一种电工装备磁场预测方法

1.本发明属于装备磁场预测技术领域，尤其是涉及一种电工装备磁场预测方法。


背景技术：

2.电工装备中最常见却也是最重要的一种就是电磁机械装置，它的应用覆盖了日常生产生活、军用等各个领域。磁场是实现能量转换的媒介。了解电工装备磁场分布，不仅有利于分析和掌握电工装备电磁性能、实现装备结构的设计和优化，还有利于诊断和预防运行故障，提高电工装备的使用寿命。
3.目前市场上存在一些电工装备的磁场预测技术，例如，专利cn112016172运用解析法进行磁场预测，将以分离变量法为数学基础的子域解析模型应用于二维磁准静态场，从而进行实心转子感应电机的气隙磁场预测。虽然此专利通过将求解区域剖分成子区域的方法能过够较精准的预测气隙磁场，但此模型的应用主要体现在恒定磁场的解析计算中。此专利将其应用到二维磁准静态场，对于其他性质的磁场还有待证实。而且目前来看，传统的磁路解析计算的研究方法已无法满足磁场计算的精确度要求。
4.相比之下，有限元法减少了解析计算中的各种假设，并且可以考虑非线性材料的饱和程度问题，能够对各种复杂结构的电工装备进行建模。但是有限元法需要大量的网格剖分，这导致整个过程计算量大、效率低。电工装备的工作状态不同，其磁场分布也会受到一定影响，一旦工况改变就需要对磁场分布做重新计算，任务量巨大。
5.随着深度学习的日益发展，它可以从对已知数据的学习中提取特征，实现对未知数据的预测和生成。专利cn108372026提出了一种基于bp神经网络的静电除尘器中磁场效应预测方法，通过bp神经网络对不同电压和温度下的除尘器中磁场效应进行预测。此专利虽然能够对磁场效应做出较高精度的预测，但没有说明静电除尘器的不同电压和温度的选取方法。


技术实现要素：

6.有鉴于此，为克服上述缺陷，本发明旨在提出一种电工装备磁场预测方法。
7.为达到上述目的，本发明的技术方案是这样实现的：
8.一种电工装备磁场预测方法，包括如下步骤：
9.s1、结合电工装备的实际运行工况，建立电工装备的有限元模型；
10.s2、根据需要预测的工况数据选定几种已知工况进行有限元分析，得到该电工装备在对应的几种已知工况下的真实磁场分布图；
11.s3、选定几种对电工装备的磁场分布有影响的因素作为深度学习模型的输入变量，结合该电工装备的几何结构，形成输入信息矩阵；
12.s4、对步骤s2中得到的真实磁场分布图进行归一化处理；
13.s5、将步骤s3中得到的输入信息矩阵和步骤s4中处理后的真实磁场分布图作为训练样本数据和测试样本数据，训练深度学习模型，基于训练后的深度学习模型实现对电工
装备的磁场预测。
14.进一步的，执行步骤s1中，电工装备的实际工况包括工作电压、工作电流、转矩、频率、周围温度、湿度。
15.进一步的，步骤s2中，根据有限元法的变分原理，将电机磁场求解问题转化为求解能量泛函的极值问题，再运用电磁场仿真软件，得到真实的磁场分布图。
16.进一步的，步骤s3中形成的输入信息矩阵包括电工装备的结构参数和实际运行工况涉及的变量；
17.其中，电工装备的结构参数包括各部分尺寸及材料、激励。
18.进一步的，步骤s4中，有限元分析得到的真实磁场分布图为rgb三通道彩色图像，需要将该图像先转换至单通道，然后将像素值进行归一化处理至[0,1]区间。
[0019]
进一步的，步骤s5中，基于内插优先原则选取样本数据；
[0020]
选取样本数据时，还要考虑运算工作量，具体方法如下：
[0021]
根据数值模拟的结果以及历史经验，观察磁场变化是线性还是非线性，选取适宜的样本数量；若为线性，则选取少量样本进行训练，以减少运算量；若为非线性，则在减少运算工作量的同时尽可能增多样本数量，以提高模型的准确度。
[0022]
进一步的，步骤s5中的深度学习模型包括卷积神经网络、u-net、u-net 残差、linknet以及局部注意力机制。
[0023]
相对于现有技术，本发明所述的电工装备磁场预测方法具有以下优势：
