🤖 machine learning

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

Este estudio presenta una evaluación comparativa exhaustiva de ocho modelos de aprendizaje automático y aprendizaje profundo para la predicción del rendimiento de motores síncronos de rotor devanado, demostrando que las arquitecturas basadas en redes neuronales, particularmente el FT-Transformer, superan significativamente a los modelos basados en árboles en precisión y velocidad computacional, al tiempo que ofrecen un protocolo de reproducibilidad de múltiples semillas robusto y un análisis de Pareto de las compensaciones entre costo y precisión.

Autores originales: Kıvanç Doğan, Ahmet Orhan

Publicado 2026-06-23✓ Author reviewed ⓘ

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Kıvanç Doğan, Ahmet Orhan

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando diseñar el motor perfecto para un nuevo coche eléctrico. En el pasado, los ingenieros dependían de metales raros y costosos (como los que se encuentran en los imanes) para hacer que sus motores fueran potentes. Pero como esos metales son difíciles de conseguir y pueden causar problemas políticos, los ingenieros ahora están cambiando a un tipo de motor diferente llamado Motor Síncrono de Rotor Bobinado (WRSM). Piensa en este nuevo motor como un motor "inteligente" que no necesita esos metales raros pero que es mucho más difícil de diseñar.

El Problema: El cuello de botella de la "Matemática Lenta"

Diseñar este nuevo motor es como intentar encontrar la receta perfecta probando cada posible combinación de ingredientes. Hay docenas de variables (como el tamaño de las placas metálicas, el número de vueltas de cable y la corriente eléctrica).

Tradicionalmente, los ingenieros utilizan una simulación informática increíblemente precisa pero sumamente lenta llamada FEA (Análisis de Elementos Finitos) para probar cada receta.

La Analogía: Imagina que el FEA es como un maestro chef que prueba una sopa, analiza cada molécula y te da una calificación perfecta. El problema es que le toma horas probar solo una cucharada. Si necesitas probar 3,000 recetas, estarías esperando años.

La Solución: Los "Aprendices Rápidos" (Aprendizaje Automático)

Para acelerar esto, los investigadores en este artículo intentaron enseñar a las computadoras a "adivinar" los resultados de las pruebas del maestro chef. Utilizaron modelos de Aprendizaje Automático (ML) y Aprendizaje Profundo (DL).

La Analogía: En lugar de esperar al maestro chef, entrenaron a un grupo de "aprendices de degustación rápida". Estos aprendices leyeron miles de recetas pasadas y sus resultados, aprendiendo patrones para que puedan predecir el sabor de una nueva receta en milisegundos.

El Experimento: La Gran Batalla de Sabores

Los investigadores crearon un conjunto de datos de 3,351 diseños de motores válidos (como un libro de cocina masivo de recetas). Luego enfrentaron a 8 "aprendices" diferentes entre sí para ver quién podía predecir el rendimiento del motor (cuánta fuerza de torsión genera y qué tan eficiente es) con mayor exactitud.

Los 8 aprendices provenían de cuatro "familias" diferentes:

Modelos Basados en Árboles (Los Resolutores de Lógica): Estos incluyen modelos como CatBoost, LightGBM y Random Forest. Toman decisiones haciendo una serie de preguntas de "Sí/No", como un diagrama de flujo.
Redes Neuronales (Los Reconocedores de Patrones): Estos incluyen MLP, PI-MLP y el jugador estrella, FT-Transformer. Están diseñados para imitar el cerebro humano, buscando conexiones complejas y fluidas entre variables en lugar de simples pasos de sí/no.
Modelos Probabilísticos (Los Jugadores): Como la Regresión de Procesos Gaussianos, que intenta adivinar con un sentido de incertidumbre.

Los Resultados: ¿Quién Ganó?

Después de ejecutar las pruebas 10 veces para asegurar que los resultados no fueran solo cuestión de suerte, esto fue lo que sucedió:

El Campeón: El FT-Transformer (un modelo de aprendizaje profundo) se llevó la medalla de oro. Fue el más preciso, prediciendo el rendimiento del motor con una precisión casi perfecta (99.28%).
- Por qué ganó: El artículo sugiere que la física de los motores es como un río suave y fluido. Las redes neuronales son excelentes para seguir ese flujo suave. Los modelos de "Árbol" que cortan el río en pasos rectos y dentados, tuvieron dificultades para capturar el matiz.
El Segundo Lugar: Las Redes Neuronales estándar (MLP) quedaron en segundo lugar, superando aún a todos los modelos basados en árboles.
La Opción "Suficientemente Buena": Entre los modelos basados en árboles, CatBoost fue el mejor. No era tan preciso como las redes neuronales, pero era mucho más rápido de entrenar.
El Perdedor: La Regresión de Procesos Gaussianos (GPR) se entrena muy rápido, pero queda por detrás de las redes neuronales en precisión, mientras que Random Forest fue el rendimiento más débil en general.

