Beim Entwurf elektrischer Maschinen müssen mehrere Leistungsziele berücksichtigt werden, was mit stochastischen Optimierungsalgorithmen oft zeitaufwändig ist. Bayes’sche Optimierung (BO) bietet eine effiziente Alternative, besonders bei teuren Zielbewertungen. Auf probabilistischen Ersatzmodellen basierend, nutzt BO die Gaussian Process Regression (GPR) für hohe Genauigkeit. Obwohl BO im Maschinenbau selten angewendet wird, untersucht diese Studie ihre Anwendung für die Optimierung einer Reluktanz-Synchronmaschine mit 14 Variablen. Im Vergleich zum häufig genutzten NSGA-II zeigt sich, dass BO deutlich bessere Ergebnisse in kürzerer Zeit liefert.

Den Artikel finden Sie hier.