[0024]
1、电工装备的使用工况虽然会发生变化，针对工况改变的情况，只要更改输入信息矩阵中对应的数据，通过深度学习模型的预测，即可直接生成该种工况下的电工装备磁场分布图；相比于其他方法的预测精度更高、预测工作量更小，并且可灵活适用于不同工况下的磁场预测。
[0025]
2、对于不同工况设计参数的选取，本发明有具体的说明，即可对不同工况下的电工装备的磁场分布进行预测，可以采用内插和外展两种方法。若做内插预测，需选定指定影响因素的两个端值，中间数据运用特定的抽样方法确定，如系统抽样等；若做外展预测，需选定指定影响因素的一个端值，拓展范围的数据运用特定的抽样方法确定，如简单随机抽样、系统抽样、分层抽样等。
[0026]
3、本发明提出要根据数值模拟的结果以及历史经验，观察磁场变化是线性还是非线性，选取适宜的样本数量。若为线性，则可以选取少量样本进行训练，以减少运算量；若为非线性，则在最大程度减少运算工作量的同时尽可能增多样本数量，以提高模型的准确度。
附图说明
[0027]
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0028]
图1为本发明实施例所述的基于预训练模型的电工装备性能预测方法流程图；
[0029]
图2为本发明实施例所述的卷积神经网络结构图；
[0030]
图3为本发明实施例所述的u-net模型结构图；
[0031]
图4为本发明实施例所述的linknet模型结构图；
[0032]
图5为本发明实施例所述的永磁同步电机部分结构图；
[0033]
图6为本发明实施例所述的有限元分析得到的永磁同步电机真实磁场分布图；
[0034]
图7为本发明实施例所述的卷积神经网络预测得到的磁场分布图；
[0035]
图8为本发明实施例所述的u-net模型预测得到的磁场分布图；
[0036]
图9为本发明实施例所述的linknet模型预测得到的磁场分布图；
[0037]
图10为本发明实施例所述的linknet attention模型预测得到的磁场分布图。
具体实施方式
[0038]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0039]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0040]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
[0041]
如图1所示，一种电工装备磁场预测方法，s1、建立特定结构电工装备的有限元模型，该模型考虑了电工装备的实际运行工况；
[0042]
s2、根据需要预测的工况数据选定某几种已知工况进行有限元分析，通过有限元分析，得到该种电工装备在某几种已知工况下的真实磁场分布图。
[0043]
s3、选定几种对电工装备的磁场分布有影响的因素作为深度学习模型的输入变量，结合该电工装备几何结构，形成输入信息矩阵；
[0044]
s4、对经有限元分析得到的真实磁场分布图进行归一化处理；
[0045]
s5、将s3中已得到真实磁场分布图的几种工况的输入信息矩阵和s4中预处理后的真实磁场分布图作为训练样本数据和测试样本数据，训练深度学习模型，可以根据实际情况选定深度学习模型，可选的模型如卷积神经网络、u-net、u-net 残差、linknet以及局部注意力机制等。经过测试样本数据的测试，以均方误差作为模型是否训练成功的标准；
[0046]
s6、对于其他工况下的电工装备，只要更改输入信息矩阵中对应的数据，通过深度学习模型的预测，即可直接生成该种工况下的电工装备磁场分布图。
[0047]
s1中需掌握电工装备的各项结构参数，以电机为例，如极数、槽数、气隙、定转子铁芯内径及外径等。根据麦克斯韦微分方程得到电工装备各区域数学模型。涉及的电工装备实际工况包括工作电压、工作电流、转矩、频率、周围温度、湿度等。
