基于大数据风格迁移学习的电工装备温度场数值预测方法 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明属于大数据温度场数值计算技术领域，尤其是涉及一种基于大数据风格迁移学习的电工装备温度场数值预测方法。背景技术：2.计算电磁学是电气工程、生物医学工程领域的重要组成部分，电-磁-热-力场的数值计算在电气工程和相关领域中起着至关重要的作用，如电工装备设计、经颅磁刺激线圈设计、天线设计、光电子和雷达截面分析等。如何高效率、低成本地得到电工装备的电-磁-热-力场分布情况，成为分析、掌握和优化电工装备的关键。3.有限元数值法是当前最普遍的温度场数值计算方法，该方法以剖分插值和变分原理为基础，可用来解决由微分方程描述的各种物理场问题，随着该方法涉及到诸如复合、组合、三维、波动、瞬态、非线性、无限域、多场耦合等领域，其所需内存、单元数与计算工作量规模宏大，以至于理论上有限元法均可解决，而实际上所解决问题的复杂性与计算机运算能力之间存在矛盾。且现有电工装备温度场求解过程为：电磁场-涡流场-温度场，属多场耦合计算，较电场、磁场等单场计算更为复杂。4.随着gpu与算法效率的进步，利用风格迁移学习对电工装备进行温度场预测成为新思路。由于cnn的局部性和空间不变性，很难提取和维护输入特征矩阵的全局信息，大部分神经网络模型都存在的局部感受野较局限的问题。为了获得全局信息，需要多层堆叠，但是随着层数增大信息量会衰竭，提取的特征注意力集中在某些区域。因此，传统的方法通常存在偏差，此外现有的利用深度学习进行温度场预测的方法大部分使用所研究电工装备的自身参数训练神经网络模型，但对于复杂装备自身参数数据获取困难，无法利用简单装备预测复杂装备，所以效率低、成本高。技术实现要素：5.本发明旨在避免上述相关技术的缺陷，提出了一种基于大数据风格迁移学习的电工装备温度场数值预测方法，该方法能够将transformer模型与风格迁移技术相结合，利用简单问题的求解风格推进复杂问题的求解，使用复杂问题编码器的内容序列结合简单问题编码器的样式序列共同求解复杂问题温度场分布的模型结构，能够有效实现电工装备的温度场数值预测。6.本发明采用的技术方案是：7.一种基于大数据风格迁移学习的电工装备温度场数值预测方法，所述预测方法包括以下步骤：8.s1、在数值仿真软件中建立不同复杂程度的多种电工装备模型，并按照复杂程度对多种电工装备模型进行由简单到复杂的排序；9.s2、脚本文件控制数值仿真软件创建包含影响温度场分布的影响因素和温度场分布信息的大数据集：10.s3、数据处理，将大数据集分为训练集和测试集：11.对所述大数据集进行数据处理，所述数据处理过程是：将仿真后的每种电工装备模型所处空间进行栅格划分，得到每个栅格点的材料参数、激励参数和温度场分布；12.将需要的数据分布信息进行提取，需要的数据分布信息包括电工装备模型的材料参数和激励参数的分布信息、温度场分布信息，以电工装备模型的材料参数和激励参数的分布信息构成特征矩阵，不同种类的电工装备模型具有不同种类的特征矩阵，材料参数和激励参数的分布信息作为输入神经网络模型的特征矩阵，对应的温度场分布信息作为训练的标签；13.从数据处理后的大数据集中每种特征矩阵中随机提取部分作为测试集，剩余部分作为训练集；14.s4、构建神经网络模型并训练：15.所述神经网络模型包括样式序列路线和内容序列路线，两个序列路线的输出连接transformer解码器；16.所述样式序列路线包括transformer编码器、分块处理模块、线性投影操作，所述内容序列路线包括transformer编码器、分块处理模块、线性投影操作、基于内容感知的位置编码机制；17.对排序后的多种电工装备模型的对应特征矩阵，训练时每次选择两种，相对简单电工装备模型的特征矩阵依次经样式序列路线的分块处理模块、线性投影操作、transformer编码器后形成样式序列；18.相对复杂电工装备模型的特征矩阵依次经内容序列路线的分块处理模块、线性投影操作后与基于内容感知的位置编码机制的处理结果进行融合，融合后的结果经transformer编码器输出内容序列，将样式序列和内容序列在transformer解码器中进行融合解码并输出预测结果；19.transformer解码器的输出为电工装备模型的温度场分布；20.至此，获得用于温度场数值预测的神经网络模型。21.获得待测电工装备的特征矩阵，将其输入到神经网络模型的内容序列路线中，获得待测电工装备的温度场数值预测结果。22.所述不同复杂程度的多种电工装备模型产生温度场原理相同，包括：线圈电工装备模型、变压器电工装备模型和内置永磁电机电工装备模型；线圈电工装备模型中包含的材料为空气和铜，变压器电工装备模型中包含的材料为空气、铜和硅，内置永磁电机电工装备模型中包含的材料为空气、铜、硅和永磁体。23.用数值仿真软件分析不同复杂程度的多种电工装备模型，得到求解电工装备模型的温度场分布结果，用于形成大数据集；使用数值仿真软件的数据导出功能，将包含着电工装备模型数据分布信息的csv文件导出，形成电工装备自身参数与温度场分布的大数据集。