신경망 대리모델 기반 NSGA-II의 개발과 EV구동용 동기 릴럭턴스 전동기의 다목적 최적 설계 :Development of neural network based NSGA-II and multi-objective optimal design of synchronous reluctance motor for EV propulsion

차주경

추천

검색

자료유형: 학위논문

저자정보: 차주경 (성균관대학교, 성균관대학교 일반대학원)

지도교수: 정상용

발행연도: 2021

저작권: 성균관대학교 논문은 저작권에 의해 보호받습니다.

이용수44

이 논문의 연구 히스토리 (2)

2021

신경망 대리모델 기반 NSGA-II의 개발과 EV구동용 동기 릴럭턴스 전동기의 다목적 최적 설계

차주경 전자전기컴퓨터공학과 2021.01 학위논문

2020

이진 변수와 NSGA-II를 통한 동기 릴럭턴스 전동기의 다목적 최적 설계

차주경 , 정상용 대한전기학회 학술대회 논문집 2020.07 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 연구에서는 신경망 대리모델 기반 NSGA-II 의 개발과 개발한 알고리즘을 바탕으로 초소형 EV 구동용 동기 릴럭턴스 전동기의 다목적 최적 설계를 진행하였다.
동기 릴럭턴스 전동기는 유도 전동기 대비 높은 효율을 가지면서 영구자석이나 도체바를 포함하지 않아 가격이 저렴하다. 하지만 낮은 출력 밀도와 토크 등이 단점으로 작용하기 때문에 형상의 최적 설계를 통한 출력 향상은 필수적이다. 또한 출력과 효율을 포함한 다양한 목적함수들을 동시에 만족시키기 위해서 다목적 최적화 알고리즘이 필수적이다. 본 연구에서는 인공 신경망을 도입하여 전동기의 설계 변수와 목적함수 사이의 관계를 표현하는 대리모델을 구성하였다. 그리고 신경망 대리모델을 기존 전동기 최적설계에 많이 사용되는 NSGA(Nondominated sorting genetic algorithm)-II 에 결합하여 효율적인 다목적 최적화 알고리즘을 개발하였다.
제안한 알고리즘은 매 세대가 끝날 때마다 최적화 과정 중에 누적되는 데이터를 바탕으로 신경망의 학습을 진행한다. 그리고 학습한 신경망 내에서 NSGA-II 를 시행하여 신경망의 Pareto front 를 도출한다. 신경망에서 도출한 해와 기존의 NSGA-II 를 기반으로 Non-dominated sorting 을 시행하여 신경망의 정확도를 계산한다. 그리고 이를 바탕으로 다음 offspring 을 생성할 때 신경망에서 도출된 해를 얼마나 포함할지 결정한다. 이러한 방법을 통하여 신경망 대리모델의 적합도가 높을 경우 신경망에서 많은 해를 생성하고 적합도가 낮은 경우 NSGAII 를 통하여 해를 생성할 수 있다. 알고리즘을 검증하기 위하여 ZDT1, ZDT2, ZDT3, SCH 시험함수를 통하여 알고리즘의 성능을 기존의 NSGA-II 알고리즘과 비교하였다.
최종적으로 6.6kW 급 초소형 EV 구동용 동기 릴럭턴스 전동기의 다목적 최적화를 진행하였다. 다목적 최적화를 통하여 목적함수를 만족하는 전동기 형상을 도출하였으며 최종 모델을 바탕으로 전자계 해석과 응력 해석을 진행하였다.

In this study, neural network-based NSGA-II is proposed and synchronous reluctance motor(SynRM) for the micro EV is optimized based on the proposed algorithm.
The SynRM has higher efficiency compared to the induction motor. And it is advantageous in terms of price since SynRM does not include the conductor bar or permanent magnet. However, for SynRM to be used as a traction motor of EV, it must meet the specification of high-power density and high torque density. Therefore, the optimization of SynRM is essential. Since it must meet multiple standards such as output and efficiency, multi-objective optimization is required. In this study, the surrogate model is constructed with the neural network to express the relationship of design parameters and objective function. And the neural network surrogate model is applied to NSGA (Non-dominated sorting genetic algorithm)-II which is a widely used algorithm for the optimal design of the motor. This neural network-based NSGA-II makes the optimization process efficient.
The proposed optimization algorithm trains the neural network with the data accumulated during the optimization process. And the NSGA-II searches the Pareto front inside the trained neural network. These solutions from the surrogate model occupy a specific amount of the offspring and the rest of the offspring is created using conventional NSGA-II. After the non-dominated sorting, the reliability of the neural network is calculated, and the number of offspring created from the neural network is updated considering the reliability. Using the reliability, the intervention of the neural network can be adjusted according to the fitness of the neural network. The proposed algorithm is validated with ZDT1, ZDT2, ZDT3, and SCH compared to conventional NSGAII. In conclusion, 6.6 kW SynRM for traction of micro EV is optimized with the proposed optimization algorithm. The optimal design of SynRM is decided with multi-objective optimization. And the optimal model is validated using stress analysis.

#동기 릴럭턴스 전동기 #다목적 최적화 #인공 신경망 #NSGA-II #전동기 최적설계

제1장 서론 1
제2장 동기 릴럭턴스 전동기 4
2.1 동기 릴럭턴스 전동기의 수학적 모델링 4
2.2 동기 릴럭턴스 전동기의 손실과 효율 9
제3장 신경망 기반 NSGA-II의 개발 11
3.1 다목적 최적화 문제 11
3.2 NSGA-II 14
3.3 인공 신경망 18
3.3.1 퍼셉트론과 인공 신경망의 구조 18
3.3.2 인공 신경망의 학습 21
3.4 신경망 대리모델 기반 NSGA-II 23
3.4.1 대리모델 23
3.4.2 알고리즘 진행 25
3.4.3 시험함수를 통한 알고리즘의 성능 검증 28
제4장 초소형 EV용 동기 릴럭턴스 전동기 최적설계 36
4.1 동기 릴럭턴스 전동기의 목표 사양 36
4.2 동기 릴럭턴스 전동기의 최적 설계 38
4.3 동기 릴럭턴스 전동기의 최적 설계 결과 41
4.4 제작성을 고려한 최적 설계 모델의 해석 결과 45
4.4.1 최종 모델의 전자계 해석 결과 46
4.4.2 최종 모델의 응력, 변형률 해석 결과 48
제5장 결론 50

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)