HARDCORE：基于残差、膨胀卷积神经网络在铁氧体磁芯中对任意波形的 H 场与功率损耗估计
系统与控制
2024-01-24 v2 机器学习
系统与控制
应用物理
摘要
MagNet Challenge 2023 号召参赛者开发数据驱动模型，用于环形铁氧体磁芯中特定于材料且与波形无关的稳态功率损耗估计。以下 HARDCORE（基于残差、膨胀卷积神经网络在铁氧体磁芯中对任意波形的 H 场与功率损耗估计）方法表明，具有物理信息扩展的残差卷积神经网络在事先基于观测数据训练后，可以有效服务于该任务。一个关键的解决方案要素是一个中间模型层，它首先重建 BH 曲线，然后基于曲线面积估计功率损耗，使得所提出的拓扑具有物理可解释性。此外，重点放在基于专家的特征工程和信息丰富的输入上，以实现精简的模型架构。为每种材料从头训练一个模型，而拓扑保持不变。文中展示了模型大小与估计精度之间的帕累托权衡，在最差情况材料具有充足样本的条件下，其最优点参数量低至 1755，相对误差的 95 百分位低至 8% 以下。
引用
@article{arxiv.2401.11488,
title = {HARDCORE: H-field and power loss estimation for arbitrary waveforms with residual, dilated convolutional neural networks in ferrite cores},
author = {Wilhelm Kirchgässner and Nikolas Förster and Till Piepenbrock and Oliver Schweins and Oliver Wallscheid},
journal= {arXiv preprint arXiv:2401.11488},
year = {2024}
}
备注
Competition submission version, slightly change author order