🤖 machine learning

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

本研究对用于预测绕线式转子同步电机性能的八种机器学习和深度学习模型进行了全面的基准测试，证明了基于神经网络的架构（特别是 FT-Transformer）在准确性和计算速度方面显著优于基于树的模型，同时还提供了一套稳健的多种子复现性协议以及成本-准确度权衡的帕累托分析。

原作者： Kıvanç Doğan, Ahmet Orhan

发布于 2026-06-23✓ Author reviewed ⓘ

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Kıvanç Doğan, Ahmet Orhan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在尝试为一辆新型电动汽车设计完美的发动机。在过去，工程师们依赖于稀有且昂贵的金属（如磁铁中的成分）来制造强力电机。但由于这些金属难以获取且容易引发政治问题，工程师们现在正转向一种不同类型的电机，称为绕线转子同步电机 (WRSM)。你可以将这种新电机想象成一种“智能”发动机，它不需要那些稀有金属，但设计难度要大得多。

问题所在：“慢速数学”瓶颈

设计这种新电机就像是在尝试寻找完美的食谱，你需要品尝每一种可能的食材组合。这里有数十个变量（例如金属片的尺寸、线圈匝数以及电流）。

传统上，工程师们使用一种极其精确但速度极慢的计算机模拟方法，称为有限元分析 (FEA)，来测试每一种食谱。

类比： 想象 FEA 是一位大师级厨师，他会品尝每一口汤，分析其中的每一个分子，然后给出完美的评分。问题在于，仅仅品尝一勺汤就需要数小时。如果你需要测试 3,000 种食谱，你可能要等待数年之久。

解决方案：“快速学习者”（机器学习）

为了加快速度，研究人员尝试教计算机如何“猜测”那位慢速厨师的测试结果。他们使用了机器学习 (ML) 和深度学习 (DL) 模型。

类比： 与其等待大师级厨师，不如训练一群“快速品尝的学徒”。这些学徒阅读了数千份过去的食谱及其结果，从而学会了规律，使他们能够在毫秒级时间内预测出新食谱的味道。

实验：“味觉大比拼”

研究人员创建了一个包含 3,351 个有效电机设计的数据集（就像一本庞大的食谱集）。随后，他们让 8 种不同的“学徒” 进行对决，看谁能最准确地预测电机的性能（即它产生的扭矩和效率）。

这 8 位学徒来自四个不同的“家族”：

基于树的模型（逻辑解谜者）： 这些模型包括 CatBoost、LightGBM 和 Random Forest。它们通过一系列“是/否”的问题来进行决策，就像流程图一样。
神经网络（模式识别者）： 这些包括 MLP、PI-MLP 以及明星选手 FT-Transformer。它们的设计初衷是模仿人类大脑，寻找变量之间复杂且平滑的联系，而非简单的“是/否”步骤。
概率模型（赌徒）： 如 高斯过程回归 (GPR)，它试图在带有不确定性的感知下进行预测。

结果：谁赢得了比赛？

为了确保结果并非偶然，研究人员进行了 10 次测试，以下是实验结果：

冠军： FT-Transformer（一种深度学习模型）摘得了金牌。它是最准确的，预测电机性能的精度接近完美（99.28%）。
- 获胜原因： 论文指出，电机的物理特性就像一条平滑流动的河流。神经网络擅长追踪这种平滑的流动。而“树”模型会将河流切割成直角和锯齿状的阶梯，因此难以捕捉到其中的细微差别。
亚军： 标准神经网络 (MLP) 排名第二，它依然击败了所有的基于树的模型。
“足够好”的选择： 在基于树的模型中，CatBoost 表现最好。虽然它的准确度不及神经网络，但它的训练速度非常快。
落选者： GPR 训练速度极快，但在准确度上落后于神经网络，而随机森林 (Random Forest) 则是整体表现最弱的选手。

权衡：速度 vs. 准确度

研究人员还观察了训练这些模型的“成本”：

FT-Transformer： 训练大约需要 6 分钟，但一旦训练完成，它预测结果仅需 0.33 毫秒。这比旧有的“大师级厨师”（FEA）快了数百万倍。
CatBoost： 仅需 37 秒 即可完成训练，并提供了速度与准确度的良好平衡。
传统方式 (FEA)： 每进行单次测试就需要花费分钟或小时。

核心结论

这项研究证明，在设计这些新型、无需稀有金属的电机时，深度学习模型（特别是 FT-Transformer） 是目前最强大的工具。它们极其准确，并且能在原本只能进行一次测试的时间内，探索数千种设计可能性。

如果你追求极致的设计，请使用 FT-Transformer。如果你需要一个快速且“足够好”的答案用于早期规划，CatBoost 是一个可靠且快速的替代方案。无论采用哪种方式，它们都比传统方法显著提高了设计效率。

