🤖 machine learning

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

Deze studie presenteert een uitgebreide benchmark van acht machine learning- en deep learning-modellen voor het voorspellen van de prestaties van een wikkelsynchronous motor, waarbij wordt aangetoond dat op neurale netwerken gebaseerde architecturen, met name de FT-Transformer, boomgebaseerde modellen aanzienlijk overtreffen in nauwkeurigheid en computationele snelheid, terwijl ze tegelijkert formaat bieden aan een robuust multi-seed reproduceerbaarheidsprotocol en een Pareto-analyse van de kosten-nauwkeurigheid-afwegingen.

Oorspronkelijke auteurs: Kıvanç Doğan, Ahmet Orhan

Gepubliceerd 2026-06-23✓ Author reviewed ⓘ

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Kıvanç Doğan, Ahmet Orhan

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je de perfecte motor probeert te ontwerpen voor een nieuwe elektrische auto. In het verleden vertrouwden ingenieurs op zeldzame, dure metalen (zoals die in magneten zitten) om deze motoren krachtig te maken. Maar omdat deze metalen moeilijk te verkrijgen zijn en voor politieke problemen kunnen zorgen, stappen ingenieurs nu over op een ander type motor, een Wound-Rotor Synchronous Motor (WRSM). Zie deze nieuwe motor als een "slimme" motor die geen zeldzame metalen nodig heeft, maar die veel moeilijker te ontwerpen is.

Het Probleem: De "Trage Wiskunde" Bottleneck

Het ontwerpen van deze nieuwe motor is als het proberen te vinden van het perfecte recept door elke mogelijke combinatie van ingrediënten te proeven. Er zijn tientallen variabelen (zoals de grootte van de metalen platen, het aantal wikkelingen van de draad en de elektrische stroom).

Traditioneel gebruiken ingenieurs een supernauwkeurige maar ongelooflijk trage computersimulatie genaamd FEA (Finite Element Analysis) om elk recept te testen.

De Analogie: Stel je voor dat FEA een meesterkok is die een soep proeft, elke molecuul analyseert en een perfect cijfer geeft. Het probleem is dat het uren duurt om slechts één lepel te proeven. Als je 3.000 recepten moet testen, zou je jarenlang moeten wachten.

De Oplossing: De "Snelle Leerlingen" (Machine Learning)

Om dit proces te versnellen, probeerden de onderzoekers in dit artikel computers te leren om de resultaten van de tests van de trage meesterkok te "raden". Ze gebruikten Machine Learning (ML) en Deep Learning (DL) modellen.

De Analogie: In plaats van te wachten op de meesterkok, hebben ze een groep "snelle leerlingen" getraind. Deze leerlingen hebben duizenden eerdere recepten en hun resultaten gelezen, waardoor ze patronen hebben geleerd zodat ze de smaak van een nieuw recept in milliseconden kunnen voorspellen.

Het Experiment: De Grote Smaaktest

De onderzoekers creëerden een dataset van 3.351 geldige motordesigns (zoals een enorme kookboek met recepten). Vervolgens lieten ze 8 verschillende "leerlingen" tegen elkaar strijden om te zien wie de prestaties van de motor (hoeveel draaimoment het levert en hoe efficiënt het is) het meest nauwkeurig kon voorspellen.

De 8 leerlingen kwamen uit vier verschillende "families":

Boom-gebaseerde Modellen (De Logische Puzzelaars): Deze bevatten modellen zoals CatBoost, LightGBM en Random Forest. Zij nemen beslissingen door een reeks "Ja/Nee"-vragen te stellen, zoals een stroomdiagram.
Neurale Netwerken (De Patroonherkenners): Deze bevatten MLP, PI-MLP en de ster van de show, de FT-Transformer. Deze zijn ontworpen om het menselijk brein na te bootsen en zoeken naar complexe, vloeiende verbindingen tussen variabelen in plaats van eenvoudige ja/nee-stappen.
Probabilistische Modellen (De Gokkers): Zoals Gaussian Process Regression, die probeert te raden met een gevoel van onzekerheid.

De Resultaten: Wie Won?

