AI-assisted design optimisation of permanent magnet synchronous machine for e-bike

Guesmia, Mohammed Abdeldjabar (2026). AI-assisted design optimisation of permanent magnet synchronous machine for e-bike. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (1MB) | Prévisualisation

Résumé

This thesis investigates a data-efficient multi-objective optimization workflow for the electromagnetic design of a permanent magnet synchronous motor (PMSM) intended for a mid-drive electric bicycle (e-bike) powertrain. In this application, the motor must meet competing requirements in compactness, efficiency, and torque quality, since torque ripple directly impacts pedaling smoothness, noise/vibration, and controllability. High-fidelity assessment of these trade-offs generally requires finite-element modeling (FEM), yet FEM-driven design exploration is computationally expensive and often limits the number of candidate geometries that can be evaluated.

To address this challenge, a modular simulation–optimization framework is developed to couple MATLAB with ANSYS Maxwell and automate parametric FEM evaluations. The considered motor is a 48 V interior PMSM featuring a 48-slot/8-pole configuration and a Δ-shaped buried-magnet topology. The design is parameterized by key stator-slot dimensions and magnet geometric variables, and the optimization is formulated with three objectives: maximize average torque, maximize efficiency, and minimize torque ripple.

The proposed approach combines Bayesian optimization (BO) with a Gaussian-process surrogate model and augments the BO loop with a retrieval-augmented generation (RAG) large language model (LLM) acting as a memory-based design agent. Using an internal database of prior FEM results and trend summaries, the LLM proposes candidate designs and incorporates qualitative natural-language rules to steer exploration without repeated manual retuning of objective weights. Comparative studies against a reference multi-objective metaheuristic demonstrate that the LLM guided BO strategy reaches a competitive Pareto region while reducing the number of expensive FEM evaluations. The results support the use of RAG-LLM assistance to improve sample efficiency and interpretability in FEM-based multi-objective PMSM geometry optimization for light electric mobility.

Titre traduit

Optimisation assistée par IA d’une machine synchrone à aiment permanent pour vélo à assistance électrique

Résumé traduit

Cette thèse porte sur le développement d’une démarche d’optimisation multiobjectif, économe en nombre de simulations, pour la conception électromagnétique d’un moteur synchrone à aimants permanents (MSAP) destiné à une transmission mid-drive de vélo à assistance électrique (VAE). Dans ce contexte, le groupe motopropulseur doit concilier compacité, rendement élevé et qualité du couple, puisque l’ondulation de couple influence directement le confort de pédalage, le bruit/vibration et la contrôlabilité. L’évaluation précise de ces compromis repose généralement sur la méthode des éléments finis (MEF), mais l’optimisation (MEF dans la boucle) demeure coûteuse en temps de calcul et limite l’exploration du domaine de conception.

Pour répondre à cette contrainte, un environnement modulaire d’évaluation automatique est mis en place en couplant MATLAB et ANSYS Maxwell afin d’exécuter des campagnes de simulation reproductibles. Le moteur étudié est un MSAP intérieur 48 V, de configuration 48 encoches / 8 pôles, avec une topologie d’aimants enterrés en forme de Δ. La géométrie est paramétrée par des variables géométriques clés des encoches statoriques et par des variables décrivant les dimension des aimants. Le problème est formulé en trois objectifs : maximiser le couple moyen, maximiser le rendement et minimiser l’ondulation de couple.

L’approche proposée combine une optimisation bayésienne (OB) basée sur un processus gaussien et l’enrichit par un grand modèle de langage (GML) ancré par récupération, utilisé comme agent doté de mémoire. En s’appuyant sur une base interne de résultats MEF et des résumés de tendances, le GML propose des candidats et intègre des règles qualitatives en langage naturel pour orienter l’exploration sans réglages manuels répétés des pondérations. Des comparaisons avec une métaheuristique multiobjectif de référence montrent que l’OB guidée par GML atteint une région de Pareto comparable tout en diminuant le nombre d’évaluations MEF coûteuses. Les résultats confirment l’intérêt d’un guidage GML ancré par données pour améliorer l’efficacité et l’interprétabilité de l’optimisation MEF des MSAP dédiés à la mobilité légère.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment of a master's degree with thesis in electrical engineering". Comprend des références bibliographiques (pages 53-57).
Mots-clés libres:	moteur synchrone à aimants permanents, méthode des éléments finis, optimisation multiobjectif, optimisation bayésienne, grand modèle de langage, génération augmentée par récupération, vélo à assistance électrique
Directeur de mémoire/thèse:	Directeur(-trice) Wang, Qingsong
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	04 mai 2026 19:34
Dernière modification:	04 mai 2026 19:34
URI:	https://espace.etsmtl.ca/id/eprint/3889

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt