Explorando técnicas de aprendizado de máquina na análise de motores elétricos

Abstract

Os motores síncronos de ímãs permanentes internos (IPMSMs) vêm ganhando destaque em apli- cações de tração elétrica devido à elevada eficiência energética e à alta densidade de potência. Métodos tradicionais, como a Análise por Elementos Finitos (FEA), embora precisos, apresen- tam alto custo computacional, o que motivou o uso de técnicas de aprendizado de máquina para construir modelos substitutos capazes de prever parâmetros de desempenho de forma mais ágil. Contudo, a restrição de acesso a dados privados de diferentes empresas limita a diversidade dos conjuntos de treinamento, prejudicando a generalização dos modelos. Nesse contexto, este trabalho tem como objetivo avaliar a viabilidade de técnicas de aprendizado de máquina na mo- delagem preditiva de parâmetros de desempenho de IPMSMs, com o intuito de criar um método substituto para a análise de IPMSMs. Foram utilizados conjuntos de dados de três topologias distintas de rotores de IPMSM (2D, Nabla e V), avaliando modelos densos, AutoML, transfer learning, autoencoders e aprendizado federado. Os resultados indicam que redes neurais densas e AutoML superaram o modelo XGBoost em diversas métricas, enquanto autoencoders possi- bilitaram a criação de modelos gerais para múltiplas bases. Já a abordagem federada obteve desempenho próximo ao da centralizada, com perdas modestas que podem ser reduzidas por meio do ajuste de hiperparâmetros e arquiteturas. Conclui-se que o aprendizado de máquina é uma alternativa viável para a análise de motores elétricos, mantendo a qualidade preditiva e abrindo caminho para pesquisas futuras em estratégias de agregação e generalização.