近日，我校电气工程学院交通运载装备高性能电机系统研究团队王晨副教授指导的研究生董田宇、本科生南玥在高速永磁电机多域多目标优化技术方面取得最新研究成果，成果以“Interpretable Multi-Physics Field Optimization Approach for HSPM Machine Based on Deep Reinforcement Learning”为题发表在《IEEE Transactions on Industrial Informatics》（中科院大类一区，2025年影响因子9.9），安徽工程大学为第一完成单位。
针对高速永磁电机（HSPMM）在航空航天、电动汽车驱动等高性能应用场景中，其多物理场设计优化面临非线性强，计算成本高等问题。本研究提出一种融合可解释机器学习与深度强化学习（DRL）的多域协同优化框架MPOSM-TD3，实现了HSPMM电磁‑热性能的高效协同设计。该框架首先利用有限元仿真数据训练LightGBM回归代理模型，快速预测不同结构参数下的电机性能；然后结合SHAP-PDP可解释方法，明确关键结构设计参数对电机多物理场耦合的非线性影响机制。随后，将代理模型作为状态转移函数嵌入TD3算法中，构建数据驱动的DRL优化模型，能够在迭代中动态权衡电磁性能与热约束。最后，研制了一台16 kW高速永磁电机样机。实验表明，优化后电机在额定工况下绕组最高温度降低15.3 ℃，效率提升0.94%，功率密度维持在5.17 kW/kg，显著缓解了高功率密度运行下的过热风险。
