Maschinelles Lernen als Entwurfshilfe für elektrische Maschinen

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.