技术摘要：用于 WRSM 性能预测的机器学习与深度学习模型对比评估

问题陈述
电动汽车（EV）行业的快速扩张加剧了对高效率电机（且需避免依赖稀土元素）的需求。绕线式同步电机（WRSM）由于能够消除对稀土元素的依赖，已成为一种战略性替代方案。然而，WRSM 的设计涉及一个高维、非线性的优化问题，需要同时对众多几何和电磁参数进行调优。传统的设计验证依赖于有限元分析（FEA），虽然准确，但计算成本极高，单次评估通常需要数分钟甚至数小时。这一瓶颈严重限制了设计早期阶段对大规模参数空间的探索。虽然基于机器学习的代理模型已被提议用于加速这一过程，但现有文献往往将对比局限于极少数模型，排除了现代深度学习架构，且缺乏针对 WRSM 的全面基准测试。

研究方法
本研究对四类算法家族中的八种机器学习和深度学习模型进行了系统比较，包括梯度提升、集成学习、神经网络和概率方法。评估重点在于预测两个关键性能指标：转矩和电机效率。

数据集生成： 使用拉丁超立方采样（LHS）在 Ansys Motor-CAD 仿真环境中生成了一个包含 3,351 个有效样本的数据集。该数据集将 23 个输入参数（15 个几何参数和 8 个电气参数）映射到目标变量。数据按 70% 训练集、15% 验证集和 15% 测试集的比例进行划分。
评估模型：
- 梯度提升： CatBoost、LightGBM 和 XGBoost。
- 集成学习： 随机森林（Random Forest）。
- 神经网络： 多层感知机（MLP）、物理信息多层感知机（PI-MLP，将电磁约束集成到损失函数中）以及 FT-Transformer（一种利用自注意力机制为表格数据设计的 Transformer 架构）。
- 概率方法： 高斯过程回归（GPR），由于计算复杂度原因，仅在 400 个样本的子集上进行训练。
训练协议： 为确保鲁棒性和可重复性，每个模型都使用 10 个不同的随机种子值进行训练。超参数通过 Optuna 框架进行系统优化。所有模型均使用 $R^2$ 、平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）进行评估。

主要贡献
本研究通过以下三个方面区别于以往工作：

广泛的模型谱系： 它涵盖了广泛的算法，特别是整合了用于表格数据的最新深度学习架构，即 FT-Transformer，此前该架构尚未在 WRSM 代理建模中进行过基准测试。
严谨的可重复性： 使用多种子协议（10 个种子）和系统化的超参数优化，提供了统计学上稳健的模型性能评估，超越了单次运行的评估。
多维分析： 研究采用帕累托分析（Pareto analysis）来评估计算成本（训练时间）与预测精度之间的权衡，为不同设计阶段提供实际指导。

结果
实验结果展示了清晰的性能层级：

精度： 基于神经网络的模型系统性地优于基于树的模型。FT-Transformer 实现了最高的单模型精度，其总体 $R^2$ 达到 0.9928 ± 0.0009。具体而言，它在转矩预测方面达到了 $R^2$ 0.9914（MAE = 1.227 Nm），在效率预测方面达到了 $R^2$ 0.9942（MAE = 0.728%）。
对比： 基于树的模型（CatBoost、LightGBM、XGBoost、随机森林）精度较低， $R^2$ 值在 0.80 到 0.95 之间。其中 CatBoost 表现最好，而随机森林的误差最高。
物理信息方法： 在 PI-MLP 中加入物理约束并未带来性能提升；事实上，标准 MLP 在两项指标上均略优于 PI-MLP。
计算权衡：
- FT-Transformer： 需要最长的训练时间（378 秒），但提供了最高的精度。
- CatBoost： 成为帕累托最优解，在约 37 秒内实现了 $R^2$ 0.9592，在速度和精度之间提供了理想的平衡。
- 推理速度： 训练完成后，FT-Transformer 模型生成预测仅需 0.33 毫秒，这比 FEA 数分钟的计算时间实现了数个数量级的加速。

意义与主张
作者声称，本研究是该领域首个纳入 FT-Transformer 等最新深度学习架构的 WRSM 代理建模全面基准测试。研究结果表明，神经网络的连续函数逼近能力比基于树模型的分段线性决策边界更适合捕捉 WRSM 平滑且非线性的电磁过渡特性。

研究结论认为，虽然 FT-Transformer 是追求最大精度的应用场景下的首选，但 CatBoost 是快速原型设计和预筛选阶段的高效替代方案，在这些阶段计算成本是主要约束。所开发的代理模型显著缩短了评估时间，从而能够在电机设计的早期阶段实现对大规模参数空间的快速探索。未来的工作拟评估这些模型对不同 WRSM 配置的泛化能力，并探索将物理信息建模与更大规模数据集相结合的可能性。