Využití strojového učení pro modelování a optimalizaci elektrických strojů

Abstract

Tato disertační práce představuje metodologii strojového učení pro rychlé a přesné modelování a mutli-objektivní optimalizaci elektrických strojů. Dosavadní způsoby výpočtu se opírají buď o analytické rovnice s omezenou přesností, nebo o výpočty metodou konečných prvků, které jsou časově i výpočetně náročné, zejména pokud jsou spojeny s evolučními optimalizačními algoritmy vyžadujícími vyhodnocení až tisíců vzorků. K řešení tohoto problému je použita metoda náhradního modelování, kde jako její základ byla zvolena regrese gaussovských procesů. Regrese gaussovských procesů je spárován s Bayesovskou optimalizací, pro minimalizaci počtu časově náročných simulací při zachování přesnosti predikce. Metodologie zavádí několik vylepšení a inovací. Zaprvé automaticky vybírá jádra GPR pro smíšené (kontinuální a kategorické) vstupy typické pro návrhy strojů. Zadruhé křížová validace filtruje odlehlé body a omezuje overfitting modelu, zatímco adaptivní analýza učební křivky určuje potřebné množství trénovacích dat pro spolehlivé predikce. Zatřetí MaxMin algoritmus prosazuje při generování prvotních dat, takové návrhy, které jsou vyrobitelné. Nakonec jsou tři metodologie založené na Bayesovské optimalizaci vybaveny vlastními kritérii ukončení a kontrolami vyrobitelnosti návrhu stroje, které řídí efektivní konvergenci optimalizačního algoritmu. Strategie modelování je ověřena na dvou praktických případech: predikci dodatečných naprázdno ztrát v distribučních transformátorech a přídavných harmonických ztrát v asynchronních strojích způsobené pulzně šírkovou modulací. V obou případech náhradní modely předčí používané analytické metody a výrazně zkracují výpočetní čas. Dále byla porovnána přesnost regresních modelů gaussovského procesu s různými jádry a jinými technikami strojového učení a bylo prokázáno, že stále vykazují lepší přesnost. Optimalizační metodologie jsou demonstrována na třífázovém asynchronním motoru s klecovou klecí a na třífázovém synchronním stroji s uložením permanentních magnetů v rotoru. Pro asynchronní motor dosahují všechny tři varianty Bayesovské optimalizace požadovaného zmenšení rozměrů a úspor nákladů s mnohem menším počtem simulací v porovnání s genetickými algoritmy. U synchronního motoru se Bayesovská optimalizace výkonnostně přibližuje diferencialně-evolučnímu algoritmu, a přitom vyžaduje podstatně méně vyhodnocení. Celkově navržené metody strojového učení snižují celkový počet vyhodnocení návrhů a zkracují dobu optimalizace, aniž by výrazně utrpěla kvalita výsledného návrhu. Představená metodologie je snadno rozšiřitelná na další elektrické stroje či vícefyzikální konstrukční úlohy a může přispět k rozvoji poznání a nových směrů v oblasti návrhu elektrických strojů.This doctoral thesis presents a machine learning methodology for fast, accurate modeling and multi-objective optimization of electrical machines. Conventional approaches rely either on analytical equations with limited fidelity or on finite-element analyses that are computationally expensive, especially when combined with evolutionary optimization algorithms that require thousands of evaluations. To bridge this gap, Gaussian Process Regression is adopted as a surrogate model and paired with Bayesian Optimization to minimize the number of costly simulations while preserving prediction accuracy. The methodology introduces several modifications and improvements. First, it automatically selects mixed-input Gaussian Process Regression kernels suitable for the continuous and categorical variables typical of machine designs. Second, a cross-validation procedure filters outliers to curb overfitting, while an adaptive learning-curve analysis identifies the amount of training data needed for reliable predictions. Third, a MaxMin sampling routine enforces manufacturability constraints when generating candidates. Finally, three Bayesian Optimization-based workflows are equipped with custom stopping criteria and feasibility checks to guide efficient convergence. The modeling strategy is validated on two practical examples: predicting additional no-load losses in power transformers and pulse-width modulation induced harmonic losses in induction machines. In both cases, the surrogate models surpass established analytical formulas and substantially reduce computation time. Furthermore, the accuracy of Gaussian process regression models, with different kernels, was compared with other machine learning techniques and was shown to still exhibit better accuracy. The optimization workflows are demonstrated on a three-phase squirrel-cage induction motor and a spoke-type permanent-magnet synchronous motor. For the induction motor, all three Bayesian Optimization variants achieve the targeted size reduction and cost savings with far fewer simulations than genetic algorithms. For the synchronous motor, Bayesian Optimization performs similarly to a differential-evolution optimization algorithm while requiring considerably fewer evaluations. Overall, the proposed machine learning methods reduces the total number of design evaluations and shorten optimization time without compromising design quality too much. The presented methodology is readily extendable to other electrical machines or multi-physics design problems and could contribute to the development of knowledge and new directions in the design of electrical machines.