一种3C产品永磁体不可逆退磁混合预测模型及其训练方法、预测方法及电子设备与流程

本发明涉及永磁体性能检测与评估，特别指一种3c产品永磁体不可逆退磁混合预测模型及其训练方法、预测方法及电子设备。

背景技术：

1、钕铁硼永磁体广泛应用于手机、平板、无线耳机等3c电子产品。永磁体在产品工作过程中受工作发热、环境高温影响，容易发生不可逆退磁，直接降低磁吸吸力，造成产品续航衰减、整机功能失效。

2、当前3c行业评估钕铁硼永磁体高温不可逆退磁性能主要有两类手段：第一类为高温实测试验，通过测试试验前后磁通变化计算退磁率，该方式测试结果准确，但每一批次来料均需要开展高温试验，试验周期长，人力、烘箱、磁测设备成本高，难以匹配3c产品快速迭代的研发与生产节拍；第二类为有限元仿真，输入磁材外形尺寸、基础磁参数、环境温度开展仿真计算，获得磁体内部磁场、温度分布，依靠经验公式判断退磁趋势，该方式仅能够做定性趋势分析，无法实现退磁率的精准定量预测。

3、现有技术存在明显缺陷：第一，完全依靠实测试验时，高质量样本获取代价大，样本数量往往无法满足高精度机器学习建模需求；纯有限元仿真基于理想化假设开展计算，仿真输出结果与产品真实工况存在系统性偏差，采用单一数据源建模，预测精度与可靠性不足。第二，现有预测方案大多仅输出退磁率数值结果，没有配套的失效风险等级判定体系，工程人员需要人工额外设定阈值完成风险评判，无法满足3c行业来料快速核验的效率要求。

4、因此，亟需开发一套兼顾预测精度与工程落地效率的预测方案。

技术实现思路

1、本发明属于钕铁硼永磁新材料的性能检测评估手段，目的在于提供一种3c产品永磁体不可逆退磁混合预测模型的训练方法、预测方法、模型及电子设备，解决现有3c行业永磁体高温不可逆退磁性能检测依赖大量实体高温试验，实测试验成本高周期长、纯仿真预测精度不足、缺少标准化失效风险等级判定的行业问题。

2、为达成上述目的，本发明的解决方案为：

3、第一方面，本发明提供一种3c产品永磁体不可逆退磁混合预测模型的训练方法，包括以下步骤：

4、s1：获取单磁体的磁性能参数、加工工艺参数、几何尺寸参数、镀层防护参数、高温工况参数，获取有限元仿真输出的磁场与温度场特征，以及实测得到的不可逆退磁率与失效等级标签，构建包含仿真样本与实测样本的双源数据集；将双源数据集进行特征对齐预处理后，划分得到训练集、验证集以及测试集；

5、s2：采用迁移学习方式，利用训练集中的有限元仿真样本预训练双分支机器学习基础模型，再利用训练集中的工厂实测样本对预训练后的模型进行微调，得到混合预测模型；所述双分支机器学习基础模型包括回归预测分支与分类评判分支，所述回归预测分支用于输出不可逆退磁率，所述分类评判分支用于输出失效风险等级；

6、s3：在验证集上对混合预测模型进行验证，分别采用回归评价指标、多分类评价指标评估模型精度，并采用k折交叉验证评估模型泛化性能，基于评估结果对模型超参数、损失权重进行优化迭代；

7、s4：利用测试集对迭代后的混合预测模型开展测试，当回归精度以及分类判别精度均满足预设工程精度要求时，完成混合预测模型训练。

8、优选方案，所述步骤s1构建双源数据集包括：采用拉丁超立方抽样生成多组输入参数组合，运行有限元仿真批量生成仿真样本；采集工厂退磁试验得到的实测样本作为真值标签，将仿真样本与实测样本做特征对齐，形成双源数据集。

9、优选方案，所述特征对齐预处理包括：对连续特征做标准化或归一化处理；对类别特征进行编码；基于模型特征重要度剔除冗余特征，并构造变量交互特征；

10、所述混合预测模型还包括dnn残差修正支路；所述dnn残差修正支路用于学习有限元仿真样本与实测样本之间的系统偏差，推理阶段将残差修正值叠加至回归预测分支输出结果，得到最终不可逆退磁率预测结果。

11、优选方案，训练过程采用分层加权损失函数；所述分层加权损失函数至少包含数据源权重、类别样本权重；其中，对工厂实测样本设置高于仿真样本的损失权重；对高失效风险、严重失效等级样本设置高于安全、预警等级样本的类别权重。

12、优选方案，还包括模型在线自更新步骤：将待预测样本输入训练完成的混合预测模型，输出预测不可逆退磁率与失效风险等级；将该待预测样本的输入参数以及对应的实测真值补充至双源数据集；当新增样本累计达到设定数量后，基于更新后的双源数据集对混合预测模型做增量微调。