Na het uitvoeren van de tests 10 keer om er zeker van te zijn dat de resultaten niet alleen op geluk berustten, gebeurde het volgende:

De Kampioen: De FT-Transformer (een deep learning model) won de gouden medaille. Het was het meest nauwkeurig en voorspelde de prestaties van de motor met bijna perfecte precisie (99,28% nauwkeurigheid).
- Waarom het won: Het artikel suggereert dat de fysica van motoren lijken op een gladde, stromende rivier. Neurale netwerken zijn erg goed in het volgen van die gladde stroom. De "Boom"-modellen, die de rivier in rechte, grillige stappen opdelen, hadden moeite om die nuance te vangen.
De Runner-up: Standaard Neurale Netwerken (MLP) kwamen op de tweede plaats en versloegen nog steeds alle boom-gebaseerde modellen.
De "Goed Genoeg" Optie: Onder de boom-gebaseerde modellen was CatBoost de beste. Het was niet zo nauwkeurig als de neurale netwerken, maar het was veel sneller te trainen.
De Verliezer: GPR traint zeer snel, maar blijft achter bij de neurale netwerken qua nauwkeurigheid, terwijl Random Forest de zwakste prestatie leverde over het algemeen.

De Afweging: Snelheid vs. Nauwkeurigheid

De onderzoekers keken ook naar de "kosten" van het trainen van deze modellen:

FT-Transformer: Had ongeveer 6 minuten nodig om te trainen, maar zodra het getraind is, voorspelt het resultaten in 0,33 milliseconden. Dit is miljoenen keren sneller dan de oude "meesterkok" (FEA).
CatBoost: Had slechts 37 seconden nodig om te trainen en bood een zeer goede balans tussen snelheid en nauwkeurigheid.
De Oude Manier (FEA): Kost minuten of uren per enkele test.

De Kern van het Verhaal

Deze studie bewijst dat voor het ontwerpen van deze nieuwe elektrische motoren zonder zeldzame metalen, Deep Learning-modellen (specifiek de FT-Transformer) de beste beschikbare instrumenten zijn. Ze zijn ongelooflijk nauwkeurig en kunnen duizenden ontwerpopties verkennen in de tijd die het vroeger kostte om slechts één test uit te voeren.

Als je het absolute beste ontwerp nodig hebt, gebruik dan de FT-Transformer. Als je een snel, "goed genoeg" antwoord nodig hebt voor de vroege planning, is CatBoost een solide, snel alternatief. Beiderzijden maken het ontwerpproces drastisch sneller dan de traditionele methoden.

Technische Samenvatting: Vergelijkende Evaluatie van Machine Learning en Deep Learning Modellen voor de Prestatievoorspelling van WRSM

Probleemstelling
De snelle expansie van de elektrische voertuigindustrie (EV) heeft de vraag naar hoogefficiënte elektromotoren geïntensiveerd die niet afhankelijk zijn van zeldzame aardmetalen (REE). Wound-rotor synchronous motors (WRSM) zijn een strategisch alternatief geworden voor permanent magnet synchronous motors (PMSM) vanwege hun vermogen om de afhankelijkheid van REE te elimineren. Het ontwerp van WRSM's betreft echter een hoogdimensionaal, niet-lineair optimalisatieprobleem dat de gelijktijdige afstemming van talrijke geometrische en elektromagnetische parameters vereist. Traditionele ontwerpvalidatie vertrouwt op Finite Element Analysis (FEA), wat weliswaar nauwkeurig is, maar computationeel kostbaar en vaak minuten tot uren per evaluatie in beslag neemt. Deze flessenhals beperkt de exploratie van grote parameterruimten tijdens de vroege ontwerpfases aanzienlijk. Hoewel machine learning-gebaseerde surrogaatmodellering is voorgesteld om dit proces te versnellen, beperkt de bestaande literatuur de vergelijkingen vaak tot een smalle set modellen, sluit zij moderne deep learning-architecturen uit en ontbreken uitgebreide benchmarks specifiek voor WRSM's.

Methodologie
Deze studie voert een systematische vergelijking uit van acht machine learning en deep learning modellen over vier algoritmische families: gradient boosting, ensemble, neurale netwerken en probabilistische methoden. De evaluatie richt zich op het voorspellen van twee kritieke prestatie-indicatoren: koppel en motorefficiëntie.

Datasetgeneratie: Een dataset van 3.351 geldige monsters werd gegenereerd met behulp van Latin Hypercube Sampling (LHS) binnen de Ansys Motor-CAD simulatieomgeving. De dataset brengt 23 inputparameters (1fif 15 geometrisch en 8 elektrisch) in kaart naar de doelvariabelen. De data werd gesplitst in 70% trainings-, 15% validatie- en 15% testsets.
Geëvalueerde Modellen:
- Gradient Boosting: CatBoost, LightGBM en XGBoost.
- Ensemble: Random Forest.
- Neurale Netwerken: Multilayer Perceptron (MLP), Physics-Informed MLP (PI-MLP, die elektromagnetische restricties integreert in de loss-functie), en FT-Transformer (een transformer-architectuur ontworpen voor tabulaire data met behulp van self-attention).
- Probabilistisch: Gaussian Process Regression (GPR), getraind op een subset van 400 monsters vanwege de computationele complexiteit.
Trainingsprotocol: Om robuustheid en reproduceerbaarheid te garanderen, werd elk model getraind met 10 verschillende random seed-waarden. Hyperparameters werden systematisch geoptimaliseerd met behulp van het Optuna-framework. Alle modellen werden geëvalueerd met $R^2$ , Mean Absolute Error (MAE), Root Mean Square Error (RMSE) en Mean Absolute Percentage Error (MAPE).

