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

국문 초록 (Abstract)

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.

다국어 초록 (Multilingual Abstract)

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.

목차 (Table of Contents)

• 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