基于深度学习的电机关键性能指标预测

电机的设计可以通过关键性能指标（KPIs），如最大转矩、临界场强、有效部件成本、声功率等来量化和评估。通常，跨领域工具链被用于通过在尽可能大的设计空间中改变给定输入参数来优化来自不同领域的所有 KPI（多目标优化）。该优化过程涉及磁静有限元仿真以获得这些决定性的 KPI。这使得整个过程成为一项极其耗时的计算任务，依赖于资源的可用性并涉及高计算成本。在本文中，采用一种数据辅助的、基于深度学习的元模型来快速且高精度地预测电机的 KPI，以加速整个优化过程并降低其计算成本。重点在于分析作为机器几何表示的各种形式的输入数据。即，这些是电机的横截面图像（允许对涉及不同拓扑的几何进行非常通用的描述）以及带有几何标量参数化的经典方式。详细研究了图像分辨率的影响。结果表明了高预测精度，并证明了基于深度学习的元模型在最小化优化时间方面的有效性。结果还表明，基于图像的方法的预测质量可以做到与基于标量参数的经典方式相当。