新一代人工智能技术与电工装备优化设计的深度融合,正成为新工业革命的主要推动力,永磁同步电机作为一种新型的节能电机,因其结构简单、效率高、运行可靠等优点,被广泛应用于电动汽车、风力“发电、轨道交通等领域。本文使用深度学习建立了电机参数和性能参数的代理模型,实现了电机性能的高精度预测,有效降低了电机性能分析与优化所需时间。本文首先从神经元的构造,感知机结构,BP神经网络的工作原理和局限性等几个方面介绍了深度学习的相关理论,对比分析了浅层学习与深度学习的特征,从而为下文提出的基于深度学习的永磁同步电机性能预测方法提供了理论支撑;然后,依据深层特征提取和解决维数的需要,提出了基于堆栈自编码神经网络(Stack Auto-Encoder Neural Network,SAE-NN)的永磁同步电机多目标性能预测方法,采用有限元软件仿真计算得到7776组样本数据,并将此数据作为深度学习模型的输入和输出数据。应用统计的方法对SAE-NN模型进行了超参数敏感性分析,使用田口法对SAE-NN预测模型进行超参数寻优,并提出了改进方案,得到了最优的SAE-NN模型结构,根据寻优后的结果制作了样机实验,验证了本文提出的基于SAE-NN模型的永磁同步电机性能预测方法具有可靠性和精确性,并且可以有效降低电机性能分析与优化的时间。基于以上算法的可靠性,为提高预测精度,提出了一种基于长短期记忆神经网络(Long Short-Term Memory,LSTM)的永磁同步电机多目标性能预测方法,同样将7776组样本数据作为LSTM预测模型的输入和输出数据,通过对LSTM模型超参数(优化器、Epoch、神经元数、激活函数、隐藏层数)调优,确定了最优的LSTM模型结构。对比分析了BP神经网络,径向基函数和支持向量机,结果表明基于LSTM模型的永磁同步电机多目标性能预测方法精度更高,有效降低了对标签数据的依赖。最后用Pruis案例验证了LSTM预测模型在保证高精度的同时,不仅能够适用于永磁同步电机不同的性能指标,而且在处理多输入、多输出、非线性数据时具有优越的数据特征表达能力和很强的泛化能力。深度学习凭借处理多输入、多输出和非线性数据的优势,能够准确的表达永磁同步电机结构参数与性能参数的复杂非线性关系,具有很高的预测精度。同时与电机设计的有限元分析方法互为验证,为电机设计中的多输入、多输出问题奠定了基础,为电工装备领域深度学习算法的应用和推广提供了理论和实践支撑。