迁移学习电机热模型

小样本高精度温升预测

针对永磁直线电机的热分析难题，该模型结合热路机理与迁移学习，在极少有限元样本下实现高精度温升预测。

吴涛 · 75790027 · Gang, Xue · Guo, Youguang · Lei, Gang · Zhu, Jianguo · 王一飞

IEEE Transactions on Transportation Electrification 2025

参数信息

均方根误差降幅

0.901

均方根误差降幅

1.726

技术优势

小样本也能高精度

迁移学习用机理模型预训练，仅需少量有限元样本微调，训练集占比越小，混合模型相比纯DNN的提升越明显。

误差大幅下降

在5:5训练/测试划分下均方根误差降低0.901，在2:8划分下降低1.726，小样本场景收益更显著。

样机实验验证

在样机电机上开展温升实验，验证了所提混合建模方法的有效性和精度。

应用场景

• 电机热管理：用于快速评估电机温升，避免大量有限元计算，辅助热管理设计。
• 电机设计优化：提供快速高精度温度预测，支持电机设计参数迭代优化。
• 机器人驱动电机：用于机器人关节电机的热分析，在样本少时保证预测精度。
• 伺服系统：帮助伺服电机在多变工况下快速获得温升分布，提升可靠性。