如何证明 AI 给出的电机设计方案是最优方案？
本帖最后由 katawong 于 2024-9-23 16:23 编辑前几天，有朋友问我这个问题，他觉得，用 AI 设计出满足要求的电机方案是可以理解的，也是可行的。但是，凭什么说，AI 设计出来的方案就是最优方案呢？
相信各位同仁也有相同的问题，在此专门发帖作一个说明。
事实上，所谓的最优方案，是指在当前的技术条件和AI 算法下，找到的最好方案。随着技术的发展，电机原理的进步，可能会有更好的方案。这个不在今天的讨论范围之内。
朋友提出的这个问题，其实是个数学证明问题，要从数学的角度来证明。
假设，我们的 AI 设计过程符合马尔科夫决策过程，以及满足 贝尔曼方程。这是前置条件。在满足这两个条件的基础上，AI 会找到奖励值最大的方案。
这个时候，找到最优解，就变成了找到奖励值最大。
这就需要我们来进行奖励值的设计了。
根据电机行业的特点，我们把最优方案定义为，在满足技术要求的同时，方案所需材料（硅钢片，铜线，铝材）成本最低。
我们现在来设计奖励值，这个很关键。我们把奖励设置为三大类。
第一类是性能奖励值。比如效率奖励，功率因数奖励，电流倍数奖励，等等。只要满足条件要求，奖励值就为 0 ，否则就为 -100 。
第二类是约束奖励。比如齿宽最小不能小于3mm，磁密最大不能大于 2, 等等。同样的，满足约束条件，奖励值为0 ， 否则为 -100。
第三类是成本奖励。将电机所消耗的铜 、 铁、 铝重量，分别计算其成本，再给出其成本负值 ， 即为成本奖励。成本越低，成本奖励值越高。
很显然，当第一类和第二类奖励值满足要求时，其和为零。相应的，当这两类奖励相加为零时，我们就知道，这个方案是满足技术要求，约束条件或工艺条件的。
这个时候就可以把注意力放在成本奖励了。
如前所述，AI 总是在不断的进行学习和进化，不断的寻找奖励值最大的方案。也就是说，AI 会不断的寻找成本最低的满足技术要求的方案。
总结来说，由于 AI 本身具有不断寻找最高奖励值的能力，那么我们就设计一个奖励值，使得 AI 可以寻找到满足技术要求的同时，最低成本的方案。
＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝我是华丽的分割线＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝
有同仁要问了，AI为什么会找到奖励值最高的方案呢？
这个就是AI学习过程的设计了。它涉及到两个算法，一个是梯度下降算法，我们有一个AI，它会对设计方案进行打分，梯度下降算法的作用是提高对设计方案的打分准确度，另一个是策略梯度算法，我们还有一个
AI, 它会进行方案更改，而策略梯度算法的作用，是使得更改后的方案的得分更高。此处的“打分或得分”，就是上面所说的获得的奖励值。
＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝
不知上述说明，有没有解开同仁心中的疑惑？欢迎提问。
我感觉这个工具的使用，标准还是不太好定。
有一些指标是到达不等式约束范围内就可以接受了，而且无论是大了还是小了都不再影响最终评分。分值的赋予有非线性性质。
再比如对成本的评分，制造商对于不同的甲方可能有不同的标准，对有的甲方那就是成本权重低一点，哪怕不计成本的去做好一台电机，而有的甲方成本权重就会高一些，要以盈利为目的的去做电机。
所以我个人觉得这套工具，最终还是需要人为的去调控权重来使用，甚至对于不等式约束上，也可以调整边界范围，和分值与指标的非线性分值曲线。
并且对各个指标的权重赋予，也需要看公司风格，完全黑箱的话，上手虽然简单了一些，但是可操作性差一些。。 本帖最后由 katawong 于 2024-9-25 11:15 编辑
谢谢您的回复。
您讲得非常对。
事实上，在进行AI训练时，奖励的设计是一件很重要的工作。必须根据不同的需要来设计奖励值。奖励值的设计对AI程序的收敛有很大的影响，对方案的影响也很大。
有些指标，我们确实是给定约束范围的。满足约束范围即可。下图中，您可以看到，转子端环电密实际上小于最小值，转子轭磁密也是如此，但方案是可行的。所以这两个指标我们后来是小于最大值就可。定子电密也是如此。
但我们也在考虑，以定子齿磁密为例，AI应该会努力的使它偏向最大值，因为这样的话，会使得成本最低，而如果值偏向最小值的话，成本其实是会变大的，AI的算法设计会自动将它调大，使得成本变低。
多目标函数的最优求解，权重的分配难。前提还得是电磁、热、NVH的仿真与实测误差（精度）不影响寻优过程，算法加上专家系统的约束是不是能更快地收敛和准确实用？ 本帖最后由 katawong 于 2024-9-25 20:29 编辑
Daixx 发表于 2024-9-25 16:07
多目标函数的最优求解，权重的分配难。前提还得是电磁、热、NVH的仿真与实测误差（精度）不影响寻优过程， ...
谢谢您的回复。
以下是我个人的观点，不妥之处还请指正。
我们采用的AI 算法是强化学习算法，与其他的优化算法不同之处在于，强化学习算法是通过奖励机制，自主学习并得到提升的。
因此，对于强化学习，最关键的地方在于以下几点： 1） 奖励的设计 2 ）动作的设计 3） 状态的设计。
通过强化学习，训练的最终目标，是一个具备丰富经验的设计工程师。
当给他指定的技术参数时，它立刻知道，应该给出什么样的设计方案。
在我们设计的AI中， 并没有专门刻意给出权重系数，所有的权重都隐含在深度神经网络中，由AI自行算出。
此外，我们设计的这个AI并不是一个仅用于设计电机的AI,事实上，它独立于电机之外，也可用于设计其它产品。当它调用 ansysEM，或者MotorCAD，Speed软件时，可以设计电机产品。当它调用kissSoft软件时，就可以设计齿轮产品。
因此，AI设计的准确度，依赖于ansysEM，MotorCAD或者Speed软件的计算精度和准确性。
另外，我们设计的AI，并没有一个专门的专家系统。当然，可能对专家系统这个名称的理解，我们可能与您的意思有所不同。但是就我们实际经验来说，我们主要是训练AI的学习能力和进化能力，并没有设计专门的专家系统。
从强化学习的角度来说，专家系统也是不必须的。
以齿轮为例，很多人很难理解，问我们说，你们并不是设计齿轮的专业技术人员，为什么可以这么自信，认为能够设计出比有丰富经验的工程师还要好的方案呢? 事实上，只要正确设计了在齿轮设计过程中的奖励，动作，状态，AI就可以开始学习齿轮的设计并不断提升自己设计齿轮的能力和水平，最终设计出超过人类水平的方案。
再次感谢您的回复。
页:
[1]