省部共建電工裝備可靠性與智能化國家重點實驗室（河北工業大學）的研究人員金亮、閆銀剛、楊慶新、劉素貞、張闖，在2023年第18期【電工技術學報】上撰文，建立了一種深度遷移學習效能預測方法，用於小樣本條件下永磁同步電機的效能預測與分析，透過結構差異程度不同的Prius電機驗證了所提方法的有效性。
研究背景
永磁同步電機（Permanent Magnet Synchronous Motor, PMSM）是一種典型的高效節能電機，被廣泛套用於電動汽車、航空航天、工業生產等領域。代理模型可替代以有限元為代表的數值模擬參與到電機最佳化設計中，能夠提高效能分析最佳化的計算效率並減少資源消耗，是效能分析與最佳化的基礎和重點，受到國內外專家學者的廣泛關註。
論文所解決的問題及意義
使用深度學習演算法建立代理模型可實作電工裝備效能的快速預測與分析，但其訓練過程需大量樣本。而現代電工裝備的標簽樣本稀缺，導致模型預測精度低，制約了演算法的工程套用。本文建立了一種深度遷移學習方法，實作小樣本條件下永磁同步電機的準確預測。
論文方法及創新點
考慮到歷史任務中積累的標簽樣本充足，且此類樣本與目標任務的樣本間存在相關的知識資訊，建立了一種深度遷移學習效能預測方法，將歷史電機樣本中積累的效能預測知識遷移套用於目標電機效能分析中。基於深度遷移學習的電機效能預測思路框架，如圖1所示。
圖1 基於深度遷移學習的電機效能預測思路框架
建立的深度遷移學習模型，如圖2所示。首先使用目標域無標簽樣本對深度置信網絡（DBN）進行逐層無監督訓練，然後借助源域有標簽樣本建立參數共享的預訓練網絡，最後透過少量目標域有標簽樣本進行適配層訓練和全網絡微調的方法實作模型遷移。
圖2 深度遷移學習模型
結論
在豐田Prius2004、Prius2010及Prius2017款混動汽車驅動用永磁同步電機上進行了案例驗證，其中對於相似電機輸出功率、轉矩脈動的預測效果如圖3（a）和（b）所示，對於差異電機輸出功率、轉矩脈動的預測效果如圖3（c）和（d）所示。
圖3 電機效能數據預測效果
在目標域標簽樣本占比不同時，將本文方法與傳統演算法進行預測效果對比。所提方法和傳統演算法達到相仿精度時，可減少使用約 35%～55% 的目標域標簽樣本量。
透過結構差異程度不同的Prius電機進行案例驗證，結果表明，所提方法能夠在滿足預測精度的情況下，使用更少的標簽樣本完成目標電機的效能預測任務，為現代電工裝備的效能分析與最佳化提供了新的思路和實踐方法。
團隊介紹
金亮， 1982年生，河北工業大學教授，博士生導師，研究方向為電磁場數值模擬與智能計算、故障診斷等方面。現任河北省電磁場與可靠性重點實驗室副主任。兼任電磁發射技術專業委員會委員、天津市機械工程學會數碼孿生分會委員等。
閆銀剛， 1997年生，河北工業大學電氣工程專業碩士研究生，研究方向為工程電磁場與磁技術及套用。
本工作成果發表在2023年第18期【電工技術學報】，論文標題為「小樣本條件下永磁同步電機深度遷移學習效能預測方法」。本課題得到國家自然科學基金面上專案、國家自然科學基金重大研究計劃專案和中央引導地方科技發展專項自由探索專案的支持。
