KS-Net：基于IPMSM参数确定电动机转子类型的多层网络模型
机器人学
2025-10-20 v1
摘要
电动驱动系统对高效率和精确控制的需求，导致Interior Permanent Magnet Synchronous Motors（IPMSMs）的广泛采用。IPMSM的性能显著受到转子几何形状的影响。传统方法使用有限元法（FEM）进行转子形状分析，计算成本高昂。本研究旨在通过基于机器学习的方法利用电磁参数对IPMSM的转子形状（二维型、V型、Nabla型）进行分类，以此作为传统方法的替代方案。在此背景下，由作者开发的自定义深度学习模型KS-Net与Cubic SVM、Quadratic SVM、Fine KNN、Cosine KNN和Fine Tree等经典方法进行比较评估。平衡数据集包含9000个样本，采用10折交叉验证进行测试，评估指标包括准确率、精确率、召回率和F1分数。结果表明，Cubic SVM和Quadratic SVM算法 flawless 地对所有样本进行了分类，实现了100%的准确率，而KS-Net模型仅有两个误分类，达到了99.98%的准确率，显示出与经典方法的竞争力。这一研究表明，IPMSM的转子形状可通过数据驱动的方法实现高精度预测，为加快电机设计流程、开发自动化转子识别系统以及在工程应用中实现数据驱动的故障诊断提供了坚实的基础。
引用
@article{arxiv.2510.15686,
title = {Few-Shot Demonstration-Driven Task Coordination and Trajectory Execution for Multi-Robot Systems},
author = {Taehyeon Kim and Vishnunandan L. N. Venkatesh and Byung-Cheol Min},
journal= {arXiv preprint arXiv:2510.15686},
year = {2025}
}