11月13日，在由上海有色网信息科技股份有限公司（SMM）主办，宁波招宝磁业股份有限公司总冠名的SMM 2025 IEMC（第五届）电机年会暨产业链博览会——电机创新节能技术论坛上，中车永济电机有限公司研究院院长刘冠芳围绕“基于AI的牵引电机温度场仿真大模型关键技术研究”这一主题展开了论述。
一、研究背景
（一）轨道交通装备发展现状
轨道交通装备是我国科技自主创新的旗帜，推动了我国轨道交通的高质量发展，成为扩大我国经济地位和政治影响力的重要引擎。
（二）研究背景
牵引电机是实现轨道交通车辆牵引与电制动、电能和动能转换的重要部件，是车辆的核心装备与动力之源，是列车安全高效平稳运行的重要保障。
在牵引电机研发过程中，需进行大量仿真分析，保证方案各项性能达到设计要求。同时根据仿真结果对设计方案进行优化，主要涉及电磁、温度、应力、噪声等物理场。
高温会使材料性能退化、部件失效，导致产品效率下降、寿命缩短、可靠性降低，甚至直接损坏，在设计初期要进行充分的热设计和仿真，并在运行中实施精确的温度监控与主动管理策略，因此温度场仿真分析十分重要。
（三）仿真方法
现有仿真技术主要对牵引电机三维结构建立精细化仿真模型，通过设置合理的损耗、转速或风量等边界条件，采用有限元方法实现高精度数值求解。
（四）痛点问题
当前仿真方法存在建模复杂、针对不同对象重新建模、对人员技术水平要求高、计算耗时久的问题，严重影响了牵引系统设计研发效率。
（五）解决方案
随着人工智能技术的出现，以纯数据驱动或数据驱动与物理方法相结合为基础的大模型技术，在保证仿真精度的同时，为仿真的大幅加速及泛化提供了现实途径，成为了当前的研究热点。
二、研究现状
（一）大模型技术指标
仿真大模型的技术指标主要包括计算速度和泛化能力。其中计算速度由计算复杂度及离线收敛性来表征，而泛化能力由应用范围和非规则网格处理能力来表征。不断提升计算速度及泛化能力是仿真大模型研究的趋势。
（二）研究现状>>仿真计算速度
2024年国内发布的首个流体大模型“秦岭·翱翔“采用物理信息神经网络（PINN）架构。通过PINN加速湍流方程求解，从而快速实现针对不同机翼构型的流场仿真。
加州理工学院在物理信息神经网络（PINN）的基础上在损失函数计算中加入了数据因素，提出了物理信息神经算子（PINO）架构，在提升精度的同时降低约1个数量级的计算时间。
中国商飞基于Transformer发布面向大型客机翼型流场高效高精度AI预测仿真模型，有效提高了对复杂流体的仿真能力，仿真时间缩短至原来的二十四分之一，减小风洞实验的次数，流场平均误差降低至万分之一量级。
清华-博世机器学习联合中心提出一种可扩展的神经算子GNOT，能够处理不规则网格、多输入函数和多尺度偏微分方程（PDE）问题，显著提升计算效率。
（二）研究现状>>模型泛化能力
2020年DeepMind团队提出了图神经网络求解器（GNS）架构，将物理系统建模成为粒子系统，通过图神经网络学习粒子之间的相互作用关系，来建模不同物质（例如流体、沙子、胶泥）的动力学，取得了较好的预测效果。
卡内基梅隆大学等人提出了一种数据驱动算子学习框架(OperatorTransformer)，该框架建立在自注意力、交叉注意力和一组逐点多层感知器（MLP）的基础上，可以灵活地适应不同类型的网格，取得了良好的预测结果。
加州理工学院提出了傅立叶神经算子（FNO）方法，将傅立叶变换应用于深度学习中，是一种能够学习无限维函数空间之间映射的深度学习架构，比一般的深度学习方法更快速和准确，且误差不随分辨率的变化而变化。
（二）研究现状>>总结
当前，人工智能大模型算法存在无法同时兼顾计算速度和模型泛化的问题，无法满足牵引电机流场、温度场、应力场等实现快速推理及良好泛化的仿真大模型建设需求。
三、研究进展
（一）牵引电机仿真大模型技术架构
