面向纳米晶与商用磁芯变压器级评估的多模态增强物理信息学习（MEPI）框架

《Applied Research》：Physics-Informed Multimodal Learning for Transformer-Level Assessment of Nanocrystalline and Commercial Cores

　　

本研究开发了多模态增强物理信息学习（Multimodal Enhanced Physics-Informed Learning, MEPI）框架，用于基于实验磁学和电学测量的变压器级评估。研究人员评估了两个环形样机，其中一个采用铁基纳米晶磁芯，另一个采用商用参考磁芯。在获取的900次测量中，862次通过质量控制，90次留作最终测试。MEPI将处理后的磁通密度波形与九个预测特征相结合，联合估计变压器效率、残余损耗以及基于阿伦尼乌斯（Arrhenius）信息的相对热应力代理（relative thermal-stress proxy, LSP），同时在预测输入中排除实测磁芯温度。在最终测试集上，MEPI的决定系数（coefficient of determination, R²）分别为0.9818、0.9706和0.9163，相应的平均绝对误差（mean absolute error, MAE）分别为1.1457个百分点、0.01369 W和0.02795。匹配的下游分析显示，当移除表格特征与条件化通路时性能退化最明显，而表示初始化与物理信息引导的影响依目标而异。与非MEPI基线的比较显示任务依赖的性能差异，同时不确定性分析得到总体接近名义水平的LSP区间覆盖，在较高置信水平下存在轻度覆盖不足。冻结模型进一步部署于实验室原型用于监测和频率筛选，支持所提出框架在所研究实验域内的实际可行性。

论文主体解读：该研究针对变压器损耗直接影响运行效率与生命周期能耗的问题展开。变压器层面电性能依赖磁芯、励磁频率、电压、负载、波形特征与温度；电工钢饱和磁化较高但电阻率较低，随频率升高涡流损耗重要性增加；软铁氧体以较高电阻率抑制涡流损耗，但饱和磁通密度和机械强度通常较低。非晶、纳米晶和铁氧体软磁材料具有高磁导率、低矫顽力和低磁损耗等组合，但饱和磁感应与电阻率因材料类别不同；仅材料级表征不能确立器件级效率、损耗相关行为或热响应。前序材料研究报道了铁基纳米晶软磁带材的制备、热磁退火和磁表征，包括高饱和磁感应、低矫顽力和高最大磁导率；本研究不重复材料级表征，而将研究延伸至两个环形样机的变压器级测量，结论限于受试样机，不推广至更广铁基纳米晶材料类别。热响应以由实测磁芯温度构建的无量纲Arrhenius信息LSP表示，用于所研究操作条件间比较。经典Steinmetz型关系提供磁损耗对励磁条件的经验描述，但精度受拟合参数和所选形式假设支配；Arrhenius型关系描述温度依赖速率标度。由于二者表征不同物理方面，框架赋予不同角色：Arrhenius关系用于构建温度衍生LSP目标，Steinmetz形式关系独立用作模型开发中的损耗相关物理参考。变压器级预测需联合解释波形信息与异质操作测量，并面临若干约束：实测磁芯温度用于构建LSP，若作为预测输入会引入目标泄漏；源表示学习数据集与下游变压器数据集操作特征空间不同；框架需跨域迁移波形表示，同时整合变压器特定测量，并严格分离预测输入、目标构建与物理信息正则。研究人员提出MEPI联合估计变压器效率、残余损耗和LSP；残余损耗目标由变压器功率平衡减去估计绕组铜损得到，因此被视为变压器级损耗相关量而非本征磁芯损耗测量。Arrhenius关系仅用于构建LSP，Steinmetz形式参考仅用训练数据拟合并仅用于正则残余损耗学习，从而避免将目标构建物理关系与模型正则物理关系混同。预测输入包括处理后的磁通密度波形和九个预测特征；实测磁芯温度、磁芯身份、预测目标及由目标导出的量均排除于前向输入。波形表示由源域表示学习初始化，变压器特定组件由实验数据集学习。研究意义在于将MEPI定位为电气效率、残余损耗行为和相对热应力的初步变压器级评估框架，而非替代常规磁芯损耗表征或长期老化实验；证据限于两个变压器样机、正弦励磁、一个实验室测量平台和所研究操作域。

