利用物理约束的CNN-KAN框架快速提取扩展Jiles-Atherton模型的参数
《IEEE Transactions on Magnetics》:Fast Parameter Extraction of an Extended Jiles–Atherton Model Using a Physics–Constrained CNN–KAN Framework
【字体:
大
中
小
】
时间:2026年05月21日
来源:IEEE Transactions on Magnetics 1.9
编辑推荐:
摘要: 对于高频磁性元件而言,精确的磁滞建模至关重要,而Jiles–Atherton(JA)模型被广泛用于这一目的。然而,参数识别仍然具有较高的计算要求,因为传统的优化方法需要对每个磁滞回线进行迭代拟合(通常每个回线需要1-2分钟),并且难以适应大规模数据集。为了解决这一限制,
摘要:
对于高频磁性元件而言,精确的磁滞建模至关重要,而Jiles–Atherton(JA)模型被广泛用于这一目的。然而,参数识别仍然具有较高的计算要求,因为传统的优化方法需要对每个磁滞回线进行迭代拟合(通常每个回线需要1-2分钟),并且难以适应大规模数据集。为了解决这一限制,本文提出了一种基于物理约束的卷积神经网络(CNN)和Kolmogorov–Arnold网络(CNN–KAN)框架,用于快速提取延迟增强型JA模型的参数。该方法直接以激励波形H(t)作为输入,并将实验可测量的磁滞特征纳入多目标损失函数中,以确保物理一致性。利用TDK N49环形铁氧体芯在300 kHz到1MHz范围内的测量数据进行训练,该模型能够在单次前向传播中准确重建磁滞回线并可靠地预测JA参数。与基于传统优化方法和替代神经网络架构的比较评估表明,该方法在保持高建模精度的同时显著减少了计算时间。这些结果表明,所提出的框架为高频磁滞建模提供了一种可扩展且高效的解决方案,特别是对于延迟增强型JA模型。
生物通微信公众号
生物通新浪微博
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