针对当前仿真大模型研究存在计算速度和泛化无法兼顾的问题，以几何信息神经算子GINO为核心，采用“数据层-模型层-应用层-场景层”的技术架构，通过数据驱动的方式建立具备几何及工况双泛化能力、且计算速度快的牵引电机仿真大模型，实现牵引电机快速仿真和自动优化。
（二）数据层
搭建不同对象的牵引电机系统级仿真模型，使用多工况仿真数据、PHM线路运行数据及产品试验数据构建原始数据集，采用数据清洗、重采样算法对数据集进行评估，采用抽样策略对训练集和测试集进行分类。
（二）数据层>>仿真模型搭建
基于牵引系统电路拓扑、控制策略建立电气特性数学模型，结合多物理场耦合效应建立电机有限元模型，通过跨尺度接口数据融合技术，完成牵引电机系统级仿真模型的搭建。
（二）数据层>>原始数据集构建
通过将牵引电机系统级仿真模型生成的多机型、多工况仿真数据，与PHM线路实际运行数据及产品试验数据进行整合，完成对原始数据集的全面收集工作。
（二）数据层>>数据集评估
数据清洗：针对大模型训练数据集中存在的异常数据，需采用数据清洗算法对原始数据进行检测和修复，提高数据的质量和可用性，以满足后续大模型推理的需求。
数据重采样：针对具有不同采样频率或时间间隔的大模型训练数据集，需进行数据重采样预处理，使整个数据集在时间尺度上保持一致，确保后续数据分析的准确性和可靠性。
（二）数据层>>数据集分类
抽样策略：基于牵引电机数据特性，采用分层抽样和聚类抽样相结合的方法，将样本划分为几何结构、材料属性、工况三个层次，每个层次内采用聚类策略，确保训练集和测试集样本的准确性和代表性。
（三）模型层
采用几何信息神经算子（GINO）架构，通过图神经（GNO）算子将不规则几何结构映射到规则空间，解决模型泛化问题；再利用傅立叶神经（FNO）算子在频域内完成偏微分方程求解，解决计算速度问题。
（四）应用层
前端应用主要包含三个功能模块，训练模块通过自动混合精度及高阶自动微分技术实现快速收敛；推理模块根据当前时刻数值及激励快速推理预测下一时刻数值分布；优化模块采用DOE及代理模型技术快速实现设计方案自动寻优。
（五）场景层>>仿真预测
对比传统有限元方法，基于牵引电机仿真大模型应用，可实现牵引电机物理场快速推理仿真功能，并实现三维云图渲染、训练损失和误差曲线实时展示。
（五）场景层>>设计优化
基于大模型的快速仿真推理能力，通过对局部结构的几何设计参数进行优化，快速分析优化后的牵引电机性能参数是否满足设计要求，给出最优设计方案。
（六）应用情况>>牵引电机仿真大模型平台
大模型仿真平台主要包括模型训练、模型推理、设计优化等主要模块，可实现数据上传管理、基础模型配置以及训练、推理、优化等功能，目前已实现了温度场仿真大模型的应用。
（六）应用情况>>仿真预测
采用牵引电机仿真大模型针对电机瞬态温度场进行推理，相比CFD仿真结果，其推理精度＞93%，一小时瞬态温升计算时间由8小时缩短至6分钟。
（六）应用情况>>设计优化
优化模块用于进行电机的局部几何参数寻优，以使电机获得更好散热能力和更高的结构强度。通过选择需优化参数，设置上下限及步长，大模型自动建立DOE并完成快速推理，并将结果生成代理模型并结合寻优算法获取最优参数组合。
四、发展趋势
（一）结构仿真大模型
开展结构强度仿真大模型和参数化设计，实现牵引电机关键结构部件的强度、位移、模态指标的快速、精准预测和部件强度设计快速迭代优化。
（二）多物理场耦合仿真大模型
牵引电机仿真大模型将朝着从解决单一物理场仿真到多物理场仿真的方向迈进，着重解决算法与模型优化、数据融合升级、不确定性量化、精度与效率提升等问题。
（三）创新模型基础架构
几何信息神经算子（GINO）虽然实现了几何结构和工况的泛化，但其不具备平移及旋转不变性，导致几何泛化成本较高，如何在小样本数据下解决牵引电机多类型几何对象的物理场预测问题，将是未来大模型基础架构的研究方向。