[0048]
s2中根据有限元法的变分原理，将电机磁场求解问题转化为求解能量泛函的极值
问题，再运用电磁场仿真软件，得到真实的磁场分布图。
[0049]
步骤s2对选定的某几种已知工况进行有限元分析时，需要结合已知工况的相关参数进行有限元分析，通过对不同工况参数的选取，实现对不同工况下的电工装备的磁场分布进行预测，在进行参数选取时，可以采用内插和外展两种方法。若做内插预测，需选定指定影响因素的两个端值，中间数据运用特定的抽样方法确定，如系统抽样等；若做外展预测，需选定指定影响因素的一个端值，拓展范围的数据运用特定的抽样方法确定，如简单随机抽样、系统抽样、分层抽样等。需要强调的是，
[0050]
由于内插预测时，两端都有约束值，所以相比于外展，内插的预测方法具有更高的精度，在允许的条件下，选择内插预测。根据这个原则选定对哪几种工况进行有限元分析，作为训练样本数据代入到神经网络。
[0051]
s3中输入信息矩阵由两部分组成，其一是电工装备的结构参数，主要包括各部分尺寸及材料、激励等，另外一部分是实际工况涉及的变量，这部分与s1中做有限元分析时考虑到的工况因素一致。
[0052]
s4中归一化处理是因为大多数深度学习模型通过梯度下降法进行学习。有限元仿真分析得到的真实磁场云图使rgb三通道彩色图像，需要将其转换至单通道，并将像素值进行归一化处理至[0,1]区间。
[0053]
s5中样本数据的选取除了要遵循内插优先原则()，还要考虑运算工作量的问题，这对样本选取数量提出了要求。本发明提出要根据数值模拟的结果以及历史经验，观察磁场变化是线性还是非线性，选取适宜的样本数量。若为线性，则可以选取少量样本进行训练，以减少运算量；若为非线性，则在最大程度减少运算工作量的同时尽可能增多样本数量，以提高模型的准确度。s5中涉及的深度学习模型是可以变化的，以下是常见的几种模型。
[0054]
如图2所示，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络。它的结构组成分为三层：输入层、隐含层、输出层。其中隐含层包含卷积层、池化层和全连接层。卷积神经网络的输入层可以处理多维数据，由于采用梯度下降法进行学习，所以其输入特征需要进行标准化处理，即在数据输入到卷积神经网络之前，需在通道或时间/频率维对输入数据进行归一化。卷积层对输入数据进行特征提取，它包含了多个卷积核，卷积核内的元素代表权重系数。在卷积层进行特征提取之后，输出的特征图会传递到池化层进行特征选择和信息过滤。全连接层对提取的特征进行非线性组合使其输出。输出层上一层即为全连接层，输出分类结果等。
[0055]
如图3所示，u-net模型是编码器-解码器结构的神经网络。它是全卷积神经网络模型的改进和拓展。此模型的组成共五层，向右箭头表示3
×
3卷积，向右窄箭头代表1
×
1卷积，向下箭头表示2
×
2池化，向上箭头表示2
×
2上采样，黑色箭头表示对该层特征图进行复制后剪裁，水平数字代表通道数，竖直数字代表分辨率。该模型的学习过程是：首先是编码器阶段。对输入图片进行两次卷积操作进行特征提取，使其通道数由1变为64，然后进行四次池化操作，在每次池化之后进行两次3
×
3的卷积操作和修正线性单元激活函数，最终使得通道数扩大至1024，分辨率缩小至32，经过两次1
×
1的卷积操作，使分辨率变为28。随后是解码器阶段。用2
×
2的卷积核进行四次上采样，在每次上采样之后进行两次3
×
3的卷积操作和修正线性单元激活函数，使得通道数变为64，分辨率变为388，在每次上采样过程中，
将变换后的特征图与对应编码器卷积层提取出来的特征图通过跳跃连接级联并融合，保证其通道数与编码器阶段一致。最后通过一次1
×
1的卷积操作，将64维的特征向量映射到输出层，对每个像素进行预测，从而得到2通道的特征图。
[0056]
