🤖 machine learning

Comparative Evaluation of Machine Learning and Deep Learning Models for Wound-Rotor Synchronous Motor Performance Prediction

Diese Studie präsentiert einen umfassenden Benchmark von acht Modellen des maschinellen und tiefen Lernens zur Vorhersage der Leistung von Schleifringläufer-Synchronmotoren und zeigt auf, dass auf neuronalen Netz basierende Architekturen, insbesondere der FT-Transformer, baumbasierte Modelle hinsichtlich Genauigkeit und Rechengeschwindigkeit signifikant übertreffen, während sie gleichzeitig ein robustes Multi-Seed-Reproduzierbarkeitsprotokoll und eine Pareto-Analyse der Kosten-Genauigkeits-Abwägungen bieten.

Ursprüngliche Autoren: Kıvanç Doğan, Ahmet Orhan

Veröffentlicht 2026-06-23✓ Author reviewed ⓘ

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Kıvanç Doğan, Ahmet Orhan

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, den perfekten Motor für ein neues Elektroauto zu entwerfen. In der Vergangenheit verließen sich Ingenieure auf seltene, teure Metalle (wie sie in Magneten vorkommen), um diese Motoren leistungsstark zu machen. Da diese Metalle jedoch schwer zu beschaffen sind und politische Probleme verursachen können, stellen Ingenieure nun auf einen anderen Motortyp um, den sogenannten Wickelrotor-Synchronmotor (WRSM). Betrachten Sie diesen neuen Motor als einen „intelligenten“ Antrieb, der keine dieser seltenen Metalle benötigt, aber wesentlich schwieriger zu konstruieren ist.

Das Problem: Der Flaschenhals der „langsamen Mathematik“

Das Entwerfen dieses neuen Motors ist wie der Versuch, das perfekte Rezept zu finden, indem man jede mögliche Kombination von Zutaten probiert. Es gibt Dutzende von Variablen (wie die Größe der Metallplatten, die Anzahl der Drahtwindungen und den elektrischen Strom).

Traditionell verwenden Ingenieure eine supergenaue, aber unglaublich langsame Computersimulation namens FEA (Finite-Elemente-Analyse), um jedes Rezept zu testen.

Die Analogie: Stellen Sie sich vor, die FEA ist wie ein Meisterkoch, der eine Suppe probiert, jedes Molekül analysiert und eine perfekte Bewertung abgibt. Das Problem ist: Es dauert Stunden, um auch nur einen einzigen Löffel zu probieren. Wenn Sie 3.000 Rezepte testen müssen, würden Sie Jahre warten.

Die Lösung: Die „Schnellen Lerner“ (Maschinelles Lernen)

Um diesen Prozess zu beschleunigen, versuchten die Forscher in dieser Arbeit, Computer darauf zu trainieren, die Ergebnisse der Tests des langsamen Meisters zu „erraten“. Sie nutzten Modelle des Maschinellen Lernens (ML) und des Deep Learning (DL).

Die Analogie: Anstatt auf den Meisterkoch zu warten, trainierten sie eine Gruppe von „schnell probierenden Lehrlingen“. Diese Lehrlinge haben tausende vergangene Rezepte und deren Ergebnisse gelesen und Muster gelernt, sodass sie das Ergebnis eines neuen Rezepts in Millisekunden vorhersagen können.

Das Experiment: Der große Geschmackstest

Die Forsler erstellten einen Datensatz von 3.351 gültigen Motordesigns (wie ein riesiges Kochbuch voller Rezepte). Dann ließen sie 8 verschiedene „Lehrlinge“ gegeneinander antreten, um zu sehen, wer die Leistung des Motors (wie viel Drehmoment er erzeugt und wie effizient er ist) am genauesten vorhersagen kann.

Diese 8 Lehrlinge stammten aus vier verschiedenen „Familien“:

Baumbasierte Modelle (Die Logik-Rätsel-Löser): Zu diesen gehören Modelle wie CatBoost, LightGBM und Random Forest. Sie treffen Entscheidungen durch eine Serie von „Ja/Nein“-Fragen, ähnlich einem Flussdiagramm.
Neuronale Netze (Die Muster-Erkenner): Zu diesen gehören MLP, PI-MLP und der Star des Ganzen, der FT-Transformer. Sie sind darauf ausgelegt, das menschliche Gehirn nachzuahmen und suchen nach komplexen, glatten Verbindungen zwischen Variablen, anstatt nach einfachen Ja/Nein-Schritten.
Probabilistische Modelle (Die Glücksritter): Wie die Gauß-Prozess-Regression (GPR), die versucht, eine Vorhersage mit einem Gefühl der Unsicherheit zu treffen.

Die Ergebnisse: Wer hat gewonnen?

