基于多模态神经网络从全局到局部尺度对磁芯损耗的建模

《CPSS Transactions on Power Electronics and Applications》：Modeling of magnetic core losses from global to local scales based on multimodal neural networks

　　

摘要：

本文提出了一种用于建模磁芯损耗的综合性框架，并通过系统化的多尺度方法对其进行了验证。该框架基于两大要素：一系列基于物理原理的数据增强与训练优化技术，以及结合了卷积神经网络和变换器的多模态神经网络。数据增强技术包括随机周期偏移、波形翻转、噪声注入以及参数扰动等，这些方法能够模拟现实世界中的波形不规则性，从而使其可直接应用于任意相位和非周期性输入。相应的训练策略则有助于确保学习的稳定性。核心网络架构通过注意力机制动态融合标量参数与序列波形。验证工作使用了内部实验平台以及公开的MagNet数据库，测试范围不仅涵盖常见的铁氧体，还包括纳米晶和铁粉磁芯，其中某些材料的数据甚至达到了磁饱和状态。该框架在各类材料上都能保持良好的通用性，大多数材料的平均预测误差低于3.4%，而对于像3C94这样的非整数周期波形，预测误差约为2.44%。与现有方法相比，该框架的突出优势在于它整合了更多类型的实验数据、针对现实世界变化情况优化的增强技术，以及严格的多材料验证过程，从而为电力电子设备中磁芯损耗的预测提供了一种灵活且可直接应用的解决方案。