摘要
铁基非晶和纳米晶合金是高性能电动汽车（EV）电机及其他电磁装置中极具吸引力的候选磁芯材料，因为其低磁芯损耗、高饱和磁通密度和高电阻率能够支持高效率、高功率密度的电磁设计。然而，其应用需要在电气机器及其他电磁装置中存在的复杂激励下进行可靠的损耗预测，包括宽频变化、非正弦波形、温度变化、局部矢量或旋转磁化以及其他耦合运行效应。经典方法，包括斯坦梅茨方程系列、贝托蒂型损耗分离、贾尔斯 - 阿瑟顿模型和有限元方法，仍然很重要，但并未提供对这些耦合效应的统一处理。数据驱动模型改进了非线性预测，但受限于特定材料数据集的稀缺和较差的物理可解释性。物理信息神经网络（PINNs）可以将支配磁损的关系嵌入为训练约束，而柯尔莫哥洛夫 - 阿诺尔德网络（KANs）为可解释的符号回归提供了潜力。本综述从电动汽车电机和电磁装置设计的角度比较了这些建模代际，指出了磁性材料相关数据集和多维磁化建模中的主要差距，并讨论了物理信息 KAN 作为提议的方向，在应用于磁芯损耗预测和设计优化之前需要特定材料的验证。