Nachdem die Tests 10 Mal durchgeführt wurden, um sicherzustellen, dass die Ergebnisse nicht bloß Glück waren, sah es so aus:

Der Champion: Der FT-Transformer (ein Deep-Learning-Modell) holte die Goldmedaille. Er war am genauesten und sagte die Leistung des Motors mit nahezu perfekter Präzision (99,28 % Genauigkeit) voraus.
- Warum er gewann: Die Arbeit legt nahe, dass die Physik von Motoren einem glatten, fließenden Fluss gleicht. Neuronale Netze sind gut darin, diesem glatten Fluss zu folgen. Die „Baum“-Modelle, die den Fluss in gerade, zackige Schritte zerlegen, hatten Schwierigkeiten, diese Nuancen zu erfassen.
Der Zweitplatzierte: Standardmäßige neuronale Netze (MLP) belegten den zweiten Platz und übertrafen damit alle baumbasierten Modelle.
Die „Gut genug“-Option: Unter den baumbasierten Modellen war CatBoost das beste. Es war nicht so genau wie die neuronalen Netze, aber es war viel schneller zu trainieren.
Der Verlierer: Die Gauß-Prozess-Regression (GPR) trainiert zwar sehr schnell, bleibt aber in der Genauigkeit hinter den neuronalen Netzen zurück, während der Random Forest insgesamt die schwächste Leistung zeigte.

Der Kompromiss: Geschwindigkeit vs. Genauigkeit

Die Forscher untersuchten auch die „Kosten“ des Trainings dieser Modelle:

FT-Transformer: Brauchte etwa 6 Minuten für das Training, aber sobald es trainiert ist, sagt es Ergebnisse in 0,33 Millisekunden voraus. Das ist Millionen Mal schneller als der alte „Meisterkoch“ (FEA).
CatBoost: Brauchte nur 37 Sekunden für das Training und bot eine sehr gute Balance zwischen Geschwindigkeit und Genauigkeit.
Der alte Weg (FEA): Dauert Minuten oder Stunden pro einzelnem Test.

Das Fazit

Diese Studie beweist, dass für das Design dieser neuen, ohne seltene Metalle auskommenden Elektromotoren Deep-Learning-Modelle (insbesondere der FT-Transformer) die besten verfügbaren Werkzeuge sind. Sie sind unglaublich genau und können tausende von Designmöglichkeiten in der Zeit erkunden, die früher für einen einzigen Test benötigt wurde.

Wenn Sie das absolut beste Design benötigen, verwenden Sie den FT-Transformer. Wenn Sie eine schnelle, „gut genug“ Antwort für die frühe Planung benötigen, ist CatBoost eine solide, schnelle Alternative. In beiden Fällen machen sie den Designprozess drastisch schneller als die traditionellen Methoden.

Technische Zusammenfassung: Vergleichende Evaluierung von Modellen des maschinellen Lernens und des Deep Learning zur Leistungsvorhersage von WRSM

Problemstellung
Die rasche Expansion der Elektrofahrzeug-Industrie (EV) hat die Nachfrage nach hocheffizienten Elektromotoren intensiviert, die eine Abhängigkeit von Seltenerdelementen (REE) vermeiden. Wickelrotor-Synchronmotoren (WRSM) haben sich als strategische Alternative zu Permanentmagnet-Synchronmotoren (PMSM) herausgestellt, da sie die Abhängigkeit von REE eliminieren können. Das Design von WRSMs ist jedoch ein hochdimensionales, nichtlineares Optimierungsproblem, das die gleichzeitige Abstimmung zahlreicher geometrischer und elektromagnetischer Parameter erfordert. Die traditionelle Designvalidierung stützt sich auf die Finite-Elemente-Analyse (FEA), die zwar genau ist, aber rechenintensiv ist und oft Minuten bis Stunden pro Auswertung benötigt. Dieser Engpass schränkt die Exploration großer Parameterräume in frühen Designphasen erheblich ein. Während auf maschinellem Lernen basierende Ersatzmodellierung (Surrogate Modeling) vorgeschlagen wurde, um diesen Prozess zu beschleunigen, beschränkt sich die bestehende Literatur oft auf den Vergleich eines engen Satzes von Modellen, schließt moderne Deep-Learning-Architekturen aus und lässt umfassende Benchmarks spezifisch für WRSMs vermissen.

Methodik
Diese Studie führt einen systematischen Vergleich von acht Modellen des maschinellen Lernens und des Deep Learning über vier Algorithmenfamilien hinweg durch: Gradient Boosting, Ensemble, neuronale Netze und probabilistische Methoden. Die Evaluierung konzentriert sich auf die Vorhersage zweier kritischer Leistungsmetriken: Drehmoment und Motorwirkungsgrad.

