省部共建电工装备可靠性与智能化国家重点实验室（河北工业大学）的研究人员金亮、闫银刚、杨庆新、刘素贞、张闯，在2023年第18期【电工技术学报】上撰文，建立了一种深度迁移学习性能预测方法，用于小样本条件下永磁同步电机的性能预测与分析，通过结构差异程度不同的Prius电机验证了所提方法的有效性。
研究背景
永磁同步电机（Permanent Magnet Synchronous Motor, PMSM）是一种典型的高效节能电机，被广泛应用于电动汽车、航空航天、工业生产等领域。代理模型可替代以有限元为代表的数值模拟参与到电机优化设计中，能够提高性能分析优化的计算效率并减少资源消耗，是性能分析与优化的基础和重点，受到国内外专家学者的广泛关注。
论文所解决的问题及意义
使用深度学习算法建立代理模型可实现电工装备性能的快速预测与分析，但其训练过程需大量样本。而现代电工装备的标签样本稀缺，导致模型预测精度低，制约了算法的工程应用。本文建立了一种深度迁移学习方法，实现小样本条件下永磁同步电机的准确预测。
论文方法及创新点
考虑到历史任务中积累的标签样本充足，且此类样本与目标任务的样本间存在相关的知识信息，建立了一种深度迁移学习性能预测方法，将历史电机样本中积累的性能预测知识迁移应用于目标电机性能分析中。基于深度迁移学习的电机性能预测思路框架，如图1所示。
图1 基于深度迁移学习的电机性能预测思路框架
建立的深度迁移学习模型，如图2所示。首先使用目标域无标签样本对深度置信网络（DBN）进行逐层无监督训练，然后借助源域有标签样本建立参数共享的预训练网络，最后通过少量目标域有标签样本进行适配层训练和全网络微调的方法实现模型迁移。
图2 深度迁移学习模型
结论
在丰田Prius2004、Prius2010及Prius2017款混动汽车驱动用永磁同步电机上进行了案例验证，其中对于相似电机输出功率、转矩脉动的预测效果如图3（a）和（b）所示，对于差异电机输出功率、转矩脉动的预测效果如图3（c）和（d）所示。
图3 电机性能数据预测效果
在目标域标签样本占比不同时，将本文方法与传统算法进行预测效果对比。所提方法和传统算法达到相仿精度时，可减少使用约 35%～55% 的目标域标签样本量。
通过结构差异程度不同的Prius电机进行案例验证，结果表明，所提方法能够在满足预测精度的情况下，使用更少的标签样本完成目标电机的性能预测任务，为现代电工装备的性能分析与优化提供了新的思路和实践方法。
团队介绍
金亮， 1982年生，河北工业大学教授，博士生导师，研究方向为电磁场数值模拟与智能计算、故障诊断等方面。现任河北省电磁场与可靠性重点实验室副主任。兼任电磁发射技术专业委员会委员、天津市机械工程学会数字孪生分会委员等。
闫银刚， 1997年生，河北工业大学电气工程专业硕士研究生，研究方向为工程电磁场与磁技术及应用。
本工作成果发表在2023年第18期【电工技术学报】，论文标题为「小样本条件下永磁同步电机深度迁移学习性能预测方法」。本课题得到国家自然科学基金面上项目、国家自然科学基金重大研究计划项目和中央引导地方科技发展专项自由探索项目的支持。
