21世纪以来信息技术和人工智能的发展达到了新的高度,电气设备的智能化制造成为我国工业制造的主要发展目标。电气设备智能化制造的核心部分是利用数据来建立数学模型进行实时分析,但对于体积大、结构复杂的电气设备,传统的有限元分析方法会涉及到大规模的数值计算,导致计算速度缓慢、精度难以达到设计要求,无法满足实时性要求。本文将深度学习理论应用到电机的电磁场分析中,用不同电机结构对应的电磁场分布数据训练搭建好的深度学习模型,替代传统有限元计算对电磁场分布进行预测,提高研究效率,降低时间成本,满足智能制造对于实时性的要求。首先本文以三相异步电机作为主要研究对象,在ANSYS Maxwell输入电机结构尺寸,建立电机模型,利用软件的参数化扫描功能以三相异步电机定子的槽宽、槽高、槽口宽、槽半径等物理结构为设计变量,以定子齿部和轭部磁密为输出变量,确定物理结构的合理变化范围,将三相异步电机进行二维模型建模以及进行有限元分析的过程编写成APDL命令流,得到不同结构参数下的电机电磁场分布,将每组结构参数及其对应的电磁场分布作为一个样本,通过参数化建模计算获得大量的样本并对其进行数据处理,为后续深度学习模型的训练提供样本。其次基于深度学习理论,通过对卷积神经网络,长短时记忆网络及其变体的计算流程、网络结构的深入研究确定了搭建深度学习模型所需要的超参数,然后运用编程语言Python在深度学习专用平台Tensorflow上建立三种深度学习模型并通过样本对模型训练,通过评价指标对模型进行比较,选择最优模型,引入三个不同的测试函数对模型的性能进行检验。最后利用最优模型进行电磁场分布的预测,将预测得到的数据通过仿真软件可视化成图像与实际商业软件仿真得到的图像进行对比。通过不同结构方案中不同位置点的磁位数据对比可以看出,深度学习预测模型预测的数据有较高的精度。