登录    注册    忘记密码

期刊文章详细信息

基于麻雀搜索与遗传算法的J-A磁滞模型参数辨识方法  ( EI收录)  

Parameter Identification Method for J-A Hysteresis Model Based on the Sparrow Search and Genetic Algorithm

  

文献类型:期刊文章

作  者:李丹丹[1] 吴宇翔[1] 朱聪聪[1] 李仲康[1]

LI Dandan;WU Yuxiang;ZHU Congcong;LI Zhongkang(School of Building Environment Engineering,Zhengzhou University of Light Industry,Zhengzhou 450001,China)

机构地区:[1]郑州轻工业大学建筑环境工程学院,郑州450001

出  处:《高电压技术》

基  金:国家自然科学基金(51607157);河南省高等学校重点科研项目计划(22A470014)。

年  份:2022

卷  号:48

期  号:10

起止页码:4181-4188

语  种:中文

收录情况:AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘  要:Jlies-Atherton(J-A)磁滞模型具有参数较少、物理意义清晰等优点,在电磁材料磁特性模拟研究中被广泛应用。针对当前J-A模型参数辨识所使用的混合优化算法存在的精度低、耗时久等问题,提出了一种基于遗传算法(genetic algorithm,GA)和麻雀搜索算法(sparrow search algorithm,SSA)的混合优化算法,以实现对J-A磁滞模型参数的快速、精确辨识。在算法初期,采用Tent混沌映射提高GA的全局搜索精度,使其快速收敛至J-A磁滞模型参数的全局最优值所在区间;在满足切换准则后,将GA的当前解赋值给SSA;在算法后期,融合反向学习和高斯变异增强SSA的局部搜索能力,使其快速收敛于模型参数的全局最优值,从而得到一种适用于J-A磁滞模型参数精确辨识的混合优化算法。仿真分析和实验验证结果表明:与GA、SSA及现有的两种混合优化算法相比,该算法在辨识模型参数时收敛速度更快、辨识精度更高,且基于该算法所辨识参数生成的模拟磁滞曲线与实测磁滞曲线吻合较好,验证了该算法的实用性和有效性。

关 键 词:J-A磁滞模型  遗传算法 麻雀搜索算法  参数辨识方法 混合优化算法 磁滞特性模拟  

分 类 号:TM271[材料类] TP18]

参考文献:

正在载入数据...

二级参考文献:

正在载入数据...

耦合文献:

正在载入数据...

引证文献:

正在载入数据...

二级引证文献:

正在载入数据...

同被引文献:

正在载入数据...

版权所有©重庆科技学院 重庆维普资讯有限公司 渝B2-20050021-7
 渝公网安备 50019002500408号 违法和不良信息举报中心