Datensatzgenerierung: Ein Datensatz von 3.351 validen Stichproben wurde mittels Latin Hypercube Sampling (LHS) innerhalb der Ansys Motor-CAD-Simulationsumgebung generiert. Der Datensatz bildet 23 Eingangsparameter (15 geometrische und 8 elektrische) auf die Zielvariablen ab. Die Daten wurden in 70 % Trainings-, 15 % Validierungs- und 15 % Testsets aufgeteilt.
Evaluierte Modelle:
- Gradient Boosting: CatBoost, LightGBM und XGBoost.
- Ensemble: Random Forest.
- Neuronale Netze: Multilayer Perceptron (MLP), Physics-Informed MLP (PI-MLP, welches elektromagnetische Randbedingungen in die Verlustfunktion integriert) und FT-Transformer (eine Transformer-Architektur für tabellarische Daten unter Verwendung von Self-Attention).
- Probabilistisch: Gauß-Prozess-Regression (GPR), trainiert auf einer Teilmenge von 400 Stichproben aufgrund der Rechenkomplexität.
Trainingsprotokoll: Um Robustheit und Reproduzierbarkeit zu gewährleisten, wurde jedes Modell unter Verwendung von 10 verschiedenen Zufallswerten (Random Seeds) trainiert. Hyperparameter wurden systematisch mithilfe des Optuna-Frameworks optimiert. Alle Modelle wurden anhand von $R^2$ , MAE (Mean Absolute Error), RMSE (Root Mean Square Error) und MAPE (Mean Absolute Percentage Error) evaluiert.

Zentrale Beiträge
Die Studie unterscheidet sich durch drei primäre Beiträge von bisherigen Arbeiten:

Breites Modellspektrum: Sie umfasst eine umfassende Bandbreite an Algorithmen und integriert insbesondere jüngste Deep-Learning-Architekturen für tabellarische Daten, speziell den FT-Transformer, der zuvor nicht für die WRSM-Ersatzmodellierung benchmarkt wurde.
Strenge Reproduzierbarkeit: Die Verwendung eines Multi-Seed-Protokolls (10 Seeds) und eine systematische Hyperparameteroptimierung ermöglichen eine statistisch robuste Bewertung der Modellleistung, die über Einzel-Durchläufe hinausgeht.
Multidimensionale Analyse: Die Studie verwendet eine Pareto-Analyse, um den Trade-off zwischen Rechenkosten (Trainingszeit) und Vorhersagegenauigkeit zu bewerten, und bietet somit praktische Orientierungshilfen für verschiedene Designphasen.

Ergebnisse
Die experimentellen Ergebnisse zeigen eine klare Leistungshierarchie auf:

Genauigkeit: Auf neuronalen Netzen basierende Modelle übertrafen baumbasierte Modelle systematisch. Der FT-Transformer erreichte die höchste Genauigkeit eines Einzelmodells mit einem Gesamtr² von 0,9928 ± 0,0009. Speziell erzielte er ein $R^2$ von 0,9914 für die Drehmomentvorhersage (MAE = 1,227 Nm) und 0,9942 für die Wirkungsgradvorhersage (MAE = 0,728 %).
Vergleich: Baumbasierte Modelle (CatBoost, LightGBM, XGBoost, Random Forest) lieferten eine geringere Genauigkeit, mit $R^2$ -Werten zwischen 0,80 und 0,95. Unter diesen schnitt CatBoost am besten ab, während Random Forest den höchsten Fehler aufwies.
Physik-informierter Ansatz: Die Einbeziehung physikalischer Randbedingungen im PI-MLP führte zu keiner Leistungsverbesserung gegenüber dem Standard-MLP; tatsächlich schnitt das Standard-MLP in beiden Metriken leicht besser ab als das PI-MLP.
Rechentechnischer Trade-off:
- FT-Transformer: Benötigte die längste Trainingszeit (378 Sekunden), lieferte jedoch die höchste Genauigkeit.
- CatBoost: Erwies sich als Pareto-optimale Lösung, indem es ein $R^2$ von 0,9592 in etwa 37 Sekunden erreichte und somit ein günstiges Gleichgewicht zwischen Geschwindigkeit und Genauigkeit bot.
- Inferenzgeschwindigkeit: Einmal trainiert, generiert das FT-Transformer-Modell Vorhersagen in 0,33 Millisekunden, was eine Beschleunigung um mehrere Größenordnungen gegenüber den minutenlangen Berechnungen der FEA darstellt.

Bedeutung und Ansprüche
Die Autoren behaupten, dass diese Studie das erste umfassende Benchmark im Bereich der WRSM-Ersatzmodellierung darstellt, das jüngste Deep-Learning-Architekturen wie den FT-Transformer einbezieht. Die Ergebnisse legen nahe, dass die Fähigkeiten zur kontinuierlichen Funktionsapproximation durch neuronale Netze besser geeignet sind, um die glatten, nichtlinearen elektromagnetischen Übergänge von WRSMs zu erfassen, als die stückweise linearen Entscheidungsgrenzen von baumbasierten Modellen.

Die Studie kommt zu dem Schluss, dass der FT-Transformer die überlegene Wahl für Anwendungen ist, die maximale Genauigkeit erfordern, während CatBoost eine effiziente Alternative für die schnelle Prototypenerstellung und Vorselektionsphasen darstellt, in denen die Rechenkosten eine primäre Einschränkung sind. Die entwickelten Ersatzmodelle reduzieren die Evaluierungszeit erheblich und ermöglichen so die schnelle Exploration großer Parameterräume in den frühen Designphasen von Elektromotoren. Zukünftige Arbeiten schlagen vor, die Generalisierbarkeit dieser Modelle auf unterschiedliche WRSM-Konfigurationen zu prüfen und die Integration der physik-informierten Modellierung mit größeren Datensätzen zu untersuchen.