Pareto Set Narrowing Based on Preference Sampling and Pairs of Criteria Processing for Turbogenerator Design Optimization

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The paper considers an approach to narrowing the Pareto set, which, in the authors’ opinion, is aimed at solving engineering problems related to the design of complex devices. The authors believe that this approach has a number of advantages over using fuzzy logic to narrow the Pareto set. For the effective use of the latter, it is necessary to develop a set of rules, the success of which will determine the degree of compression of the set. For different devices, the sets of these rules are also different, and the complex problem of narrowing the Pareto set is reduced to another (in our opinion, less complex) problem of developing the best rules. The approach considered in this paper, related to the analysis of pairs of criteria, does not require additional rules, seems to us less labor-intensive and meets the goal of the work – obtaining a high-quality design solution in minimal time.

About the authors

N. V. Korovkin

FGAOU VO “SPbPU”

Author for correspondence.
Email: nikolay.korovkin@gmail.com
Russian Federation, Saint Petersburg

V. I. Bekuzin

JSC “Power Machines”

Email: Bekuzin_VI@power-m.ru
Russian Federation, Saint Petersburg

V. N. Zheleznyak

JSC “Power Machines”

Email: Zheleznyak_VN@power-m.ru
Russian Federation, Saint Petersburg

References

  1. Bramerdorfer G., Tapia J.A., Pyrhönen J.J., Cavagnino A. Modern Electrical Machine Design Optimization: Techniques, Trends, and Best Practices. – IEEE Transactions on Industrial Electronics. 2018. Vol. 65, No. 10. P. 7672–7684. doi: 10.1109/TIE.2018.2801805.
  2. Duan Y., Harley R.G. A Novel Method for Multiobjective Design and Optimization of Three Phase Induction Machines. – IEEE Transactions on Industry Applications. 2011. Vol. 47, No. 4. P. 1707–1715. doi: 10.1109/TIA.2011.2156372.
  3. Zheleznyak V.N., Burmistrov A.A., Korovkin N.V. Short-Circuit Turbine Generator Package: Functional and Operational Features. – 24th International Conference of Young Professionals in Electron Devices and Materials (EDM), EDM-2023. P. 990–994.
  4. Копылов И.П. Проектирование электрических машин. М., Юрайт, 2011, 775 с.
  5. Лютер Р.А. Расчет синхронных машин. Л., Энергия, Ленингр. отд-ние, 1979, 272 с.
  6. Теоретические основы электротехники: В 3-х т. Учебник для вузов. Том 1. – 4-е изд. / К. С. Демирчян, Л. Р. Нейман, Н. В. Коровкин, В. Л. Чечурин. – СПб.: Питер, 2003. – 463 с.: ил.
  7. Zhang L. An Efficient Modeling of Air Gap and Nonlinear Analysis of Magnetic Equivalent Circuit for Large Turbogenerators Under No-Load Condition. – IEEE Transactions on Magnetics. 2022. Vol. 58, No. 2. C. 1–8. Art no. 8202108. doi: 10.1109/TMAG.2021.3125141.
  8. Kwon M.-S., Lim D.-K. A Study on the Optimal Design of PMa-SynRM for Electric Vehicles Combining Random Forest and Genetic Algorithm. – IEEE Access. 2023. Vol. 11. P. 52357–52369. doi: 10.1109/ACCESS.2023.3279126.
  9. Zheleznyak V.N., Korovkin N.V. Analysis of Operating Conditions of Short-Circuit Turbogenerators. – 2023 Seminar on Industrial Electronic Devices and Systems (IEDS), Saint Petersburg, Russian Federation, 2023. С. 275–278.
  10. Бутырин П.А., Алпатов М.Е. Цифровизация и аналитика в электротехнике. Электричество, 2021. № 10. С. 4–10.
  11. Иерархическое моделирование систем энергетики / под ред. Н.И. Воропая, В.А. Стенникова. Новосибирск: Академическое изд-во “Гео”, 2020, 314 с.
  12. Lee D., Kim J.-W., Lee C.-G., Jung S.-Y. Variable Mesh Adaptive Direct Search Algorithm Applied for Optimal Design of Electric Machines Based on FEA. – IEEE Transactions on Magnetics. 2011. Vol. 47, No. 10. P. 3232–3235. doi: 10.1109/TMAG.2011.2152380.
  13. Stefek A. Benchmarking of heuristic optimization methods. – 14th International Conference on Mechatronics. MECHATRONIKA 2011. 2011. P. 68–71.
  14. Bettinger P., Boston K., Sessions J. Simulated annealing. Encyclopedia of Ecology (Editors: S.E. Jorgensen, B.D. Fath). Elsevier, Oxford, UK. 2008. P. 3255–3261. doi: 10.1016/B978-008045405-4.00167-1.
