基于智能優(yōu)化算法的Jiles-Atherton磁滯模型參數(shù)計算研究.pdf

1、磁滯非線性現(xiàn)象常見于物理系統(tǒng)和電磁裝置中，對設備的安全運行及系統(tǒng)能否穩(wěn)定運行起著重要的作用。近年來，隨著新型材料的發(fā)展，例如磁電復合材料，由于其獨特的物理性質，在各種各樣的微型器件及整體化裝置，如微傳感器、微電子機械系統(tǒng)設備以及高密度信息存儲器中都有潛在的應用;磁性形狀記憶合金(MSMA)作為一種新型的智能材料，在驅動器制造方面具有良好的應用前景;另外，磁熱療是一種很有前途的癌癥治療技術，為癌癥患者帶來了新的希望。上述這些新型材料及技術

2、的應用都涉及到了磁滯非線性現(xiàn)象，因此新型智能材料的設計和分析與眾多高新技術的研發(fā)在很大程度上依賴于磁滯建模及其參數(shù)計算的準確性，了解和分析磁滯特性具有重要意義。
　　建立磁滯模型后，一般會包含很多待確定的參數(shù)，參數(shù)的取值不同代表著不同的物理狀態(tài)。模型設計的有效性在很大程度上取決于參數(shù)提取的準確性，無論一個磁滯模型的理論有多完美，如果沒有行之有效的參數(shù)計算方法，其可操作性也就無法得到保證。
　　目前從物理和數(shù)學兩種角度出發(fā)，研

3、究者已提出了多種描述磁滯現(xiàn)象的模型，較常見的有:Bouc-Wen磁滯模型、Preisach磁滯模型、Jiles-Atherton(JA)磁滯模型。在眾多的磁滯模型中，JA模型的物理意義清晰、參數(shù)較少、僅包含一個一階常微分方程，但是模型參數(shù)識別的復雜和困難性一直以來困擾著人們。許多傳統(tǒng)的優(yōu)化方法曾用來計算JA模型參數(shù)，但是這些方法容易受初始值選擇的影響，其結果是算法的收斂性往往得不到保證、易陷入局部極小且計算量通常也會很大。更令人擔憂的是

4、，很多優(yōu)化方法，尤其是基于求導尋優(yōu)的優(yōu)化方法，面對模型方程的不連續(xù)、離散、單峰與多峰等數(shù)學性質也越來越顯得“力不從心”。
　　最近發(fā)展起來的基于群體智能的新型優(yōu)化技術在各種領域的參數(shù)計算中受到了很大的關注。智能優(yōu)化算法是基于仿生學的隨機優(yōu)化算法，典型的方法有Eberhart與Kennedy提出的粒子群優(yōu)化(Particle Swarm Optimization，PSO)算法、遺傳算法(Genetic Algorithm，GA)、差

5、分進化算法(Differential Evolutionary，DE)和Dorigo提出的蟻群算法等。這些方法被廣泛應用于科學研究和實際問題求解中，并取得了傳統(tǒng)優(yōu)化方法無法取代的成效。
　　智能優(yōu)化類算法本身具有很強的適用性，且對目標函數(shù)的連續(xù)性無任何要求、對初始解的選取不敏感，因此把智能優(yōu)化算法作為求解復雜優(yōu)化問題的候選算法是非常具有現(xiàn)實意義的。
　　本文所要解決的主要問題包括:
　　(1)、在充分熟悉國內外研究現(xiàn)狀

6、、深刻理解并掌握智能優(yōu)化算法及MATLAB/Simulink動態(tài)仿真集成環(huán)境的基礎上，基于物質磁化機理從物理角度出發(fā)提出了一種粒子群優(yōu)化算法(PSO)結合MATLAB/Simulink動態(tài)仿真集成環(huán)境的Jiles-Atherton(JA)磁滯回線模型參數(shù)計算方法。并分別以無噪及加噪的仿真數(shù)據(jù)，對三組參數(shù)值不同的JA模型進行數(shù)值實驗。
　　(2)、另外本文構建了基于Simulink模塊的JA模型方程，通過求解模型方程得到了準確的B-

7、H磁滯回線。并將JA模型的Simulink模塊方程與算法實現(xiàn)了無縫融合，為算法優(yōu)化的順利運行提供了保障。
　　(3)、算法中控制變量的取值不同會對優(yōu)化精度、計算時間及收斂性有很大的影響，因此針對不同的問題，如何選擇最優(yōu)的參數(shù)配置是本文需要關注的一個問題。
　　(4)、最后將計算結果與遺傳算法做了比較，經分析發(fā)現(xiàn)對于復雜的Jiles-Atherton非線性磁滯模型參數(shù)計算，PSO算法表現(xiàn)出很好的魯棒性，而且無論是計算精度、還是