基于神经网络的高效计算多目标优化方法在永磁同步电机设计中的应用研究

研究人员针对永磁同步电机(IPMSM)优化设计中计算复杂度高的问题，提出了一种基于人工神经网络(ANN)的元模型方法。通过将ANN与有限元法(FEM)相结合，在保证精度的同时将计算时间缩短了近20倍，并实现了16.5%的功率质量比提升。该研究为电机优化设计提供了高效可靠的新方法。

　　

在现代工业应用中，永磁同步电机(IPMSM)因其高功率密度和效率优势，已成为电动汽车和电动工具等领域的核心部件。然而，传统的基于有限元法(FEM)的多目标优化(MOO)方法面临着计算复杂度高、耗时长的瓶颈问题。如何在保证优化精度的同时提高计算效率，成为电机设计领域亟待解决的关键问题。

针对这一挑战，研究人员开展了一项创新性研究，提出将人工神经网络(ANN)作为元模型集成到优化流程中。通过建立ANN模型来替代部分FEM计算，显著降低了优化过程中的计算负担。研究采用了计算高效有限元法(CE-FEM)来生成训练数据，并结合径向基函数(RBF)插值方法来构建非线性映射关系。

关键技术方法包括：1) 采用CE-FEM模型减少转子位置评估点数；2) 利用RBF插值构建转矩和磁通量的非线性映射；3) 开发多输入单输出(MISO)ANN模型预测关键性能指标；4) 应用拉丁超立方采样(LHS)生成训练数据集；5) 采用多目标遗传算法进行优化求解。

研究结果显示，ANN元模型方法在保持与直接FEM优化相当精度的前提下，将计算时间缩短了近20倍。通过优化电机几何参数，包括定子内径、磁钢截面等8个关键变量，实现了功率质量比提升16.5%的显著效果。

在模型验证方面，研究对比了ANN与克里金(Kriging)模型的性能，证明ANN在预测精度和计算效率方面都具有优势。特别值得注意的是，训练好的ANN模型可以重复用于不同优化场景，进一步提高了方法的实用性。

这项研究的创新之处在于成功将机器学习技术与传统电磁设计方法相结合，为解决复杂机电系统优化中的计算瓶颈问题提供了新思路。研究结果不仅适用于IPMSM设计，其方法框架也可推广到其他电气设备的优化设计中，具有重要的工程应用价值。论文发表在《Engineering Applications of Artificial Intelligence》期刊上，为智能算法在机电设计领域的应用树立了典范。