13、优选方案，所述磁性能参数包括性能牌号、剩磁、矫顽力、初始磁通；

14、所述加工工艺参数包括酸洗处理量、酸洗腐蚀深度；

15、所述几何尺寸参数包括长宽厚、长宽比、倒角r尺寸；

16、所述镀层防护参数包括镀层材质、镀层总膜厚、镀层均匀度；

17、所述高温工况参数包括稳态工作温度、温度波动区间、高温持续时长；

18、所述磁场与温度场特征包括磁体内部平均退磁场、磁体局部温差、表面磁通密度、等效磁导pc值。

19、优选方案，所述分类评判分支输出四级失效风险标签，四级失效风险标签为安全、预警、高失效风险、严重失效；按照不可逆退磁率阈值划分各风险等级；所述机器学习基础模型采用lightgbm、xgboost或者随机森林。

20、第二方面，本发明还提供一种3c产品永磁体不可逆退磁混合预测方法，包括：获取待预测永磁体的磁性能参数、加工工艺参数、几何尺寸参数、镀层防护参数、高温工况参数；

21、将上述参数输入由上述训练方法得到的混合预测模型，输出不可逆退磁率预测结果以及对应的失效风险等级。

22、第三方面，本发明还提供一种3c产品永磁体不可逆退磁混合预测模型，所述混合预测模型由上述训练方法训练得到。

23、第四方面，本发明还提供一种电子设备，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时，实现上述训练方法，和/或实现上述预测方法。

24、采用上述方案后，本发明的有益效果在于：

25、1、本发明通过构建融合有限元仿真样本与工厂实测样本的双源数据集，并采用迁移学习策略实现仿真数据与实测数据的高效融合，克服了传统单一数据源建模时样本量不足或数据分布偏移的问题。

26、2、本发明同时采用回归预测与分类评判双分支模型架构，兼顾退磁率的精确数值预测与失效风险的定性等级判定，有效弥补了现有方法在定量计算与工程决策之间的断层。

27、3、本发明引入分层加权损失函数与k折交叉验证机制，显著提升了模型在高失效风险样本上的识别精度与整体泛化能力，并支持模型在线自更新，适用于3c电子产品单磁体快速来料核验、新品牌号与结构设计校核等工程应用场景。

1.一种3c产品永磁体不可逆退磁混合预测模型的训练方法，其特征在于：包括以下步骤：

2.如权利要求1所述的一种3c产品永磁体不可逆退磁混合预测模型的训练方法，其特征在于：所述步骤s1构建双源数据集包括：采用拉丁超立方抽样生成多组输入参数组合，运行有限元仿真批量生成仿真样本；采集工厂退磁试验得到的实测样本作为真值标签，将仿真样本与实测样本做特征对齐，形成双源数据集。

3.如权利要求1所述的一种3c产品永磁体不可逆退磁混合预测模型的训练方法，其特征在于：所述特征对齐预处理包括：对连续特征做标准化或归一化处理；对类别特征进行编码；基于模型特征重要度剔除冗余特征，并构造变量交互特征；

4.如权利要求1所述的一种3c产品永磁体不可逆退磁混合预测模型的训练方法，其特征在于：训练过程采用分层加权损失函数；所述分层加权损失函数至少包含数据源权重、类别样本权重；其中，对工厂实测样本设置高于仿真样本的损失权重；对高失效风险、严重失效等级样本设置高于安全、预警等级样本的类别权重。

5.如权利要求1所述的一种3c产品永磁体不可逆退磁混合预测模型的训练方法，其特征在于：还包括模型在线自更新步骤：将待预测样本输入训练完成的混合预测模型，输出预测不可逆退磁率与失效风险等级；将该待预测样本的输入参数以及对应的实测真值补充至双源数据集；当新增样本累计达到设定数量后，基于更新后的双源数据集对混合预测模型做增量微调。

6.如权利要求1所述的一种3c产品永磁体不可逆退磁混合预测模型的训练方法，其特征在于：

7.如权利要求1所述的一种3c产品永磁体不可逆退磁混合预测模型的训练方法，其特征在于：所述分类评判分支输出四级失效风险标签，四级失效风险标签为安全、预警、高失效风险、严重失效；按照不可逆退磁率阈值划分各风险等级；所述机器学习基础模型采用lightgbm、xgboost或者随机森林。

8.一种3c产品永磁体不可逆退磁混合预测方法，其特征在于：包括：获取待预测永磁体的磁性能参数、加工工艺参数、几何尺寸参数、镀层防护参数、高温工况参数；

9.一种3c产品永磁体不可逆退磁混合预测模型，其特征在于：所述混合预测模型由权利要求1至7任一项所述训练方法训练得到。

10.一种电子设备，其特征在于：包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7任一项所述训练方法，和/或实现权利要求8所述预测方法。