Die Entwicklung von technischen Produkten erfordert in der Industrie erhebliche natürliche Ressourcen, menschlichen Einsatz und Zeit. Es kann kostspielig sein, wenn physikalische Phänomene während der Herstellung nicht korrekt vorhergesagt werden. Das virtuelle Prototyping ermöglicht die Analyse physischer Prozesse unter realen Bedingungen, bevor die eigentliche Produktfertigung beginnt. In den letzten Jahrzehnten wurden verschiedene Simulationssoftwares entwickelt, die es ermöglichen, verschiedene Arbeitsbedingungen, komplexe Konstruktionskriterien und Beschränkungen während der Simulation zu berücksichtigen. Diese Simulationstools erfordern jedoch eine beträchtliche Rechenleistung zur Lösung komplexer mathematischer Modelle, wodurch die Kapazität der numerischen Analyse zur Erkundung eines großen Designraums für optimale Designs eingeschränkt wird. In den letzten Jahren haben sich datengetriebene Deep-Learning-Methoden (DL) entwickelt. Sie können den teuren Rechenaufwand erheblich reduzieren, indem sie ein kostengünstiges Metamodell zur Vorhersage der physikalischen Ausgangsgrößen im Entwurfsprozess bereitstellen.

In dieser Arbeit werden verschiedene datengetriebene DL-Ansätze zur Beschleunigung des Entwurfsoptimierungsverfahrens von elektrischen Maschinen untersucht. Alle vorgeschlagenen Ansätze konzentrieren sich darauf, die Erkundung eines hochdimensionalen Designraums zu ermöglichen, um optimale Maschinenentwürfe zu generieren und dabei Rechenressourcen zu sparen.

Zunächst werden verschiedene Geometriedarstellungen von Permanentmagnet-Synchronmaschinen (PMSM) analysiert. Bildbasierte Modelle werden für verschiedene Pixelauflösungen untersucht. Es wird ein quantitativer Vergleich zwischen den bildbasierten und den auf skalaren Parametern basierenden Metamodellen zur Annäherung an bereichsübergreifende Leistungskennzahlen (KPIs) von PMSMs durchgeführt. Die numerischen Ergebnisse zeigen, dass das auf skalaren Parametern basierende Metamodell eine hohe Vorhersagegenauigkeit aufweist und gleichzeitig computational effizient ist. Andererseits sind bildbasierte Modelle in Szenarien flexibler, z.B. bei Querrotor-Topologien und Reparametrisierung. Alle trainierten Meta-Modelle bewerten neue Entwürfe in deutlich kürzerer Zeit als konventionellen Finite-Elemente-Simulationen.

Zweitens wird ein neuartiger hybrider daten- und physikgetriebener Ansatz vorgeschlagen, um die Vorhersagegenauigkeit und Flexibilität der skalaren Darstellung für die Quantifizierung der Leistung von PMSMs zu verbessern. Der hybride Ansatz wird mit einem datengesteuerten Ansatz verglichen. Schließlich wird eine multikriterielle Optimierung mit einem hybriden Ansatz in einem industriellen Umfeld durchgeführt und eine quantitative Analyse vorgenommen.

Es wird eine Methode vorgestellt, um KPIs vorherzusagen, indem ein hochdimensionaler komplexer skalarer Designraum auf einen niederdimensionalen latenten Raum für unterschiedlich parametrisierte Maschinentechnologien und -topologien mit Hilfe eines tiefen generativen Modells abgebildet wird. Dieser Ansatz ermöglicht die gleichzeitige parametrische Optimierung verschiedener Maschinentypen und Rotor-topologien mit einem einzigen Metamodell-Training. Die vorgeschlagene Methode wird für zwei Szenarien demonstriert: erstens, für die gleichzeitige Optimierung von heterogen parametrisierten Rotor-Topologien, und zweitens, für heterogen parametrisierte Maschinentechnologien.

Alle vorgeschlagenen Methoden sind so allgemein, dass sie in jedem industriellen Produktdesign-Workflow angewandt werden können, bei dem physikalische Phänomene als ein System linearer oder nichtlinearer Funktionen beschrieben werden.