面向电动机的物理信息贝叶斯优化方法
信号处理
2025-03-04 v1 人工智能
机器学习
系统与控制
系统与控制
最优化与控制
摘要
高性能电动机的开发离不开先进的插槽和绕组设计。因此，提高插槽填充系数 (SFF) 的设计方法备受关注。近期制造工艺进展，如增材制造和替代材料，也凸显了开发高性能复杂几何与拓扑结构的新型高保真设计技术的需求。本研究因此引入一种新型物理信息机器学习 (PIML) 设计优化流程，用于提高电动车用牵引电机的 SFF。采用最大熵抽样算法 (MESA) 对物理信息贝叶斯优化 (PIBO) 算法进行种子初始化，其中目标函数及其近似由高斯过程 (GP) 提供。所提出的 PIBO-MESA 与 2D 有限元模型 (FEM) 耦合，实现 GP 基于的代理模型，首次演示了复杂设计变量的最优组合。该方法实现了显著的计算效率提升，相较于现有随机方法（如非支配排序遗传算法 II (NSGA-II)）快 45%。FEM 结果表明，新设计优化流程及其关键点状导线 lead to 更高的 SFF（提升 20%）和电磁学改进（最大扭矩提升 12%），且电阻率基本不变。新开发的 PIBO-MESA 设计优化流程为高性能电动机的设计提供了显著优势，显著缩短开发时间和成本。
引用
@article{arxiv.2503.00420,
title = {A physics-informed Bayesian optimization method for rapid development of electrical machines},
author = {Pedram Asef and Christopher Vagg},
journal= {arXiv preprint arXiv:2503.00420},
year = {2025}
}