电机设计是一个复杂的过程，需要综合考虑诸多设计要素，不断添加设计细节，并反复对先前的设计方案进行评估修正[1]。电机设计过程一般包括设计目标分析、结构设计、性能分析与校验、样机制作等。
全面的电机设计工作是一个复杂的问题，因为设计工作应综合考虑设计目标性能、材料、能源、造价、工艺和应用环境等多方面的要求；同时受限于目前的材料属性测量与建模方法、电机性能分析与设计方法和计算机计算能力等，要建立从设计到生产再到应用的综合分析系统存在一定的困难。
人工智能深度学习（Deep Learning, DL）算法在处理多输入、多输出、非线性数据时具有优越的数据特征表达能力。选取永磁同步电机的四个结构参数与齿槽转矩的性能关系作为研究对象，构建了电机的结构参数和性能之间的人工智能系统，为建立一种集成电机设计、应用特性分析与系统集成分析的综合分析方法奠定了基础。
永磁同步电机（Permanent Magnet Synchronous Motor, PMSM）是一种典型的高效节能电机，其具有高性能、功率密度高、结构简单、体积小、转矩惯性比大等特性[2]。永磁同步电机传动系统凭借其性能优势已广泛应用于伺服系统、电动汽车、日常生产、轨道交通、航空航天等领域[3]。
齿槽转矩是由永磁体和电枢铁心相互作用产生的，是电机优化设计中必须考虑的问题，其会引起电机的振动和噪声，从而降低了电机控制系统的精度和伺服性能。如何有效地降低齿槽转矩，已成为国内外学者研究的热点[4]。
利用传统优化设计方法对永磁电机进行结构优化设计时，一般选取永磁电机的某一结构参数作为优化目标，例如：极弧系数和气隙长度，在其他结构参数恒定时，利用有限元仿真软件对选取的优化目标进行参数化求解，或者选取几组离散的点进行仿真计算，直到得到满足设计要求的优化目标值。
然后采用相同的方法，对永磁电机的其他优化目标进行仿真计算，最后才得到优化后的永磁电机结构[5]。这种传统的电机设计方法不仅耗费了设计人员大量的时间和精力，也对计算机的计算能力有较高的要求，并且找到的电机结构也往往不是最优的，不能满足实际电机运行的要求。
一些研究电机设计的学者借助一些传统的智能算法辅助电机设计工作，例如改进粒子群算法[6]、神经网络算法[7]、遗传算法[8]、退火算法[9]和支持向量机（Support Vector Machine, SVM）等。传统的智能算法在参数较少的电机设计中取得了良好的效果[2]，但对于解决考虑多参数的复杂非线性优化问题比较困难。
深度学习相较于传统的神经网络算法而言，传统的神经网络算法存在容易出现过拟合、欠拟合、训练速度慢以及随着网络层数的增加出现梯度扩散等问题。深度学习具有更强的特征表达能力，一定程度上实现了多输入多输出、非线性数据的处理[10, 11]。
深度学习引入layer-wise的训练机制[12]，新的网络模型如CNN、RNN、LSTM等[13]，新的激活函数如ReLU、Softmax、PReLU等，新的损失函数如Adam、RMSprop、Adamax等，新的防止过拟合方法如Dropout、BN等，解决了传统的多层神经网络的上述不足[14]。
综上所述，本文选择永磁同步电机的4个结构参数为输入变量，齿槽转矩为输出变量，建立了一种基于深度学习算法的预测模型。采用有限元方法对PMSM进行分析，并且针对4个输入变量，利用有限元软件进行参数化仿真计算，得到625组样本数据，其中的575组用来训练深度学习预测模型，50组用来测试预测模型的泛化能力（指训练好的模型在未见过的数据上的表现能力）。
深度学习预测模型只是对有限元计算的数据进行预测，并没有涉及本文所选的4个永磁同步电机的结构参数对其性能的影响，所以即使面对永磁同步电机这种复杂的磁路关系，深度学习预测模型的预测精度依然很高，极大地缩短了电机的设计周期，节省了计算资源，同时也为电机设计研究学者提供了新的设计思路和方法。
图1 PMSM结构
图4 深度学习网络结构
