在日趋复杂的应用环境下，电机设备的性能预测与分析尤为重要，然而，在不同电机模型的数据集进行迁移学习，通常找不到电机数据集之间的联系，导致传统单一的深度学习算法在不同电机数据集上迁移应用困难，因此针对不同电机数据集之间的迁移学习，引入跨领域的深度学习方法。具体来讲，使用领域自适应中的特征迁移算法，建立了永磁同步电机智能自学习性能预测模型，实现不同电机之间性能的高精度预测，主要内容包括以下几个方面。 首先，研究了浅层学习和深度学习的基本理论，探究了深度学习的建模和训练方法。在研究了深度学习方法的理论基础上，探索了适用于跨领域的几种基本深度学习模型。同时对比了传统自学习方法和智能自学习方法之间的区别，探究了用于自学习的多种领域自适应算法，研究了不同的领域自适应算法通过不同的方式减少数据之间的差异，为基于特征迁移的永磁同步电机智能自学习性能预测方法提供了理论支撑。 其次，借助于有限元分析软件，分别建立了Prius2004电机、Prius2010电机和实验室中实际电机的有限元模型，得到相应的样本数据集，并选择了标准的评价指标评价预测效果。在基于特征迁移的永磁同步电机智能自学习性能预测方法中，为了提高不同类型电机之间的预测精度，提取不同数据集之间的相同特征，建立不同的实验，通过对LSTM模型中重要参数和结构层数进行实验，选择出最优的结构。 最后，智能自学习主要通过领域自适应算法中的特征迁移实现，在之前参数调优的基础上，选择了合适的生成器、域分类器和回归器，用于永磁同步电机自学习的性能预测。基于特征迁移算法建立性能预测智能自学习模型，将源域和目标域数据提取特征到同一公共空间，通过min-max的方式，最小化标签分类器的损失的同时最大化域分类器的损失，使得源域数据和目标域数据具有相同或非常相似的空间分布，通过回归器对提取的特征进行预测。通过多组实验进行验证，实验表明，在不同的数据集上，不同类型电机的齿槽转矩和效率的预测精度都有一定程度的提高，特别是差异比较大的电机效果更加明显。同时对比智能自学习方法和建立有限元方法的时间，若是在计算初期，使用自学习方法对电机性能快速验证，得到初步的性能值再进行分析，可以大幅度降低计算工作量和时间成本，提高电机的设计效率。
NETL