  15. Qiao D., Sun E. Research on parallel machine scheduling based on genetic neighborhood hybrid algorithm – 2019 2nd international conference on information systems and computer aided education (ICISCAE). 2019. P. 324–327.
  16. Wolpert D.H., Macready W.G. Coevolutionary Free Lunches – IEEE Transactions on Evolutionary Computation. 2005. Vol. 9, No. 6. P. 721–735. doi: 10.1109/TEVC.2005.856205.
  17. Климова О.Н. Сужение множества Парето на основе взаимозависимой информации с использованием нелинейных функций. – Экономика. Информатика. 2009. № 9 (64). С. 152–159.
  18. Ногин В.Д., Климова О.Н. Учет взаимозависимой информации об относительной важности критериев в процессе принятия решений. – ЖВМиМФ. 2006. Т. 46, № 12. С. 2178–2190.
  19. Ногин В.Д. Алгоритм сужения множества Парето на основе произвольного конечного набора “квантов” информации. – Искусственный интеллект и принятие решений, 2013. № 1. С. 63–69.
  20. Shu T., Shang K., Gong C., Nan Y., Ishibuchi H. Learning Pareto Set for Multi-Objective Continuous Robot Control [Электронный ресурс]. URL: https://www.researchgate.net/publication/381770365_Learning_Pareto_Set_for_Multi-Objective_Continuous_Robot_Control (дата обращения 25.09.2024).
  21. Yan J., Zhang T., Ma L., Pu W., Liu H. Deployment Optimization for Integrated Search and Tracking Tasks in Netted Radar System Based on Pareto Theory. – IEEE Transactions on Aerospace and Electronic Systems. 2024. Vol. 60, No. 3. C. 3664–3672. doi: 10.1109/TAES.2024.3367662.
  22. Wang J., Zhang L., Zhang H., Peng F., El-Meligy M.A., Sharaf M., Fu Q. Multi-Objective Optimization Algorithm for Grouping Decision Variables Based on Extreme Point Pareto Frontier Computers. – Materials & Continua. 2024. Vol. 79, No. 1. C. 1281–1299. doi: 10.32604/cmc.2024.048495.
  23. Богданова А.В., Ногин В.Д. Сужение множества Парето на основе простейших наборов нечеткой информации об относительной важности критериев. – Вестник СПбГУ. Серия 10. Прикладная математика. Информатика. Процессы управления. 2007. № 2. С. 3–17.
  24. Захаров А.О. Сужение множества Парето на основе замкнутой информации о нечетком отношении предпочтения лица, принимающего решение – Вестник СПбГУ. Серия 10. Прикладная математика. Информатика. Процессы управления. 2012. № 3. С. 33–47.
  25. Захаров А.О. Сужение множества Парето на основе замкнутой информации об отношении предпочтения ЛПР. – Вестник СПбГУ. Серия 10. Прикладная математика. Информатика. Процессы управления. 2009. № 4. С. 69–83.
  26. Железняк В.Н., Коровкин Н.В. Повышение мощности ударных генераторов для обеспечения эксплуатационных режимов. – Электричество. 2022. № 11. С. 46–55.
  27. Антонюк О.В., Арсеньев И.А., Кади-Оглы И.А., Сидельников А.В., Сидельников Б.В. Методика проектирования турбогенераторов с продольно-поперечным возбуждением, основанная на использовании магнитных схем замещения. – Электричество. 2013. № 7. С. 36–40.
  28. Arjona M.A. Parameter calculation of a turbogenerator during an open-circuit transient excitation. – IEEE Transactions on Energy Conversion. 2004. Vol. 19, No. 1. C. 46–52. doi: 10.1109/TEC.2003.821838.
  29. Савченко Е.В. Ток в демпферном контуре турбогенератора в режиме ударного возбуждения. – Электричество. 2017. № 12. С. 18–25.

Supplementary files

Supplementary Files
Action
1. JATS XML
2. Fig. 1. Conditions for pairwise grouping of objective functions into groups A and B using the example of four objective functions.

Download (99KB)
3. Fig. 2. The main pair of objective functions.

Download (121KB)
4. Fig. 3. A pair of objective functions.

Download (107KB)
5. Fig. 4. A pair of objective functions.

Download (112KB)
6. Fig. 5. A pair of objective functions.

Download (130KB)
7. Fig. 6. A pair of objective functions.

Download (130KB)
8. Fig. 7. A pair of objective functions.

Download (146KB)
9. Figure 8. A pair of objective functions.

Download (130KB)
10. Fig. 9. A pair of objective functions.

Download (157KB)
11. Figure 10. A pair of objective functions.

Download (114KB)

Copyright (c) 2025 Российская академия наук

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».