Maschinelles Lernen als Entwurfshilfe für elektrische Maschinen

Zusammenfassung

Maschinelles Lernen kann helfen, aufwändige Finite-Elemente-Rechnungen zum Auffinden optimaler Lösungen für die Auslegung elektrischer Maschinen zu reduzieren, wenn man auf Ergebnisse zahlreich vorhandener Berechnungen und Simulationen zurückgreifen kann. Die hier vorgestellten Ergebnisse liefern nach Systematisierung der mit dem Entwurfsgang verbundenen Größen eine Grundlage für die Auswahl von Algorithmen und die Vorverarbeitung der vorliegenden Daten. Die gewünschten Zielgrößen eines Entwurfs sind ebenso wie die Randbedingungen Eingaben für einen Lernalgorithmus zur Vorhersage der gesuchten Unbekannten. Dazu bieten Anwenderbibliotheken wie das hier genutzte scikit-learn eine Vielzahl parametrisierbarer Algorithmen. Anhand des vereinfachten elektrischen Ersatzschaltbilds einer Drehstrom-Asynchronmaschine lassen sich beispielsweise Unterschiede, sowohl zwischen einzelnen Parametern als auch zwischen konkreten Regressionsalgorithmen, erkennen. Die Trainingsdaten zur Durchführung der Untersuchungen entstammen einem programmierten Auslegungswerkzeug, das mit über 120 elektromagnetischen Entwurfsgrößen eine umfangreiche Modellierungsgrundlage bildet. Für die Erstellung der Trainingsdaten wird Wert daraufgelegt, dass sowohl „gute“ als auch „schlechte“ Entwurfsdatensätze zum Anlernen der Algorithmen zur Verfügung stehen.

Abstract

Machine learning can help to reduce costly finite element calculations for finding optimal solutions for the design of electrical machines if one can draw on the results of numerous existing calculations and simulations. After systematizing the quantities associated with the design process, the results presented here provide a basis for selecting algorithms and preprocessing the data available. The desired target variables of a design as well as the boundary conditions are inputs for a learning algorithm to predict the sought unknowns. For this purpose, user libraries such as scikit-learn, which is used here, offer a large number of parameterizable algorithms. The simplified electrical equivalent circuit diagram of a three-phase induction machine can, for example, be used to identify differences both between individual parameters and between concrete regression algorithms. The training data for the investigations are taken from a programmed design tool, which forms a comprehensive modeling basis with over 120 electromagnetic design variables. For the creation of the training data, it is important that both “good” and “bad” design data sets are available for learning the algorithms.