El Intercambio: Velocidad vs. Precisión

Los investigadores también analizaron el "costo" de entrenar estos modelos:

FT-Transformer: Tardó unos 6 minutos en entrenarse, pero una vez entrenado, predice los resultados en 0.33 milisegundos. Esto es millones de veces más rápido que el antiguo "maestro chef" (FEA).
CatBoost: Solo tardó 37 segundos en entrenarse y ofreció un equilibrio muy bueno entre velocidad y precisión.
La Forma Antigua (FEA): Toma minutos u horas por cada sola prueba.

La Conclusión

Este estudio demuestra que para diseñar estos nuevos motores eléctricos sin metales raros, los modelos de Aprendizaje Profundo (específicamente FT-Transformer) son las mejores herramientas disponibles. Son increíblemente precisos y pueden explorar miles de posibilidades de diseño en el tiempo que antes se usaba para probar solo uno.

Si necesitas el mejor diseño absoluto, usa el FT-Transformer. Si necesitas una respuesta rápida y "suficientemente buena" para una planificación temprana, CatBoost es una alternativa sólida y veloz. De cualquier manera, ambos hacen que el proceso de diseño sea drásticamente más rápido que los métodos tradicionales.

Resumen Técnico: Evaluación Comparativa de Modelos de Aprendizaje Automático y Aprendizaje Profundo para la Predicción del Rendimiento de WRSM

Planteamiento del Problema
La rápida expansión de la industria de los vehículos eléctricos (VE) ha intensificado la demanda de motores eléctricos de alta eficiencia que eviten la dependencia de los elementos de tierras raras (REE). Los motores síncronos de rotor devanado (WRSM) han surgido como una alternativa estratégica a los motores síncronos de imanes permanentes (PMSM) debido a su capacidad para eliminar la dependencia de los REE. Sin embargo, el diseño de los WRSM implica un problema de optimización no lineal y de alta dimensionalidad que requiere el ajuste simultáneo de numerosos parámetros geométricos y electromagnéticos. La validación del diseño tradicional se basa en el Análisis de Elementos Finitos (FEA), el cual, aunque es preciso, es computacionalmente costoso, requiriendo a menudo desde minutos hasta horas por cada evaluación. Este cuello de botella restringe severamente la exploración de grandes espacios de parámetros durante las etapas iniciales del diseño. Si bien se ha propuesto el modelado de sustitución basado en el aprendizaje automático para acelerar este proceso, la literatura existente a menudo limita las comparaciones a un conjunto estrecho de modelos, excluye arquitecturas modernas de aprendizaje profundo y carece de evaluaciones comparativas exhaustivas específicas para WRSM.

Metodología
Este estudio realiza una comparación sistemática de ocho modelos de aprendizaje automático y aprendizaje profundo a través de cuatro familias algorítmicas: potenciación de gradiente (gradient boosting), ensamblaje (ensemble), redes neuronales y métodos probabilísticos. La evaluación se centra en la predicción de dos métricas de rendimiento críticas: el par motor (torque) y la eficiencia del motor.

Generación de Datos: Se generó un conjunto de datos de 3,351 muestras válidas utilizando el Muestreo de Hipercubo Latino (LHS) dentro del entorno de simulación Ansys Motor-CAD. El conjunto de datos mapea 23 parámetros de entrada (15 geométricos y 8 eléctricos) a las variables objetivo. Los datos se dividieron en conjuntos de entrenamiento (70%), validación (15%) y prueba (15%).
Modelos Evaluados:
- Potenciación de Gradiente: CatBoost, LightGBM y XGBoost.
- Ensamblaje: Random Forest.
- Redes Neuronales: Perceptrón Multicapa (MLP), MLP con Información de Física (PI-MLP, que integra restricciones electromagnéticas en la función de pérdida) y FT-Transformer (una arquitectura de transformador diseñada para datos tabulares mediante atención propia o self-attention).
- Probabilísticos: Regresión de Procesos Gaussianos (GPR), entrenada en un subconjunto de 400 muestras debido a la complejidad computacional.
Protocolo de Entrenamiento: Para garantizar la robustez y la reproducibilidad, cada modelo fue entrenado utilizando 10 valores de semilla aleatoria diferentes. Los hiperparámetros se optimizaron sistemáticamente utilizando el marco de trabajo Optuna. Todos los modelos fueron evaluados mediante $R^2$ , Error Absoluto Medio (MAE), Raíz del Error Cuadrático Medio (RMSE) y Error Porcentual Absoluto Medio (MAPE).

