Electromagnetic Optimization of Electric Machines Using Machine Learning Metamodeling

In der Phase der Designoptimierung von elektrischen Maschinen wird datengetriebenes Metamodellieren weit verbreitet eingesetzt, um wichtige Leistungsindikatoren (KPIs) wie Leistung, Drehmoment und Drehmomentwelligkeit vorherzusagen. Es kann rechenintensive Simulationen durch die Erstellung von Metamodellen mit geringeren Rechenkosten ersetzen. Dennoch stehen datengetriebene Methoden vor Herausforderungen, darunter hohe Komplexität bei großer Eingabedimension, zeitaufwändige Datensammlung und reduzierte Vorhersagezuverlässigkeit bei begrenzten Daten. In dieser Dissertation werden erstmals mehrere auf maschinellem Lernen basierende Ansätze und Optimierungsstrategien vorgeschlagen, um die aktuellen Hindernisse zu überwinden.
... mehr

Zunächst wird ein deterministisches neuronales Netzwerk auf Basis von Transferlernen vorgeschlagen, um das Problem der Reparametrisierung zu lösen, das bei der parametrischen Modelltraining auftritt. Dieser Ansatz umgeht die Erfordernis, das Modell von Grund auf neu zu trainieren, und erzielt simultan eine gesteigerte Vorhersagegenauigkeit, indem die vortrainierten Gewichte aus dem ursprünglichen Netzwerk dynamisch übertragen werden.

Zweitens wird eine neuartige, auf Unsicherheitsquantifizierung basierende Optimierungsmethode unter Verwendung probabilistischer Metamodellierung vorgestellt. Diese Methode ermöglicht es den Anwendern, optimale Design-KPIs präzise vorherzusagen, indem sie zusätzliche Unsicherheitsinformationen berücksichtigt. Darüber hinaus bildet sie die Grundlage für die probabilistische Vorhersage von KPIs mittels Metamodellierung und die unsicherheitsbasierte Optimierung im Bereich elektrischer Maschinen.

Zur Lösung des Problems des zeitaufwändigen Samplings werden in dieser Dissertation zwei neuartige, auf Unsicherheit basierende, dateneffiziente Lernansätze präsentiert. Zunächst wird ein Rahmenwerk für das Selbsttraining vorgestellt, das die kontinuierliche Generierung von Daten mit Pseudobeschriftungen ermöglicht, um den Datensatz zu erweitern und somit das Modelltraining zu optimieren. Im Anschluss werden verschiedene Optimierungsstrategien auf Basis des aktiven Lernens entwickelt. Diese Strategien können unter Bedingungen mit kleinen Daten iterativ wichtige Daten zum ursprünglichen Datensatz hinzufügen und dadurch die Vorhersageleistung des Modells steigern.

In the design optimization stage of electric machines, data-driven metamodeling has been widely used to predict key performance indicators (KPIs) such as power, torque, and torque ripple. It can replace computationally expensive simulations by creating metamodels with lower computational costs. However, data-driven methods still face challenges, including high complexity in the case of large input dimension, time-consuming data collection, and reduced prediction reliability with limited data. In this dissertation, multiple machine learning-based approaches and optimization strategies have been proposed for the first time to overcome the current obstacles.
... mehr

First, a deterministic neural network based on transfer learning is proposed to overcome the reparameterization issue inherent in parameter-based model training. It circumvents the necessity of retraining the model from scratch while achieving higher prediction accuracy by dynamically transferring the pretrained weights from the original network.

Second, a novel uncertainty quantification-based optimization method using probabilistic metamodeling is presented. This method allows users to balance optimal design KPIs with predictive accuracy using additional uncertainty information. It also lays the groundwork for probabilistic metamodeling-based prediction of KPIs and uncertainty-based optimization in the field of electric machines.

Finally, to overcome the issue of time-consuming sampling, two novel uncertainty-based data-efficient learning approaches are introduced. Initially, a self-training framework is introduced. It enables continuous data generation with pseudo labels to extend the dataset, thereby enhancing model training. Subsequently, several active learning-based optimization strategies are designed. They can iteratively add key data to the original dataset under small-sample conditions, thereby boosting the model's prediction performance.