多物理场协同优化框架

电磁热联合寻优

将可解释机器学习嵌入深度强化学习，在电磁性能与热约束之间动态平衡，实现电机设计的高效多目标优化。

汪晨 · Tianyu, Dong · 朱桂祥 · Yue, Nan · 张卓然

IEEE Transactions on Industrial Informatics 2026

参数信息

最大绕组温度降低量

15.3 °C

运行效率提升

0.94 %

技术优势

双目标同时优化

强化学习智能体在电磁性能和热约束之间动态权衡，单次运行即可获得兼顾温升和效率的帕累托解。

代理模型提速

用LightGBM代理模型替代高保真有限元仿真，在优化过程中大幅降低计算成本。

可解释性揭示机理

SHAP和PDP分析揭示关键设计变量对多物理场响应的非线性影响，指导优化方向。

应用场景

• 高速电机设计：用轻量级代理模型和强化学习快速搜索多物理场最优设计，减少高保真仿真迭代。
• 工业自动化：在保证热安全的前提下提升电机效率，适配自动化产线高负载连续运行工况。
• 航空航天电驱：优化功率密度和温升间的冲突，满足航空电驱对轻量化和可靠性的严苛要求。
• 电动汽车驱动：提升驱动电机效率并控制绕组温升，延长电动汽车续航和寿命。