NEWS最新消息

在馬達的設計與開發流程中，工程團隊普遍面臨多變數、多目標的最佳化挑戰。傳統流程高度依賴工程師的直覺與經驗，並需要透過大量的 CAE模擬進行驗證。當設計變數增加時，模擬運算的時間成本與分析難度將呈幾何級數增長，限制了設計空間的探索效率。

此解決方案可整合企業既有的CAE模擬流程與設計資料，針對關鍵結構與電磁設計參數建立 AI 模型，快速學習設計條件與性能結果之間的關聯性。

透過RapidMiner AI Studio的Auto Model功能，團隊可快速完成：

有效降低AI建模門檻，讓工程團隊能更專注於產品設計與性能最佳化。

圖片1：AI模型訓練完成後，可輕鬆調整輸入，快速查看模型預測結果

本案例導入相對誤差（Relative Error）作為模型預測精準度的評估基準。使用Auto Model針對資料集進行自動化建模後，該AI模型在馬達核心性能指標上表現出極高的準確度。

在輸出轉矩的預測上，模型的相對誤差低於1.0%，能精準掌握動力輸出特徵；而在系統效率的預測上，誤差更接近於 0.1%，具備極高的數值穩定性，可作為效率優化之依據。

驗證結果顯示，AI模型之輸出高度逼近CAE模擬數值。此架構能有效取代部分高耗時模擬，實現宏觀設計趨勢的快速驗證，大幅降低人工調校與運算資源成本。

由「經驗試誤」轉向「資料驅動」是提升智慧研發競爭力的必然趨勢。本解決方案成功將 AI 技術嵌入既有研發工作中，在維持高精度的前提下大幅縮短設計週期。

圖片2：馬達設計示意圖