《Electronics》：A Novel ANN Model for Performance Parameter Determination of Brushless Direct-Current Motors for Light Electric Vehicles
编辑推荐：
轻型电动汽车（LEV）的日益普及提高了对高效高性能电力驱动系统的需求。外转子配置的无刷直流电机（BLDCM）因其高转矩密度、紧凑结构和低维护要求，成为L7e级LEV的主要驱动解决方案。然而，外转子BLDCM的电磁设计和性能分析涉及复杂的多参数计算和耗时的有限元
轻型电动汽车（LEV）的日益普及提高了对高效高性能电力驱动系统的需求。外转子配置的无刷直流电机（BLDCM）因其高转矩密度、紧凑结构和低维护要求，成为L7e级LEV的主要驱动解决方案。然而，外转子BLDCM的电磁设计和性能分析涉及复杂的多参数计算和耗时的有限元仿真（FEA）。据研究人员所知，此前尚无研究同时涉及基于人工神经网络（ANN）的替代模型对外转子BLDCM在多种槽极组合和供电电压水平下的多输出性能预测。本研究提出了这样一个模型，能够直接从设计输入预测六个额定性能参数（空载转速、额定转速、转矩、相电流、输入电流和输出功率），无需重复进行有限元分析。研究人员对三个外转子BLDCM进行了分析设计和仿真，这些电机用于在不同电压水平下运行的L7e级LEV，所得FEA数据集用于训练前馈反向传播ANN。该模型以关键几何和电气设计参数为输入，输出具有高精度的多输出性能预测。通过与物理制造电机的验证，确认预测准确率超过92%，证明了该模型在真实未见配置上的可靠性。所提出的模型将电磁分析时间从数小时缩短至数秒，为可持续交通应用中的BLDCM设计提供了一种实用且可扩展的AI辅助框架。
随着传统化石燃料储量枯竭和温室气体排放引发的环境问题日益严峻，全球交通领域正向高效低排放技术转型。内燃机车辆热效率仅25-38%，而电动汽车（EV）被视为战略方向。在欧洲法规框架下，L7e-A1级轻型电动汽车（LEV）因峰值功率≤15kW、空载质量<400kg，适用于城市通勤和微出行，其驱动系统首选外转子无刷直流电机（BLDCM），该拓扑具有高转矩密度、紧凑结构和低维护优势。然而，外转子BLDCM的电磁设计涉及多参数耦合计算，依赖有限元仿真（FEA），每次迭代耗时数小时，难以快速探索大设计空间。现有研究多针对单一拓扑、单电压水平，或仅预测单输出参数，且缺乏实验验证。本研究提出一种基于人工神经网络（ANN）的替代模型，旨在直接从设计输入预测外转子BLDCM的六个额定性能参数，大幅缩短设计周期，论文发表在《Electronics》。
研究人员为开展研究用到以下关键技术方法：（1）基于车辆动力学和RMxprt解析设计三个外转子BLDCM（Motor A/B/C），分别对应48V/72V/88V电池配置及不同槽极组合；（2）利用ANSYS Maxwell 2D FEA进行参数化仿真，生成10,000个数据点构成数据集，涵盖多种设计参数组合；（3）数据预处理包括异常值剔除（基于四分位距方法）和min-max归一化；（4）构建并训练前馈反向传播ANN，通过系统超参数搜索确定最优架构为10-8-8-6（输入层10个神经元，两个隐藏层各8个神经元，输出层6个神经元），采用Levenberg-Marquardt训练算法和TANSIG激活函数；（5）模型验证分三层次：3000个测试样本、物理制造样机（Motor D）实验测试、全新设计零样本预测。样本队列来源：三个解析设计的电机（Motor A/B/C）和一个物理制造电机（Motor D），均针对L7e级LEV。
**数据集生成与预处理**：通过参数化仿真生成10,000个仿真记录，覆盖三个设计电机在不同电压和槽极组合下的参数。经IQR异常值剔除和min-max归一化后，保留10,000条有效数据，划分为70%训练集（7000条）和30%测试集（3000条）。结论：数据集质量良好，分布均匀，为ANN训练提供了可靠基础。
**ANN模型架构与训练**：通过系统搜索（1-3个隐藏层，每层4/8/16/32个神经元）确定最优架构为10-8-8-6，使用Levenberg-Marquardt算法训练，TANSIG激活函数，早期停止防止过拟合。训练后整体相关系数R=0.98419，训练集R=0.98394，验证集R=0.98366，测试集R=0.98594。结论：模型具有高拟合精度，未出现过拟合。
**测试集预测结果**：在3000个测试样本中随机选取100个，分别对Motor A、Motor B、Motor C的预测值与FEA结果逐参数对比。图表显示，额定转速、转矩、相电流、输入电流和输出功率预测曲线与仿真曲线高度吻合，仅在参数突变区域（如Motor B的相电流尖峰、Motor C的转矩尖峰）出现局部偏差，最大误差集中在陡峭过渡区。结论：模型在平滑变化区域预测精度极高，在突变区域误差可控，整体预测性能稳定。
**物理电机验证**：将未参与训练集的物理制造电机（Motor D）输入ANN，输出预测值与实验台架测量值对比，六个参数的平均误差率最高为4.67%。结论：模型对真实物理电机具有高可靠性，预测准确率超过92%。
**全新设计零样本预测**：输入一个完全新设计的电机参数（未在数据集和训练中出现），ANN预测结果与ANSYS Maxwell独立仿真结果对比，最大偏差为8.73%。结论：模型具备对未见配置的零样本泛化能力，可在无需额外仿真或训练的情况下预测新设计。
本研究提出的ANN替代模型成功实现了外转子BLDCM性能参数的快速高精度预测，将电磁分析时间从数小时缩短至数秒。该模型在物理样机验证中最大误差4.67%，在全新设计零样本预测中最大偏差8.73%，整体相关系数R=0.98419，最小预测准确率96.14%。模型为L7e级LEV用BLDCM的初步设计阶段提供了高效替代重复FEA的AI辅助框架，显著缩短设计迭代周期。未来工作将扩展数据集以覆盖更多槽极组合和电压范围，融入热损耗和机械损耗参数，并集成到多目标优化框架中，同时针对更广泛的样机和工作条件进行实验验证。
