권선형 회전자 동기 전동기 성능 예측을 위한 머신러닝 및 심층 학습 모델 비교 평가
Comparative Evaluation of Machine Learning and Deep Learning Models for Wound-Rotor Synchronous Motor Performance Prediction
권선형 회전자 동기 전동기(WRSM)는 희토류(REE)에 대한 의존성을 제거하는 강력한 대안으로 부상하였다. 그러나 WRSM 설계는 수많은 기하학적 및 전자기 매개변수의 동시 최적화가 필요하며, 기존 유한요소 해석(FEA)의 높은 계산 비용은 방대한 매개변수 공간의 신속한 탐험을 심각하게 제한한다. 문헌에는 머신러닝 기반 서로게이트 모델링 연구가 있으나, 일반적으로 제한된 수의 모델만 비교하고, 심층 학습 아키텍처는 배제하며, WRSM에 특화된 포괄적인 벤치마크를 제공하지 않는다. 본 연구에서는 WRSM 토크 및 전동기 효율 예측을 위해 4가지 서로 다른 알고리즘 계열에 속하는 총 8개의 머신러닝 및 심층 학습 모델의 성능을 체계적으로 비교하였다. Motor-CAD 시뮬레이션 환경에서 라틴 하이퍼큐브 샘플링(LHS)으로 생성된 3351개 표본의 데이터셋 상에서, 각 모델은 10개의 서로 다른 난수 시드 값으로 학습되었으며 Optuna 하이퍼파라미터 최적화를 통해 튜닝되었다. 기존 문헌과 달리, 본 연구는 FT 트랜스포머와 같은 최근 심층 학습 아키텍처를 포함한 넓은 모델 스펙트럼, 다중 시드 재현성 프로토콜, 그리고 계산 비용-정확도 상충관계에 대한 파레토 분석을 함께 제시한다. 결과는 신경망 기반 모델이 트리 기반 모델보다 체계적으로 우수한 성능을 보인다는 것을 밝혔다. FT-Transformer 모델은 R^2 = 0.9928로 최고의 단일 모델 정확도를 달성하였으며, 0.33밀리초 만에 예측을 생성하여 FEA 대비 여러 자릿수의 속도 향상을 얻었다. 모델 성능은 R^2, MAE, RMSE, MAPE 지표를 사용하여 다차원적으로 평가되었다.