条件自适应磁滞重构网络：面向磁芯损耗建模的轻量级条件注入方法

《IEEE Open Journal of Power Electronics》：CAHR-Net: Condition-Adaptive Hysteresis Reconstruction for Compact and Interpretable Magnetic Core Loss Modeling

　　磁芯损耗源于磁滞回路：每个激发周期耗散的能量等于回路面积，而频率、温度和波形形状通过重塑这一回路来决定损耗大小。现有大多数模型将运行条件作用于终端标量：经验方程将条件折叠进拟合指数，数据驱动预测器则将其附加到编码特征中，导致条件重塑过程缺乏中间磁滞表示作为载体。本文提出条件自适应磁滞重构网络（CAHR-Net），将运行条件注入磁场波形重构所依赖的中间表示中。该网络从磁通密度波形重构磁场波形，通过积分回路面积得到损耗估计，并在对数域施加残差校正；特征级线性调制（Feature-wise Linear Modulation）将频率、温度及波形统计信息编码为通道级缩放与偏移，作用于重构表示。在基于AdamW与余弦调度的匹配训练协议下，该调制机制方能有效发挥作用，因此本文将其架构与训练协议作为耦合方法一并呈现。在MagNet final A-E协议上，一个仅含1874个参数的单模型实现了平均P??相对误差6.89%、材料D类别P??为14.87%的性能，优于参数量约为其48倍的最强黑盒模型。波形级分析验证了重构磁场能准确追踪实测磁场（中位数归一化误差低于2%），残差校正有界且仅作用于尺度维度，且学习到的调制量随频率与温度单调变化。析因分析表明，相较于简单叠加的条件注入，性能增益源于调制路径与训练协议的耦合效应。该网络在单CPU线程上每样本推理延迟为0.19毫秒。