基于机器学习和深度学习的磁性损失建模
机器学习
2025-02-11 v1 信号处理
摘要
本文提出了一种基于CNN-FCNN的混合神经网络(MNN)用于预测不同材料的磁性损失。在传统磁性核心损失模型中，经验公式通常需要在相同的外部条件下进行回归。当磁性核心材料不同时，需要进行分类讨论。如果外部因素增加，则需要为分类和讨论提出多个模型，这会使得建模过程极其繁琐。此外，传统的经验公式仍存在准确率低的问题，尽管后来引入了各种校正公式，但准确率始终令人不满意。通过引入机器学习和深度学习，可以同时解决经验公式准确率低和复杂条件下的预测问题。基于MagNet数据库，通过对新提出的MNN进行训练，发现单个模型即可在不同温度、频率和波形条件下，对至少四种不同材料进行预测，其准确率远超传统模型。同时，我们还使用了三种其他机器学习和深度学习模型(Random Forest、XGBoost、MLP-LSTM)进行训练，所有模型的准确率都远高于传统模型。基于预测结果，我们提出了一种结合MNN和XGBoost的混合模型，通过加权进行预测，发现准确率可以进一步提高。这为在不同材料和运行模式下进行磁性核心损失建模提供了解决方案。
引用
@article{arxiv.2502.05487,
title = {Modeling of Core Loss Based on Machine Learning and Deep Learning},
author = {Junqi He and Yifeng Wei and Daiguang Jin},
journal= {arXiv preprint arXiv:2502.05487},
year = {2025}
}