本文介绍了应用变分自动编码器来同时优化异步机和永磁同步机，利用深度神经网络和解码器作为元模型来预测全局关键绩效指标并在优化循环中通过统一的潜空间生成相关的新设计。数值结果证明了高维设计空间中并行的多目标技术优化。同时，与基于经典深度学习的直接方法相比，基于 VAE 的方法在 KPI 预测方面具有量化优势。

Jun, 2023

本快速通信在神经感应机（NeuIM）模型方面进行了研究，通过使用物理知识驱动的机器学习来实现基于人工智能的电磁暂态模拟。它的贡献有三个方面：（1）建立了 NeuIM 模型以在相位域中表示感应机；（2）提出了一种物理知识驱动的神经网络，能够在没有数据的情况下捕捉快速和慢速感应机动态；（3）提出了一种数据 - 物理集成的混合 NeuIM 方法，能够适应各种数据可用性水平。广泛的案例研究验证了 NeuIM 的有效性，特别是其相对于纯数据驱动方法的优势。

Sep, 2023

这篇论文介绍了一种用于训练、自我优化和自我组织的代理模型方法论框架，用于逼近和加速多物理模拟，通过与两种优化算法和一种综合评估策略的结合训练和优化管道的性能评估，实验证明了代理模型能够准确逼近基础模拟，并使用可解释的 AI 技术分析代理模型并进行预选择策略以确定真实示例中最相关的特征。

Sep, 2023

这项工作介绍了物理信息化状态空间神经网络模型（PSMs），它是实现自主系统中的实时优化、灵活性和容错性的一种新颖解决方案，特别适用于化学、生物医学和电力等以传输为主的系统。通过两个硅橡胶实验 —— 加热通道和制冷系统环路，我们证明了 PSMs 比纯数据驱动模型提供了更准确的方法。除了准确性，PSMs 还具有几个引人注目的用途：通过顺序更新的状态空间表示创建非线性监控控制器以及使用来自 PDE 的残差提出诊断算法。我们进一步提出 PSMs 可以作为数字孪生的基础，不断更新的物理系统的数字表示。

Sep, 2023

本文提出了一种基于能量考虑和电机结构对称性的电机建模新方法，以永磁同步电机为例展开讨论，并将其扩展到同步异步电动机，通过该方法能够恢复传统电机模型且避免繁琐的计算，此外还考虑了非正弦绕组或饱和等效应用并提供了实验数据。

Mar, 2014

基于学习的智能能源管理系统对于插电式混合动力电动汽车 (PHEVs) 的高效能源利用至关重要，然而，其应用在现实世界中面临着系统可靠性的挑战，这阻碍了原始设备制造商 (OEMs) 的广泛接受。本文通过建立基于物理和数据驱动模型的 PHEV 模型，聚焦于高保真度训练环境，并提出一个以真实车辆应用为导向的控制框架，将基于扩展时间尺度的强化学习 (RL) 能源管理与等价耗电量最小化策略 (ECMS) 相结合，以提高实际适用性，同时改善现有研究中基于瞬时驾驶循环和动力系统状态的等效因素评估方法的缺陷。最后，进行全面的仿真和硬件在环验证，证明了所提出的控制框架在燃油经济性方面相对于自适应 ECMS 和基于规则的策略的优势。与直接控制动力系统组件的传统 RL 架构相比，所提出的控制方法不仅能实现类似的最优性，而且还显著提高了能源管理系统的干扰抗性，在 OEMs 的真实车辆应用中提供了一种有效的基于 RL 的能源管理策略的控制框架。

Jun, 2024

本研究提出了一种基于物理引导的混合建模方法，通过在传统物理模型的基础上引入循环神经网络并使用复杂的多目标策略进行训练，以生成物理可行的非自治系统模型，进而与物理模型进行比较，在实验数据上取得了显著的准确性提升.

Apr, 2022

通过利用 Lyapunov 稳定理论，本文提出了一种控制感知的分布式高斯过程回归策略，用于永磁同步电机的优化聚集，以最大限度地减少计算复杂性，并展示了模拟中的有效性。

Jul, 2023

本文介绍了一种基于学习的代理模型构建方法，该方法将 Proper Orthogonal Decomposition 和多个 Support Vector Regression 机器相结合，用于实时参数化偏微分方程 (PDEs) 的求解，以实现数字孪生中的交互式分析。该方法在两个关于电机的实际应用案例中展现了良好的结果。

Jun, 2024

本研究提出了一种基于不同 iable simulator 的软致动器物理可行模型的训练方法，其通过与有限元方法结合来实现闭环控制，基于该模型构建 MPC 控制器，实现对硬币的拉动并获得了低于 5％的仿真误差。

Feb, 2022