的多目标优化通常依赖于大量的有限元分析,不仅计算成本高昂,而且耗时。虽然代理模型能够加速设计过程,但传统的数据驱动模型在物理边界附近的预测往往失真,导致输出值不具有物理意义。针对这个问题,本文提出一种基于物理约束改进高斯过程回归(GPR)与置信下限(LCB)的鲁棒优化方法。【方法】首先,采用基于Campolongo策略的改进Morris轨迹采样法对电机关键结构参数进行全局敏感度分析,实现设计变量的降维筛选。其次,针对电机效率和转矩脉动的物理特性,在GPR建模中引入对数(Log)和逻辑斯谛(Logit)变换,构建满足物理边界约束的高精度代理模型。最后,利用GPR提供的预测方差信息进行不确定性量化,提出基于LCB的稳健优化策略,通过两阶段搜索在提升电机综合性能的同时,有效增强设计方案的工程稳健性。【结果】所提出的框架在验证过程中表现卓越。改进的GPR模型在数学上消除了电机效率和转矩脉动边界处的非物理预测,与传统替代模型相比,显著提高了测试集上的泛化精度。当应用于无刷直流电机设计时,最终优化方案表现出了显著的提升。具体而言,输出转矩提高了9.56%,转矩脉动大幅降低了47.18%。同时,电机整体效率可靠地保持在90%以上。【结论】该方法有效解决了无刷直流电机优化中存在的计算瓶颈和模型预测失真问题。通过在建模架构中结构化地整合物理约束,并利用不确定性感知的置信下限策略,所提出的方法在全面提高电磁性能的同时,有效增强了设计方案的工程稳健性和实际可行性。