Belangrijkste Bijdragen
De studie onderscheidt zich van eerder werk door drie primaire bijdragen:

Breed Model-spectrum: Het bevat een uitgebreid bereik aan algoritmen, waarbij recentelijk deep learning-architecturen voor tabulaire data worden geïntegreerd, specifiek de FT-Transformer, die voorheen niet was gebenchmarkt voor WRSM surrogaatmodellering.
Strikte Reproduceerbaarheid: Het gebruik van een multi-seed protocol (10 seeds) en systematische hyperparameteroptimalisatie zorgt voor een statistisch robuuste beoordeling van de modelprestaties, wat verder gaat dan enkelvoudige runs.
Multidimensionale Analyse: De studie maakt gebruik van een Pareto-analyse om de trade-off tussen computationele kosten (trainingstijd) en voorspellingsnauwkeurigheid te evalueren, wat praktische begeleiding biedt voor verschillende fasen van het ontwerpproces.

Resultaten
De experimentele resultaten tonen een duidelijke prestatiehiërarchie aan:

Nauwkeurigheid: Op basis van neurale netwerken gebaseerde modellen presteerden systematisch beter dan tree-gebaseerde modellen. De FT-Transformer behaalde de hoogste enkele-model nauwkeurigheid, met een algemene $R^2$ van 0.9928 ± 0.0009. Specifiek behaalde het een $R^2$ van 0.9914 voor koppelvoorspelling (MAE = 1.227 Nm) en 0.9942 voor efficiëntievoorspelling (MAE = 0.728%).
Vergelijking: Tree-gebaseerde modellen (CatBoost, LightGBM, XGBoost, Random Forest) leverden een lagere nauwkeurigheid op, met $R^2$ -waarden variërend van 0.80 tot 0.95. Onder deze modellen presteerde CatBoost het best, terwijl Random Forest de hoogste fout vertoonde.
Physics-Informed Aanpak: De inclusie van fysieke restricties in de PI-MLP leidde niet tot een verbetering van de prestaties ten opzichte van de standaard MLP; sterker nog, de standaard MLP presteerde licht beter dan de PI-MLP op beide metrieken.
Computationele Trade-off:
- FT-Transformer: Vereiste de langste trainingstijd (378 seconden) maar leverde de hoogste nauwkeurigheid.
- CatBoost: Kwam naar voren als een Pareto-optimale oplossing, waarbij een $R^2$ van 0.9592 werd bereikt in ongeveer 37 seconden, wat een gunstige balans biedt tussen snelheid en nauwkeurigheid.
- Inference Snelheid: Eenmaal getraind genereert het FT-Transformer model voorspellingen in 0.33 milliseconden, wat een versnelling van meerdere ordes van grootte betekent ten opzichte van de minutenlange berekeningstijd van FEA.

Betekenis en Claims
De auteurs stellen dat deze studie de eerste uitgebreide benchmark in het veld van WRSM surrogaatmodellering is die recente deep learning-architecturen zoals FT-Transformer incorporeert. De bevindingen suggereren dat de continue functie-approximatie capaciteiten van neurale netwerken beter geschikt zijn om de vloeiende, niet-lineaire elektromagnetische transities van WRSM's te vangen dan de stuksgewijze lineaire beslissingsgrenzen van tree-gebaseerde modellen.

De studie concludeert dat hoewel de FT-Transformer de superieure keuze is voor toepassingen die maximale nauwkeurigheid vereisen, CatBoost dient als een efficiënt alternatief voor snelle prototyping en pre-screening fasen waar computationele kosten een primaire beperking vormen. De ontwikkelde surrogaatmodellen reduceren de evaluatietijd aanzienlijk, wat een snelle exploratie van grote parameterruimten in de vroege ontwerpfases van elektromotoren mogelijk maakt. Toekomstig werk wordt voorgesteld om de generaliseerbaarheid van deze modellen naar verschillende WRSM configuraties te beoordelen en om de integratie van physics-informed modellering met grotere datasets te verkennen.