关键技术方法方面，研究人员使用公开MagNet数据集进行表示预训练和序列骨干选择；实验数据集来自两个环形变压器原型（铁基纳米晶与商用参考），在正弦励磁、同一电压-频率网格和固定阻性负载下获得900次测量，质控后862次，按操作条件组划分为687/85/90。MEPI以处理后的磁通密度波形和9个推理可用特征为输入，迁移波形编码器与8-block xLSTM（extended long short-term memory），采用表格条件化多模态融合、Steinmetz形式残差学习与物理正则、多任务预测头及LSP均值-方差不确定性头；用AdamW联合微调，冻结模型后用于监测和频率筛选原型。

研究结果：4.1 性能指标：采用MAE、均方根误差（root mean square error, RMSE）、R²和95百分位相对误差评价，LSP另报平均绝对百分比误差（mean absolute percentage error, MAPE）；概率LSP输出另用高斯负对数似然（negative log-likelihood, NLL）和预测区间经验覆盖评价。4.2 基于MagNet的表示预训练与骨干选择：在统一MagNet预训练协议下比较八个候选骨干，xLSTM取得最低归一化验证MAE，故被选为下游迁移序列骨干；该结果用于骨干选择，不代表最终变压器任务性能。4.3 xLSTM骨干深度分析：考察2、4、6、8、10层，深度增加未产生单调误差下降，8-block配置在10轮深度研究中取得最低验证MAE，并用于初始化下游xLSTM骨干。4.4 损失权重敏感性与MEPI配置选择：电气与LSP任务权重固定，变化Steinmetz正则权重λ₃和不确定性权重λ₄，12个配置均完成；λ₃=1.0、λ₄=0.05取得最小验证任务分数0.202382，验证MAE为效率0.9852个百分点、残余损耗0.01140 W，LSP MAE为0.02223、R²为0.94536、MAPE为4.04%；该配置在访问测试子集前冻结。4.5 MEPI最终预测性能：最终测试集含9个操作条件组的90次测量，效率MAE为1.1457个百分点、RMSE为1.4834个百分点、R²为0.9818；残余损耗P_loss的MAE为0.01369 W、RMSE为0.01646 W、R²为0.9706；LSP的MAE为0.02795、RMSE为0.03637、R²为0.9163、MAPE为4.788%；三者95百分位相对误差分别为4.4385%、25.2739%和13.0185%。4.6 下游消融与基线比较：去除表格特征与条件化通路导致最大退化，效率、残余损耗和LSP的MAE分别由1.14567个百分点、0.013693 W、0.027951升至9.15806个百分点、0.064348 W、0.094762；去Steinmetz分支的MAE为1.17130个百分点、0.012397 W、0.026277，去NLL分支为1.29564个百分点、0.011954 W、0.027229，无MagNet初始化为0.84740个百分点、0.012371 W、0.026417。标量-only多层感知机（multilayer perceptron, MLP）基线MAE为3.92528个百分点、0.037482 W、0.033171；无物理双向门控循环单元（bidirectional gated recurrent unit, BiGRU）基线为1.67255个百分点、0.012339 W、0.025731；完整MEPI效率MAE低于两基线，而BiGRU残余损耗与LSP MAE更低。4.7 LSP不确定性校准与测量重复性：归一化高斯测试NLL为0.665540；名义50%、80%、90%、95%区间的经验覆盖分别为53.33%、77.78%、86.67%、91.11%，覆盖误差为+3.33、?2.22、?3.33、?3.89个百分点；173个重复操作条件组的中位组内标准差分别为效率0.20335个百分点、残余损耗0.001392 W、LSP 0.023090。4.8 MEPI辅助监测与频率响应筛选原型：冻结MEPI集成于原型界面，支持离线频率响应筛选和实时变压器监测；候选条件限制在实验研究域内实测数据，效率、残余损耗和LSP分别保留输出且不引入复合性能分数，筛选结果不解释为实验验证的全局最优频率。

