Brushless DC motor has specifications such as high efficiency, high startup moment and silent running. Thanks to its low inertia, high torque/size and power/size ratio, it can be used in specially designed vehicles such as electric vehicles (EVs), spacecraft and submarines. As there is no brush and commutator that in its structure can cause arc forming, it can be used in fire-sensitive areas. In this study, a 2 kW three-phase out-runner permanent magnet brushless DC (BLDC) motor was designed to be used in ultralight EV. The size of the motor, the magnetic equivalent circuit and the electrical equivalent circuit parameters required for the BLDC motor design process were analytically calculated. The finite element method was then used to evaluate flux density, flux distributions, torque and motor efficiency and was approved for analytical design. The BLDC motor, which has about 89% efficiency, has been manufactured and mounted on an ultralight EV. Finally, the motor speed was estimated using a new robust hybrid metaheuristic model called artificial neural networks (ANNs) trained with particle swarm optimization (PSO) and radial movement optimization (RMO). A genuine and unconventional technique was used to examine the model's performance. That is, using three distinct input variables such as output torque, efficiency and output power, the output variable of motor speed was estimated. And then, the results were compared using the other three hybrid models. In all performs, it was seen that ANNs trained with PSO + RMO model achieved the most successful results with the lowest errors.

无刷直流电动机具有高效率，高启动力矩和静音运行等规格。由于其低惯性，高扭矩/尺寸和功率/尺寸比，它可用于特殊设计的车辆，例如电动车（EV），航天器和潜艇。由于没有电刷和换向器在结构上会引起电弧形成，因此可以在火敏区域使用。在这项研究中，设计了一种2 kW三相超越转子永磁无刷直流（BLDC）电机，用于超轻型EV。通过分析计算了BLDC电机设计过程所需的电机尺寸，等效磁路和等效电参数。然后使用有限元方法评估磁通密度，磁通分布，转矩和电机效率，并被批准用于分析设计。效率约为89％的BLDC电机已经制造并安装在超轻型EV上。最后，使用一种新的鲁棒混合超启发式模型（称为人工神经网络（ANN））对电动机速度进行估算，该模型通过粒子群优化（PSO）和径向运动优化（RMO）进行训练。使用一种真正的，非常规的技术来检查模型的性能。也就是说，使用三个不同的输入变量（例如输出转矩，效率和输出功率），可以估算电动机速度的输出变量。然后，使用其他三个混合模型比较结果。在所有表演中，可以看到用PSO + RMO模型训练的人工神经网络以最小的错误获得了最成功的结果。最后，使用一种新的鲁棒混合超启发式模型（称为人工神经网络（ANN））对电动机速度进行估算，该模型通过粒子群优化（PSO）和径向运动优化（RMO）进行训练。使用一种真正的，非常规的技术来检查模型的性能。也就是说，使用三个不同的输入变量（例如输出转矩，效率和输出功率），可以估算电动机速度的输出变量。然后，使用其他三个混合模型比较结果。在所有表演中，可以看到用PSO + RMO模型训练的人工神经网络以最小的错误获得了最成功的结果。最后，使用一种新的鲁棒混合超启发式模型（称为人工神经网络（ANN））对电动机速度进行估算，该模型通过粒子群优化（PSO）和径向运动优化（RMO）进行训练。使用一种真正的，非常规的技术来检查模型的性能。也就是说，使用三个不同的输入变量（例如输出转矩，效率和输出功率），可以估算电动机速度的输出变量。然后，使用其他三个混合模型比较结果。在所有表演中，可以看到用PSO + RMO模型训练的人工神经网络以最小的错误获得了最成功的结果。使用一种真正的，非常规的技术来检查模型的性能。也就是说，使用三个不同的输入变量（例如输出转矩，效率和输出功率），可以估算电动机速度的输出变量。然后，使用其他三个混合模型比较结果。在所有表演中，可以看到用PSO + RMO模型训练的人工神经网络以最小的错误获得了最成功的结果。使用一种真正的，非常规的技术来检查模型的性能。也就是说，使用三个不同的输入变量（例如输出转矩，效率和输出功率），可以估算电动机速度的输出变量。然后，使用其他三个混合模型比较结果。在所有表演中，可以看到用PSO + RMO模型训练的人工神经网络以最小的错误获得了最成功的结果。