.png){kind=icon}
返回
Machine Learning-Driven Framework for Optimal Split Ratio Determination in PMSM Design
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2025.3615729.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分裂数，即转子直径与定子直径之比，在确定永磁（PM）电机性能方面发挥着关键作用。本研究提出了一种基于机器学习的框架，从成本效益角度优化分裂数。通过元启发式优化算法生成的广泛数据集，采用回归技术进行分析，以阐明分裂数与关键电机设计变量之间的复杂关系。基于此分析，推导出一种新颖的对数公式，能够以惊人的精度捕捉这些相互依赖关系，并在先前未见的设计场景中提供预测的稳健性。所提出的框架实现了两大主要进步：1）能够在主要六种极/槽族系中实现快速且准确的最优分裂数计算，而无需大量迭代仿真；2）建立了一种可扩展的数据驱动方法论，适用于更广泛的电机设计优化任务。通过有限元分析（FEA）和实验验证，严格验证了所提出方法的有效性和有效性。
Keyword:
Cost-effective
feature selection
logarithmic regression
machine learning
optimization
permanent magnet (PM) motor
regression model
split ratio
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
