[发明专利]一种电动汽车用驱动电机系统性能评价方法

权利要求书

1.一种电动汽车用驱动电机系统性能评价方法，其特征在于，所述方法包括：应用层次分析法构建电动汽车用驱动电机系统性能评价指标体系，确定各性能指标权重，建立驱动电机性能评价的BP神经网络模型，利用蝙蝠-粒子群混合算法优化且训练BP神经网络评价模型。

2.根据权利要求1所述的一种电动汽车用驱动电机系统性能评价方法，具特征在于，所述电动汽车用驱动电机性能评价指标体系，其层次结构由目标层(A)、一级指标层(B)、二级指标层(C)组成，目标层为驱动电机系统性能综合评价，一级指标层含有电机控制性能指标、电机本体设计指标、企业资质能力指标，二级指标层为选取的电动汽车驱动电机系统性能的具体指标，其中电机控制性能主要包括转矩响应时间(C₁₁)、转矩控制精度(C₁₂)、堵转转矩(C₁₃)、转速响应时间(C₁₄)、电机高效率区间(C₁₅)、转速超调量(C₁₆)、电机温升(C₁₇)、控制器温升(C₁₈)、电机可靠性(C₁₉)共9项指标，电机本体设计包括电机功率密度(C₂₁)、转速范围(C₂₂)、控制器容量密度(C₂₃)、转矩密度(C₂₄)、电机质量(C₂₅)、控制器成本(C₂₆)、过载能力(C₂₇)、恒功率区域(C₂₈)、电机功率因数(C29)、控制操作性(C210)共10项指标；企业资质能力包含技术保障能力(C₃₁)、质量保障能力(C₃₂)、售后服务能力(C₃₃)、价格水平(C₃₄)、供货能力(C₃₅)、设备能力(C₃₆)、人力资源管理水平(C₃₇)共7项指标。

3.根据权利要求1所述的一种电动汽车用驱动电机系统性能评价方法，其特征在于，所述电动汽车驱动电机系统性能指标权重，采用1-9比率标度法建立各指标层的权重判断矩阵A-B、B1-C、B2-C、B3-C，并获得驱动电机系统性能评价指标的合成权重。

4.根据权利要求1所述的一种电动汽车用驱动电机系统性能评价方法，其特征在于，所述的利用蝙蝠-粒子群混合算法优化且训练BP神经网络评价模型，蝙蝠-粒子群混合算法优化神经网络的步骤如下：

步骤1：初始化参数及蝙蝠位置，即初始化蝙蝠算法中蝙蝠种群数量D，蝙蝠算法最大迭代次数NB，蝙蝠发出的脉冲(超声波)频率f，最大脉冲声音强度S，最大脉冲频度R₀，脉冲声音强度衰减系数λ，脉冲频度增加系数δ，随机初始化蝙蝠的位置x_i(i＝1，2，…，D)，粒子群算法中最大迭代次数为NP，最大惯性权重ω_max，和最小惯性权重ω_min；

步骤2：按下列公式调整蝙蝠脉冲频率f_i，更新蝙蝠飞行速度v_i及位置x_i，寻找当前最优蝙蝠个体，即：

f_i＝f_min+(f_max-f_min)h

vit+1=vit+(xit-xbest)fi]]>

xit+1=xit+vit+1]]>

式中，分别为t代和t+1代第i只蝙蝠所处的位置，分别为t代和t+1代第i只蝙蝠的飞行速度，f_i为第i只蝙蝠的脉冲频率，f_max、f_min各为蝙蝠脉冲频率的最大值、最小值，h为0～1区间均匀分布随机数，x_best为当前全局最优位置；

步骤3：产生随机数r₁，若r_i＞R_i，则从当前种群中选取最优解，且在最优解附近随机产生一个局部解，此时蝙蝠的新位置x_new为：

x_new＝x_old+τS^t

式中，τ为[-1，1]范围的随机数，S^t代表蝙蝠种群同一时间段内响度平均值；

步骤4：产生随机数r₂，若r₂＜S_i且均方误差(适应度)J(x_i)＜J(x₀)，按照规则增大R_i且减小S_i，即蝙蝠减小发射的超声波脉冲响度，同时增加声波脉冲发射次数，即：

Sit+1=λSit]]>

Rit+1=R0[1-exp(-δt)]]]>

式中，为第i只蝙蝠在t+1和t次迭代时的声波脉冲响度，R_i^t+1为t+1次迭代时第i只蝙蝠发射脉冲频度，λ为[0，1]范围值，δ＞0；

步骤5：对蝙蝠个体按适应度J(x_i)进行评估，寻找并记录当前位置最佳蝙蝠个体，如果满足蝙蝠算法最大迭代次数NB，则输出M个最优位置解，否则返回步骤2；

步骤6：M个最优位置蝙蝠个体组成粒子群初始种群，按以下公式更新粒子速度、粒子位置。其中式(9)中的惯性权重ω自动跟踪粒子适应度，可以避免进化过程出现“早熟”和振荡现象；

V_ij(t+1)＝ωV_ij(t)+C₁*R₁*(P_j(t)-X_ij(t))+C₂*R₂*(G_i(t)-X_ij(t))

X_ij(t+1)＝X_ij(t)+V_ij(t+1)

ω=ωmax-(ωmax-ωmin)(J-Jave)Jmax-Jave(J≥Jave)ωmax(J<Jave)]]>

式中，i＝1，2，…M，j＝1，2，…d，t为迭代进化次数，X_ij(t)是粒子i在t代时当前位置，V_ij(t)为粒子i在t代时速度，ω为惯性权重；P_j(t)为粒子i在t代经历的最优位置，G_j(t)为粒子群所有粒子所经历的最优位置，C₁、C₂为学习因子，R₁、R₂为[0，1]范围值，J是粒子适应度值，为粒子的平均适应度值，J_max为粒子群中最大适应度值；

步骤7：当粒子群算法中达到最大迭代次数或者满足全局最优解G_i(t)＜ε(ε为比较小的数值)时，输出全局最优解；

步骤8：将经蝙蝠-粒子群混合算法优化后输出的全局最优个体代入BP神经网络的初始权值及阈值，通过输入驱动电机系统性能指标数据样本训练优化BP网络，最终使均方误差(适应度)J值最小，均方误差(即适应度)J定义为：

J=1nΣj=1nΣk=1m(Qjk-Yjk)2]]>

式中，Q_jk为第j个训练样本在第k个输出节点处的电机性能评价结果期望输出，Y_jk为第j个训练样本在第k个输出节点处的电机性能评价结果实际输出，m为神经网络输出节点数，n为电机性能指标训练数据样本数。