基于残差U-Net和自注意力Transformer编码器的磁场预测方法

利用有限元方法对几何结构复杂的电机和变压器进行磁场分析,存在仿真时间长且无法复用的问题。因此,该文提出一种基于残差U-Net和自注意力Transformer编码器的磁场预测方法。首先建立永磁同步电机(PMSM)和非晶合金变压器(AMT)有限元模型,得到深度学习训练所需的数据集;然后将Transformer模块与U-Net模型结合,并引入短残差机制建立ResUnet-Transformer模型,通过预测图像的像素实现磁场预测;最后通过Targeted Dropout算法和动态学习率调整策略对模型进行优化,解决拟合问题并提高预测精度。计算实例证明,ResUnet-Transformer模型在PMSM和AMT数据集上测试集的平均绝对百分比误差(MAPE)均小于1%,且仅需500组样本。该文提出的磁场预测方法能减少实际工况和多工况下精细模拟和拓扑优化的时间和资源消耗,亦是虚拟传感器乃至数字孪生的关键实现方法之一。

电磁轨道发射器高速下电流密度场预测

通过有限元方法计算发射过程中电流密度场,是实现电磁轨道发射器结构精细化设计的必要条件之一,但存在计算时间长、高速计算困难甚至无法计算的问题。该文首先以激励电流、电枢电导率、轨道结构参数和时间t为输入,建立了基于条件生成对抗网络(CGAN)的电流密度场预测模型;然后,为提高对复杂场分布的预测能力,构建ResUnet-Trans网络作为CGAN的特征生成器;最后进行计算验证。以低速电磁轨道发射器实例验证模型内插预测精度,结果表明,模型在测试集上的平均绝对百分比误差(MAPE)小于1.5%;以高速电磁轨道发射器实例验证模型外推预测能力,结果表明,使用由低电导率向高电导率的迁移学习训练策略可以提高模型外推预测精度和泛化能力,在测试集上外推预测MAPE小于2.5%。该文提出的预测方法可实现电流密度场的秒级计算,为高速电磁轨道发射器的优化设计和数字化提供了一种新的思路。