基于数据驱动与物理信息神经网络的轴向主动磁轴承电感代理建模

《Engineering Applications of Artificial Intelligence》:Surrogate modeling of inductance in axial active magnetic bearings using data-driven and physics-informed neural networks

【字体: 大 中 小 】 时间:2026年05月21日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  在主动磁轴承(AMB)系统中,对非线性电磁效应进行精确建模是实现高保真仿真与控制设计的关键。传统方法主要依赖解析近似或基于有限元法(FEM)的查找表:前者往往因过度简化而难以捕捉完整的非线性行为,后者则需要进行计算成本高昂的插值运算,且在采样稀疏区域泛化能力较

  
在主动磁轴承(AMB)系统中,对非线性电磁效应进行精确建模是实现高保真仿真与控制设计的关键。传统方法主要依赖解析近似或基于有限元法(FEM)的查找表:前者往往因过度简化而难以捕捉完整的非线性行为,后者则需要进行计算成本高昂的插值运算,且在采样稀疏区域泛化能力较差。这一现状促使研究人员寻求高效的代理建模方法,旨在保留 FEM 级精度的同时实现可扩展的连续评估。本文提出了一种用于轴向 AMB 电感建模的物理信息神经网络(PINN)方法,将数据驱动学习与电磁电路物理机制相结合。研究人员开发了两种架构进行对比:纯数据驱动神经网络(NN)和 PINN。本研究的主要创新点在于一种物理信息学习公式,即将作为常微分方程(ODE)约束的执行器电压方程嵌入到 PINN 的损失函数中,从而能够一致地强制执行非线性电动力学以及电感对气隙位置和线圈电流的耦合依赖性。训练后的模型在开环和闭环条件下(包含位置和内部电流控制)进行了验证,随后利用从真实 AMB 装置收集的数据进行了离线实验验证。与数据驱动 NN、多项式回归和高斯过程回归等代理模型的对比分析表明,在损失函数中引入基于物理的约束能提高模型的准确性和一致性,特别是在采样稀疏的区域。因此,所提出的 PINN 为轴向 AMB 系统提供了一种符合物理规律且计算高效的代理模型,可替代传统的基于 FEM 的查找表。
**论文解读:基于物理信息神经网络的轴向主动磁轴承电感高效代理建模研究**

**研究背景与问题陈述**
随着高速技术对效率和能量密度要求的提升,主动磁轴承(AMB)在旋转机械中的应用日益广泛。在设计高性能 AMB 时,精确的电感建模至关重要,因为电感表现出强烈的非线性,不仅取决于线圈电流,还受转子位移的显著影响。传统的建模方法主要依赖有限元法(FEM)生成的查找表或简化的解析公式。然而,FEM 查找表存在离散性,在采样点之间需要插值,导致计算成本高且在稀疏采样区泛化能力差;而纯解析模型往往难以捕捉磁饱和、漏磁和边缘效应等复杂非线性行为。此外,纯数据驱动的神经网络(NN)虽然能拟合复杂映射,但在数据稀缺区域容易过拟合且缺乏物理一致性。为了解决上述问题,研究人员致力于开发一种既能保持 FEM 级精度,又能实现连续、快速且符合物理规律评估的代理模型。本研究发表在《Engineering Applications of Artificial Intelligence》期刊上,旨在通过引入物理信息神经网络(PINN),将电磁电路的物理定律直接嵌入神经网络的训练过程中,以克服传统方法的局限性。

**研究内容、结论与意义**
研究人员提出了一种针对轴向 AMB 电感建模的 PINN 框架,核心创新是将执行器电压方程作为常微分方程(ODE)约束嵌入损失函数。研究构建了纯数据驱动 NN 和 PINN 两种架构,利用高保真 FEM 生成的数据集进行训练,并在开环、闭环仿真及真实实验数据上进行了严格验证。结论表明,相较于纯数据驱动模型、多项式回归和高斯过程回归,PINN 在预测精度、泛化能力(特别是在稀疏数据区)和计算效率上均表现优异。该研究的重要意义在于证明了将物理定律融入机器学习可以有效解决工程中的非线性建模难题,为替代昂贵的 FEM 查找表提供了一种高效、鲁棒且物理可解释的解决方案,显著提升了 AMB 系统仿真与控制的实时性与准确性。