讨论部分总结：最终测试结果说明MEPI在所研究操作域内捕捉了三项目标的主要变化；效率一致性最强，LSP的R²较低，与推理可用测量和温度衍生目标间更间接关系一致；残余损耗全局一致性高但95百分位相对误差达25.27%，提示仅凭R²不足以表征预测可靠性。表示预训练表明序列架构与深度均影响可迁移磁表示，xLSTM在统一MagNet协议下验证误差最低，深度增加不单调改善，8-block取得最低验证MAE而10-block参数和误差均增加。下游损失权重分析表明物理信息与不确定性目标影响多任务平衡，辅助目标需基于验证集加权；Steinmetz项作为残差约束而非替代数据驱动表示。匹配消融显示去除表格特征和条件化通路影响最大，但该消融未分离融合与特征可用性；No-Steinmetz接近完整模型并改善两个目标MAE，故Steinmetz信息残差应解释为物理结构化设计元素而非普遍提高点精度组件。无MagNet初始化降低三个MAE，说明源域表示质量在该数据划分下未转化为下游MAE优势；NLL消融对点精度影响混合，其科学作用更宜通过不确定性结果评估。基线比较支持波形信息与操作条件特征联合使用相对标量-only MLP的优势，但对无物理BiGRU并非普遍优越，比较是任务兼容控制而非已发表磁芯损耗或物理信息神经网络方法复现。LSP应解释为Arrhenius信息、温度衍生相对热应力代理，实测磁芯温度用于构建目标但排除于预测输入以防泄漏；预测与参考LSP一致仅证明构建相对指数预测，不证明实验观测退化、寿命、剩余使用寿命或失效时间；较高置信区间轻度覆盖不足，预测方差应解释为构建LSP任务不确定性而非物理寿命校准置信度。监测与频率筛选原型说明冻结模型与实验测量链集成可行性，但筛选仅为实测域内模型辅助比较，需实验验证后方可视为优化操作点。局限包括下游数据来自两个几何、绕组、阻性负载、正弦励磁、六个名义电压和1.0至4.5 kHz频率匹配的环形样机，测试性能主要反映域内预测有效性，不确立对其他几何、波形、负载或平台的外推；残余损耗非本征磁芯损耗直接测量，LSP非寿命、退化或剩余寿命度量；仅两个物理样机，150样本演示采集仍用同两个原型，不确立真正未见原型泛化；重复性分析非正式独立计量不确定度预算；留一磁芯划分因每类仅一个物理样机而不作为未见原型泛化适当估计，条件组划分仅防止重复条件泄漏。

研究结论部分翻译：本研究开发了MEPI，作为一个具有显式直接目标泄漏控制的多模态框架，用于基于实验获取的磁学、电学和热学信息开展变压器级评估。该框架将处理后的磁通密度波形与九个推理可用操作和磁学特征结合，并联合预测变压器效率、残余损耗和Arrhenius信息相对热应力代理。Arrhenius关系用于目标构建，而Steinmetz关系在下游学习中单独用作损耗相关物理参考。在最终90样本测试子集上，完整MEPI对变压器效率、残余损耗和LSP的R²分别为0.9818、0.9706和0.9163，相应MAE分别为1.1457个百分点、0.01369 W和0.02795。最大消融效应出现在联合移除表格特征及其条件化通路时，而Steinmetz引导和MagNet初始化未提供普遍点精度增益。完整MEPI在三项目标上均优于标量-only MLP，而与无物理BiGRU的比较依目标和指标而异。LSP不确定性分析显示经验覆盖接近名义水平，在较高置信水平下存在轻度覆盖不足。这些发现支持在当前划分下联合使用波形与操作信息，同时限制关于单独融合、迁移初始化和物理信息引导的结论。当前结论仍限于两个受试环形样机、正弦励磁、固定阻性负载和实测电压-频率域。残余损耗不应解释为本征磁芯损耗，LSP仍为相对温度衍生代理而非寿命或退化度量。单独演示数据集使用相同物理样机，因此不确立未见原型泛化，且无正式独立计量不确定度预算。因此，MEPI被定位为变压器级评估与筛选框架，其中表格特征与条件化通路的联合通路在消融中产生最大观察差异；更广泛主张需在真正独立样机、更多励磁与负载条件及独立测量平台上验证。