u-net 残差模型是由u-net模型和残差卷积神经网络构成的，它也是编码器-解码器结构。该模型的优势在于能够利用层间跳跃连接使梯度在反向传播过程中直接传回上一层，不会出现梯度消失问题的同时，没有增加运算复杂度，从而避免了因层级加深导致的性能下降问题。另外，模型中加入了dropout层，以防止网络出现过拟合问题。跳跃连接能够有效提取并融合不同层级的特征，修复池化操作中丢失的图像细节信息，使磁场预测结果更加精准。
[0057]
如图4所示，linknet结构是一种全卷积神经网络，即在网络末端以卷积层代替全连接层，训练得到以图像为输入，并以图像为输出的端到端的模型，与传统卷积神经网络以图像为输入以类别标签为输出有所不同。此网络的优势在于采取了跳跃连接级联了编码器和解码器，可以充分提取和融合不同层级的特征。改进的linknet模型结构是由注意力机制和linknet相结合形成的卷积神经网络。此网络在跳跃连接之后加入了注意力机制，能够把注意力集中到目标区域上更精准的捕获特征，有效解决解码器阶段图像细节信息丢失的问题，预测结果更加精准
[0058]
以永磁同步电机为例，对本技术的方案作进一步说明。
[0059]
1、首先掌握电工装备的结构参数，选定影响其磁场分布的影响因素。以永磁同步电机为例，如图5所示，其永磁体宽度31mm，永磁体厚度5mm，定子齿高29mm，定子齿宽5mm。工作条件选定为电流220a、频率50hz、温度30℃。根据麦克斯韦微分方程组可以得到永磁同步电机各区域的数学模型，区域可分为定子绕组、气隙、永磁体。运用有限元法的变分原理，通过求解能量泛函的极值问题求解磁场。
[0060]
2、运用但不限于ansys仿真软件，对电工装备磁场仿真。设置合适的边界条件、网格剖分模式，得到电工装备真实磁场分布图，如图6所示，为通过有限元分析得到的永磁同步电机真实磁场分布图。对于不同工况设计参数的选取，本发明有具体的说明，即可对不同工况下的电工装备的磁场分布进行预测，可以采用内插和外展两种方法。若做内插预测，需选定指定影响因素的两个端值，中间数据运用特定的抽样方法确定，如系统抽样等；若做外展预测，需选定指定影响因素的一个端值，拓展范围的数据运用特定的抽样方法确定，如简单随机抽样、系统抽样、分层抽样等。需要强调的是，由于内插预测时，两端都有约束值，所以相比于外展，内插的预测方法具有更高的精度，在允许的条件下，选择内插预测。根据这个原则选定对哪几种工况进行有限元分析，作为训练样本数据代入到神经网络。例如，若对200v电压下的永磁同步电机做磁场预测，在训练模型时，可选择100v和300v下的电机实际磁场分布作为样本，采用内插方法做出的磁场预测更加精准。
[0061]
3、将电工装备的结构转换成输入结构矩阵，将对应的工况转化为输入工况矩阵，两者合为输入信息矩阵。对有限元仿真分析得到的真实磁场分布图做归一化处理，得到磁场分布图归一化矩阵。
[0062]
4、将输入信息矩阵和磁场分布图归一化矩阵代入到深度学习模型，样本数量的选取要根据数值模拟的结果以及历史经验，观察磁场变化是线性还是非线性。若为线性，则可以选取少量样本进行训练，以减少运算量；若为非线性，则在最大程度减少运算工作量的同
时尽可能增多样本数量，以提高模型的准确度。以永磁同步电机为例，可选择2300组训练样本数据和200测试数据，选择u-net 残差模型，该模型可以高精准的预测出电工装备的磁场分布图。以均方误差作为模型是否训练成功的标准，若测试得到的均方误差小于设定值，则认为训练成功，若大于设定值，则增加训练样本数量，继续训练。
[0063]
如图7-图10所示，永磁同步电机在不同深度学习模型下进行磁场分布预测的效果图。
[0064]
5、预测其他工况下的电工装备磁场分布图。根据要预测的工况更改输入信息矩阵，输入到训练好的深度学习模型中，预测出电工装备的磁场分布图。
[0065]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。