**关键技术方法**
本研究采用的关键技术包括:首先,利用 JMAG 软件构建轴向 AMB 的二维静态 FEM 模型,通过参数化扫描电流(0-15 A)和轴向位移(-700 至 700 μm)生成包含 2601 个操作点的高保真电感数据集,涵盖磁饱和及漏磁等非线性效应。其次,设计全连接前馈神经网络(FNN)架构,包含两个隐藏层,分别构建纯数据驱动模型和 PINN 模型。在 PINN 训练中,创新性地将执行器电压方程($u = L_{dyn}(i,x)\frac{di}{dt} + k_u(i,x)\frac{dx}{dt} + Ri$)转化为残差项加入损失函数,强制网络输出符合电路动态特性。最后,利用 Adam 优化器进行训练,并通过 Simulink 搭建开环及闭环(含位置与电流双环 PID 控制)仿真模型,结合真实实验台采集的带噪数据进行多维度验证。

**研究结果分析**
*数据预处理与训练性能*
研究人员对比了不同隐藏层神经元数量下的模型表现。结果显示,PINN 由于物理约束的正则化作用,收敛速度显著快于纯数据驱动 NN(3000 轮次 vs 5000 轮次),且训练时间缩短了约 32%。尽管两者在训练集上的均方根误差(RMSE)均极低,但 PINN 展现出更稳定的训练轨迹。

*开环验证结果*
在开环静态及动态噪声测试中,PINN 模型在电流变化和位置变化场景下均能紧密跟踪 FEM 参考曲线。特别是在引入噪声干扰时,纯数据驱动模型表现出固定的微小偏差,而 PINN 凭借物理约束的自我修正能力,能更准确地还原电感动态变化,相对误差始终控制在 1% 以内。

*闭环系统验证结果*
在包含位置和电流双闭环控制的仿真中,PINN 与数据驱动 NN 均能替代 FEM 查找表维持系统稳定运行。电流波形、转子位移及电感响应曲线显示,PINN 模型在动态调节过程中与 FEM 参考值的一致性略优于纯数据驱动模型,证明了其在反馈控制环境下的可靠性。

*实验数据验证结果*
利用真实轴向 AMB 实验台采集的带噪数据进行离线验证,结果显示训练后的 PINN 模型在未见过的操作条件下仍能保持高精度预测。与 FEM 查找表相比,PINN 在实验数据上的电感估计曲线更加平滑,有效抑制了测量噪声的影响,进一步证实了其泛化能力。

*与基准方法对比结果*
与四次多项式回归(PolyReg)、高斯过程回归(GPR)及纯数据驱动 NN 的对比表明,PINN 在实验操作点上取得了最低的 RMSE 和平均绝对误差(MAE)。在计算效率方面,PINN 的推理时间仅为 GPR 的 1/52.7,多项式回归的 1/7.83,且仅比 FEM 查找表慢 2.5 倍,兼具高精度与实时性优势。

**总结与讨论**
本研究系统评估了物理信息神经网络在轴向 AMB 非线性电感建模中的应用效果。研究结论指出,虽然纯数据驱动方法在数据密集区表现良好,但在稀疏区域及噪声环境下存在局限。通过将执行器电压方程作为 ODE 约束引入损失函数,PINN 显著提升了模型在全操作范围内的一致性和泛化能力。实验与仿真结果一致表明,所提出的 PINN 代理模型在预测精度、抗噪鲁棒性及计算效率上均优于传统回归方法及纯数据驱动模型,是替代 FEM 查找表进行高保真实时仿真的理想选择。这一发现为推动物理信息机器学习在复杂电磁系统建模中的应用提供了有力的实证支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号