基于神经网络预测复杂激励下超薄硅钢片剩余场的方法与流程

本发明属于铁磁材料磁滞模型研究，尤其涉及基于神经网络预测复杂激励下超薄硅钢片剩余场的方法。

背景技术：

1、随着高频变压器等电力电子设备中工作频率与激励波形日趋复杂，为降低铁心损耗，超薄硅钢片因其自身较低的损耗特性而获得广泛应用。然而，如何准确预测硅钢片，尤其是在非正弦复杂激励下的铁心损耗，始终是一个技术难题。根据经典的bertotti损耗分离理论与磁场分离技术的一致性，铁心总损耗可分解为磁滞损耗、涡流损耗以及剩余损耗三个部分。目前，针对磁滞损耗与涡流损耗，已有较为成熟的方法实现相对准确的预测。但在实际高频复杂工况下，由于激励波形畸变，材料的磁滞回线会呈现包含多个小回环的复杂形态，这使得剩余损耗的准确预测成为制约总损耗计算精度的关键问题。

2、当前，预测剩余场的方法主要依赖于基于特定解析式的数学模型。然而，这类方法在实际应用中存在显著缺陷。首先，解析式模型中通常包含若干难以通过实验直接准确识别与标定的统计参数，这给模型的建立与实际应用带来了很大困难。其次，更为重要的是，在面对包含高次谐波的任意复杂激励场景时，现有解析式模型的整体预测准确性不高，无法满足高精度设计与优化的工程需求。

3、近年来，尽管神经网络等数据驱动方法被尝试用于材料特性预测，但在预测剩余场方面，若仅进行简单的数学驱动建模，缺乏明确的物理规律引导，会导致模型成为一个“黑箱”。此类模型不仅预测结果的物理意义不明确，工程师难以信任，而且其泛化能力较弱，在训练数据未覆盖的激励条件下预测可靠性显著下降。因此，在准确预测复杂激励下超薄硅钢片剩余场这一问题上，如何构建一个既具有高精度、又具备物理可解释性及强泛化能力的模型，成为了本领域技术人员亟待克服的困难。

技术实现思路

1、为解决上述技术问题，本发明提出了基于神经网络预测复杂激励下超薄硅钢片剩余场的方法，能准确预测超薄硅钢片在任意复杂激励下的剩余场，预测误差小。

2、为实现上述目的，本发明提供了基于神经网络预测复杂激励下超薄硅钢片剩余场的方法，包括：

3、构建用于预测剩余场的神经网络模型，所述神经网络模型的输入参数包括激励的谐波特性与磁感应强度峰值；

4、定义反映超薄硅钢片非线性磁化行为的物理约束条件，所述物理约束条件被构造为损失函数；

5、在所述神经网络模型的训练过程中，将所述物理约束条件对应的损失函数纳入总损失函数，以引导网络训练符合物理规律；

6、利用训练完成的神经网络模型，根据输入的激励参数输出对应的剩余场预测值。

7、可选的，所述物理约束条件包括磁滞特性约束、热力学不可逆约束以及温度特性约束。

8、可选的，所述磁滞特性约束用于限制模型预测的磁感应强度峰值不超过材料固有的饱和磁感应强度。

9、可选的，所述热力学不可逆约束用于确保模型描述的磁化过程能量耗散非负，以符合磁化不可逆规律。

10、可选的，所述温度特性约束用于强制模型符合剩余场强度随温度升高而减弱的物理规律。

11、可选的，所述神经网络模型包含第一隐藏层与第二隐藏层；所述第一隐藏层用于学习输入参数与磁场强度间的非线性关系；所述第二隐藏层用于融入所述物理约束条件。

12、可选的，所述神经网络模型的训练过程还包括：获取在包含不同谐波次数与谐波含量的复杂激励下测得的超薄硅钢片磁滞回线数据；基于损耗分离理论从所述磁滞回线数据中计算出剩余场实测值，作为训练标签。

13、可选的，所述方法还包括验证步骤，将模型输出的剩余场预测值与所述剩余场实测值进行比较，以相对误差评估预测准确性。

14、一种电子设备，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；

15、所述处理器执行所述计算机程序指令时实现所述的基于神经网络预测复杂激励下超薄硅钢片剩余场的方法。

16、一种计算机存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现所述的基于神经网络预测复杂激励下超薄硅钢片剩余场的方法。

17、本发明技术效果：本发明公开了基于神经网络预测复杂激励下超薄硅钢片剩余场的方法，通过将磁滞特性、热力学不可逆及温度特性三大物理约束以损失函数形式嵌入神经网络训练，有效克服了纯数据驱动模型缺乏物理意义和传统解析式模型精度不足的缺陷。该方法使得神经网络模型在预测复杂激励下的剩余场时，其输出结果严格遵循材料固有的磁化规律与热力学定律，显著提升了预测结果的物理可信度与模型的可解释性。同时，该模型具备优异的泛化能力，能够实现对训练数据外任意复杂激励波形下剩余场的准确、可靠预测，为高频变压器等设备的铁心材料选型与损耗精确评估提供了有效的技术工具。

1.基于神经网络预测复杂激励下超薄硅钢片剩余场的方法，其特征在于，包括：

2.如权利要求1所述的基于神经网络预测复杂激励下超薄硅钢片剩余场的方法，其特征在于，所述物理约束条件包括磁滞特性约束、热力学不可逆约束以及温度特性约束。

3.如权利要求2所述的基于神经网络预测复杂激励下超薄硅钢片剩余场的方法，其特征在于，所述磁滞特性约束用于限制模型预测的磁感应强度峰值不超过材料固有的饱和磁感应强度。

4.如权利要求2所述的基于神经网络预测复杂激励下超薄硅钢片剩余场的方法，其特征在于，所述热力学不可逆约束用于确保模型描述的磁化过程能量耗散非负，以符合磁化不可逆规律。

5.如权利要求2所述的基于神经网络预测复杂激励下超薄硅钢片剩余场的方法，其特征在于，所述温度特性约束用于强制模型符合剩余场强度随温度升高而减弱的物理规律。

6.如权利要求1所述的基于神经网络预测复杂激励下超薄硅钢片剩余场的方法，其特征在于，所述神经网络模型包含第一隐藏层与第二隐藏层；所述第一隐藏层用于学习输入参数与磁场强度间的非线性关系；所述第二隐藏层用于融入所述物理约束条件。

7.如权利要求1所述的基于神经网络预测复杂激励下超薄硅钢片剩余场的方法，其特征在于，所述神经网络模型的训练过程还包括：获取在包含不同谐波次数与谐波含量的复杂激励下测得的超薄硅钢片磁滞回线数据；基于损耗分离理论从所述磁滞回线数据中计算出剩余场实测值，作为训练标签。

8.如权利要求1所述的基于神经网络预测复杂激励下超薄硅钢片剩余场的方法，其特征在于，所述方法还包括验证步骤，将模型输出的剩余场预测值与所述剩余场实测值进行比较，以相对误差评估预测准确性。

9.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；

10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-8任意一项所述的基于神经网络预测复杂激励下超薄硅钢片剩余场的方法。