Contribuciones Clave
El estudio se distingue de trabajos previos a través de tres contribuciones primarias:

Amplio Espectro de Modelos: Incluye una gama integral de algoritmos, integrando notablemente arquitecturas recientes de aprendizaje profundo para datos tabulares, específicamente el FT-Transformer, el cual no había sido evaluado previamente para el modelado de sustitución de WRSM.
Reproducibilidad Rigurosa: El uso de un protocolo de múltiples semillas (10 semillas) y la optimización sistemática de hiperparámetros proporciona una evaluación estadísticamente robusta del rendimiento del modelo, yendo más allá de las evaluaciones de ejecución única.
Análisis Multidimensional: El estudio emplea un análisis de Pareto para evaluar la compensación entre el costo computacional (tiempo de entrenamiento) y la precisión de la predicción, ofreciendo orientación práctica para diferentes etapas del proceso de diseño.

Resultados
Los resultados experimentales demuestran una clara jerarquía de rendimiento:

Precisión: Los modelos basados en redes neuronales superaron sistemáticamente a los modelos basados en árboles. El FT-Transformer alcanzó la mayor precisión de un solo modelo, con un $R^2$ global de 0.9928 ± 0.0009. Específicamente, obtuvo un $R^2$ de 0.9914 para la predicción del par motor (MAE = 1.227 Nm) y un $R^2$ de 0.9942 para la predicción de la eficiencia (MAE = 0.728%).
Comparación: Los modelos basados en árboles (CatBoost, LightGBM, XGBoost, Random Forest) produjeron una precisión menor, con valores de $R^2$ que oscilaron entre 0.80 y 0.95. Entre ellos, CatBoost fue el que mejor se desempeñó, mientras que Random Forest exhibió el error más alto.
Enfoque Basado en la Física: La inclusión de restricciones físicas en el PI-MLP no produjo una mejora en el rendimiento sobre el MLP estándar; de hecho, el MLP estándar superó ligeramente al PI-MLP en ambas métricas.
Compensación Computacional:
- FT-Transformer: Requirió el tiempo de entrenamiento más largo (378 segundos) pero entregó la mayor precisión.
- CatBoost: Surgió como una solución Pareto-óptima, logrando un $R^2$ de 0.9592 en aproximadamente 37 segundos, ofreciendo un equilibrio favorable entre velocidad y precisión.
- Velocidad de Inferencia: Una vez entrenado, el modelo FT-Transformer genera predicciones en 0.33 milisegundos, lo que representa una aceleración de varios órdenes de magnitud en comparación con el tiempo de computación de minutos del FEA.

Significancia y Reivindicaciones
Los autores afirman que este estudio representa la primera evaluación comparativa integral en el campo del modelado de sustitución de WRSM que incorpora arquitecturas recientes de aprendizaje profundo como el FT-Transformer. Los hallazgos sugieren que las capacidades de aproximación de funciones continuas de las redes neuronales son más adecuadas para capturar las transiciones electromagnéticas suaves y no lineales de los WRSM que las fronteras de decisión lineales por partes de los modelos basados en árboles.

El estudio concluye que, si bien el FT-Transformer es la opción superior para aplicaciones que requieren la máxima precisión, CatBoost sirve como una alternativa eficiente para las etapas de prototipado rápido y preselección donde el costo computacional es una restricción primaria. Los modelos de sustitución desarrollados reducen significativamente el tiempo de evaluación, permitiendo la exploración rápida de grandes espacios de parámetros en las etapas iniciales de diseño de motores eléctricos. Se propone un trabajo futuro para evaluar la generalizabilidad de estos modelos a diferentes configuraciones de WRSM y para explorar la integración del modelado informado por la física con conjuntos de datos más grandes.