지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 임동국
- 발행연도
- 2023
- 저작권
- 울산대학교 논문은 저작권에 의해 보호받습니다.
이용수13
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 전기기기의 다중변수 다중목적함수 최적 설계를 위해 기계
학습을 활용한 최적 설계 기법의 연구가 수행되었으며, 이를 이용하여 전기
자동차(Electric vehicle : EV) 구동용 영구자석 보조 동기 릴럭턴스 전동기
(permanent magnet assisted synchronous reluctance motor : PMa-SynRM)
의 평균 출력 토크 및 토크 리플 특성 개선을 목표로 한 최적 설계를 수행
한 결과, 성공적으로 최적 설계안을 도출하였다.
일반적으로 EV 구동용 전동기는 출력 특성이 우수하고 넓은 운전 영역에
서도 고출력 운전이 가능한 매입형 영구자석 동기 전동기(interior permanent
magnet synchronous motor : IPMSM)가 사용된다. 그러나 IPMSM에 사용
되는 네오디뮴 영구자석의 주원료인 희토류는 공급이 불안정하고 가격이 비
싸다는 단점이 있다. 따라서 본 논문에서는 EV 구동용 IPMSM의 대안으로
비 희토류 계열의 페라이트 자석을 사용하는 PMa-SynRM을 설계하였으며,
두 자석 재질 간의 잔류자속밀도 차이로 인하여 발생하는 출력 토크 감소를
보상하기 위해 자석을 회전자 내부에 최대한 많이 삽입할 수 있는
MSML(multi-segmented multi-layered) 타입 구조를 채택하였다.
이러한 MSML 타입 모터의 다양한 구조적 설계 변수를 동시에 고려하고
EV 구동용 모터의 주요 출력 특성인 평균 출력 토크 및 토크 리플을 개선
하기 위해 본 논문에서는 기계학습 기법의 하나인 stacking ensemble을 활
용한 PMa-SynRM 대리 모델 기반 최적 설계를 수행하였다. 최적 설계 결과
본 연구에서 제안한 설계 기법은 6차원 문제 영역에서 총 1,000 개의 샘플
데이터 만으로 우수한 예측 성능을 보였으며, 이를 통해 생성된
PMa-SynRM의 대리모델을 기반으로 최적 설계안을 도출할 수 있었다.
본 논문에서는 페라이트 자석의 특성을 고려한 저온에서의 불가역 감자
발생 여부, 고속에서의 기계적 안정성을 확인하기 위한 응력 해석을 통해 최
적 설계된 PMa-SynRM의 안정성을 검증하였으며, 적절한 스큐 각도 적용에
따른 출력 특성 변화를 검토하였다.
학습을 활용한 최적 설계 기법의 연구가 수행되었으며, 이를 이용하여 전기
자동차(Electric vehicle : EV) 구동용 영구자석 보조 동기 릴럭턴스 전동기
(permanent magnet assisted synchronous reluctance motor : PMa-SynRM)
의 평균 출력 토크 및 토크 리플 특성 개선을 목표로 한 최적 설계를 수행
한 결과, 성공적으로 최적 설계안을 도출하였다.
일반적으로 EV 구동용 전동기는 출력 특성이 우수하고 넓은 운전 영역에
서도 고출력 운전이 가능한 매입형 영구자석 동기 전동기(interior permanent
magnet synchronous motor : IPMSM)가 사용된다. 그러나 IPMSM에 사용
되는 네오디뮴 영구자석의 주원료인 희토류는 공급이 불안정하고 가격이 비
싸다는 단점이 있다. 따라서 본 논문에서는 EV 구동용 IPMSM의 대안으로
비 희토류 계열의 페라이트 자석을 사용하는 PMa-SynRM을 설계하였으며,
두 자석 재질 간의 잔류자속밀도 차이로 인하여 발생하는 출력 토크 감소를
보상하기 위해 자석을 회전자 내부에 최대한 많이 삽입할 수 있는
MSML(multi-segmented multi-layered) 타입 구조를 채택하였다.
이러한 MSML 타입 모터의 다양한 구조적 설계 변수를 동시에 고려하고
EV 구동용 모터의 주요 출력 특성인 평균 출력 토크 및 토크 리플을 개선
하기 위해 본 논문에서는 기계학습 기법의 하나인 stacking ensemble을 활
용한 PMa-SynRM 대리 모델 기반 최적 설계를 수행하였다. 최적 설계 결과
본 연구에서 제안한 설계 기법은 6차원 문제 영역에서 총 1,000 개의 샘플
데이터 만으로 우수한 예측 성능을 보였으며, 이를 통해 생성된
PMa-SynRM의 대리모델을 기반으로 최적 설계안을 도출할 수 있었다.
본 논문에서는 페라이트 자석의 특성을 고려한 저온에서의 불가역 감자
발생 여부, 고속에서의 기계적 안정성을 확인하기 위한 응력 해석을 통해 최
적 설계된 PMa-SynRM의 안정성을 검증하였으며, 적절한 스큐 각도 적용에
따른 출력 특성 변화를 검토하였다.
목차
국문초록............................................................................................................................................................i목 차...........................................................................................................................................................ii그림 목차........................................................................................................................................................iii표 목차............................................................................................................................................................iv기호 및 약어 설명........................................................................................................................................v제 1 장 서 론....................................................................................................................11.1 연구 배경 및 목표............................................................................................................11.2 논문 구성.............................................................................................................................4제 2 장 영구자석 보조 동기 릴럭턴스 전동기 이론 ............................................52.1 PMa-SynRM의 구조 및 특성.......................................................................................52.2 PMa-SynRM의 주요 특성 방정식...............................................................................72.3 전기자동차 구동용 PMa-SynRM 개요.......................................................................92.3.1 극 수 슬롯 수 선정..................................................................................................................102.3.2 전압 및 전류 제한 선정..........................................................................................................11제 3 장 회귀를 위한 스태킹 앙상블 이론...............................................................123.1 앙상블 기법 개요...........................................................................................................123.1.1 Bagging.......................................................................................................................................123.1.2 Boosting......................................................................................................................................133.1.3 Stacking......................................................................................................................................143.2 Stacking ensemble의 model........................................................................................173.2.1 Base learner...............................................................................................................................173.2.2 Meta learner...............................................................................................................................19제 4 장 EV 구동용 PMa-SynRM 최적 설계........................................................214.1 EV 구동용 PMa-SynRM 설계 제원 및 요구 조건................................................214.2 Stacking ensemble을 활용한 EV용 PMa-SynRM 최적 설계...........................224.2.1 최적 설계를 위한 목적 함수 및 설계 변수.......................................................................224.2.2 Stacking ensemble을 활용한 PMa-SynRM 최적 설계..................................................244.2.3 Stacking ensemble을 활용한 PMa-SynRM 최적 설계 결과........................................25제 5 장 결론 ..................................................................................................................37
최근 본 자료
댓글(0)
0