经FEA-AI混合方法的多智能体电机设计优化系统

这项研究提出了一种基于大型语言模型 (LLM) 的多智能体框架，用于内置永磁同步电机 (IPMSM) 设计优化，该框架缓解了传统工作流程的局限性：依赖于专业知识的问题设置和数据准备、有限元分析 (FEA) 高昂的计算成本以及人工智能代理在未开发区域的不可靠性。为此，我们首先引入一个设计代理，它用自然语言表达优化问题，利用检索增强生成将电机​​设计问题的答案准确性从 50% 以下提高到 67-80%。此外，训练代理通过推理求解器故障历史记录，自主修复不正确定义的设计空间，将 AI 训练的几何采样成功率从 28% 提高到 84%。此外，为了同时解决成本和可靠性问题，优化代理采用了不确定性感知的 FEA-AI 混合模型：AI 代理是主要评估者，在预测不确定性较高时有选择地调用 FEA。在相同的 FEA 预算下，与传统的仅 FEA 搜索相比，该混合模型在单目标中的铁损降低了 44%，在多目标优化中的超体积提高了 22.5%。在相同的评估预算下，它减少了 52-55% 的计算时间，同时保留了 90-92% 的仅 FEA 超体积。相反，纯人工智能搜索会收敛到错误的最优值，导致一半的帕累托设计不可行。值得注意的是，控制器代理自适应地更新每轮触发 FEA 的不确定性阈值，从而消除了手动调整，并且与固定阈值相比，单目标铁损降低了 5.8%。这些结果建立了领域专业化的 LLM 代理，具有不确定性感知混合评估，作为仿真驱动设计自动化的可靠、可扩展范例。