(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111631757.7 (22)申请日 2021.12.28 (71)申请人 河北工业大 学 地址 300000 天津市北辰区双口镇西平 道 5340号 (72)发明人 金亮　刘璐　杨庆新　刘素贞　 张闯　 (74)专利代理 机构 天津企兴智财知识产权代理 有限公司 12 226 代理人 薛萌萌 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种电工装备磁场预测方法 (57)摘要 本发明提供了一种电工装备磁场预测方法， 包括如下步骤： 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； 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； 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； S4、 对步骤S2中得到的真实磁场分布图 进行归一化处理； S5、 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。 本发明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。 权利要求书1页 说明书6页 附图5页 CN 114398810 A 2022.04.26 CN 114398810 A 1.一种电工装备磁场预测方法， 其特 征在于， 包括如下步骤： 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； 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； 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； S4、 对步骤S2中得到的真实磁场分布图进行归一 化处理； 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。 2.根据权利要求1所述的 电工装备磁场预测方法， 其特征在于： 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。 3.根据权利要求1所述的 电工装备磁场预测方法， 其特征在于： 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。 4.根据权利要求1所述的电工装备磁场预测方法， 其特征在于： 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； 其中， 电工装备的结构参数包括各部分尺寸及材 料、 激励。 5.根据权利要求1所述的 电工装备磁场预测方法， 其特征在于， 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。 6.根据权利要求1所述的 电工装备磁场预测方法， 其特征在于： 步骤S5中， 基于内插优 先原则选取样本数据； 选取样本数据时， 还要考虑运 算工作量， 具体方法如下： 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。 7.根据权利要求1所述的电工装备磁场预测方法， 其特征在于： 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、 l inknet以及局部注意力机制。 8.根据权利要求1所述的 电工装备磁场预测方法， 其特征在于： 步骤S2中， 在不同工况 下选取样本数据时， 选取 方法包括内插和外展； 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； 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； 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 。权　利　要　求　书 1/1 页 2 CN 114398810 A 2一种电工装 备磁场预测方 法 技术领域 [0001]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 [0002]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。 [0003]目前市场上存在一些电工装备的磁场预测技术， 例如， 专利CN1120 16172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。 [0004]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。 [0005]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。 发明内容 [0006]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。 [0007]为达到上述目的， 本发明的技 术方案是这样实现的： [0008]一种电工装备磁场预测方法， 包括如下步骤： [0009]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； [0010]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； [0011]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； [0012]S4、 对步骤S2中得到的真实磁场分布图进行归一 化处理； [0013]S5、 将步骤S3中得到的输入信息矩阵和步骤S 4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说　明　书 1/6 页 3 CN 114398810 A 3