q＜1永磁直线同步电动机齿槽力波动的径向基神经网络预估器

永磁直线同步电动机(Permanent magnet linear synchronous motor,PMLSM)齿槽力是影响电动机性能的主要因素之一,特别是在高精度,低速情况下,问题尤为突出.根据q＜1分数槽绕组PMLSM结构,采用有限元法计算齿槽力的影响,建立以径向基神经网络为基础的PMLSM齿槽力预估器,其学习算法首先采用快速模糊C均值算法(Accelerated fuzzy C-means,AFCM)对数据进行聚类,选取基函数传播因子,再由最小正交平方算法(Orthogonal least squares learning algorithm,OLSA)选取中心矢量,该预估器与带动量的BP网络(Back propagation neural network,BPNN)预估器相比较表明,能够在加快网络学习速度的前提下,保证精度,缩小网络规模,提高网络分类能力.试验结果表明,采用q＜1分数槽绕组PMLSM能够有效地减小齿槽力的影响.预估器的建立,能够在设计阶段对PMLSM齿槽结构参数进行有效地预估,使得电动机在满足推力波动指标条件下,实现快速敏捷设计,提高PMLSM的整体设计水平.