24.所述神经网络模型的损失函数包括：体现输出温度场分布与实际温度场分布差异的均方误差损失函数。25.所述大数据集是在电工装备模型的有效参数范围内随机生成的。26.所述transformer解码器包括两个多头注意力机制模块、三个add&norm层和一个前馈层，每个多头注意力机制模块上方连接一个add&norm层，add表示残差连接，norm表示分层归一化，在最上面的两个add&norm层之间设置有前馈层，最上面的add&norm层的输出为解码器的输出。27.相对于现有技术，本发明所述的基于大数据风格迁移学习的温度场数值预测方法具有以下优势：28.1、本发明预测方法能够对产生温度场原理相同的不同复杂程度的电工装备的温度场分布进行预测，将温度场分布问题统一由transformer模型和风格迁移技术相结合的神经网络模型训练并解决，获得一种全新的温度场预测模型，足以证明本发明所涉及模型的泛化能力强、应用前景广。29.2、本发明中训练神经网络模型所需的大数据集是在有效范围内随机生成，不含对数据集的人为挑选，涉及的参数取值范围更大，具有随机性，保证了大数据集的可靠性。30.3、本发明训练神经网络模型所用到的大数据集，不包含数值仿真软件得出的温度场分布图，只包含体现数据分布特征的特征矩阵，因此不需对图片进行预处理操作，减少了数据处理的复杂程度，而且温度场分布数据是通过栅格形式输出，每个点的数值都能精确表达，提高了训练结果的精确度。本发明涉及的预测对象不仅包含可变的结构参数，也包含可变的激励参数，涉及到的参数范围更广，问题多样性更高。31.4、本发明的核心技术在于，所使用的神经网络模型将transformer模型与风格迁移技术结合，与传统电工装备温度场计算相比，省去了电工装备电磁场、涡流场、温度场的多场耦合复杂计算，由材料、激励、结构直接与温度场进行关联预测；此外，本发明中神经网络模型选择含有自注意力机制的transformer编码器与解码器，使用了基于内容感知的位置编码机制，考虑了输入特征矩阵内容之间的关系，具有尺度不变性，与transformer模型特有的自注意力机制共同作用，可以有效避免细节丢失问题，拥有更好的全局信息掌握能力，解决了基于风格迁移学习的电工装备电-磁-热-力场预测领域中大部分神经网络模型都存在的局部感受野较局限的问题。32.5、本发明预测方法考虑了不同复杂程度温度场求解方式之间的相关性，由于不同电工装备温度场问题之间具有相似性，将简单问题的求解风格作为复杂问题求解的借鉴依据，能够在减少训练资源的情况下准确预测复杂问题的温度场分布，具有尺度不变性、全局信息掌握能力，避免由于网络深度的增加而导致温度场分布特征分辨率降低和细节丢失的缺陷，具有泛化能力强，预测精度高，并行速度快的优点。附图说明33.构成本发明的部分附图用来提供对本发明的进一步理解以及证明本发明的优点和真实性，其中：34.图1为本发明实施例所述的基于大数据风格迁移学习的电工装备温度场数值预测方法的流程示意图；35.图2为本发明中神经网络模型中的解码器部分的结构图；36.图3为本发明中神经网络模型的整体结构图；37.图4为本发明实施例所述的线圈电工装备模型结构示意图；38.图5为本发明实施例所述的变压器电工装备模型结构示意图；39.图6为本发明实施例所述的内置永磁电机电工装备模型结构示意图；40.图7为本发明实施例训练完成后线圈电工装备模型测试集预测温度场分布与实际温度场分布的对照图；其中(a)为预测温度场分布结果图，(b)为实际温度场分布结果图；41.图8为本发明实施例训练完成后变压器电工装备模型测试集预测温度场分布与实际温度场分布的对照图；其中(a)为预测温度场分布结果图，(b)为实际温度场分布结果图；42.图9为本发明实施例训练完成后一组内置永磁电机电工装备模型测试集预测温度场分布与实际温度场分布的对照图；其中(a)为预测温度场分布结果图，(b)为实际温度场分布结果图。具体实施方式43.下面结合附图并举实施例，对本发明进行详细描述。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。44.本发明实施例的一种基于大数据风格迁移学习的电工装备温度场数值预测方法，该预测方法的具体流程(参见图1)是：45.一种基于大数据风格迁移学习的电工装备温度场数值预测方法，包括如下步骤：46.s1、在数值仿真软件中建立不同复杂程度的多种电工装备模型，按照结构参数由简单到复杂进行排序，本实施例中三种电工装备模型分别包括：线圈电工装备模型、变压器电工装备模型和内置永磁电机电工装备模型；所述不同复杂程度指电工装备模型的结构参数、材料参数和激励参数不同。47.s2、脚本文件控制数值仿真软件创建包含影响温度场分布的影响因素和温度场分布信息的大数据集：48.所述影响因素包括结构参数、材料参数和激励参数；49.用数值仿真软件分析上述不同复杂程度的三种电工装备模型，得到求解电工装备模型的温度场分布结果，用于形成大数据集；使用数值仿真软件的数据导出功能，将包含着电工装备模型数据分布信息的csv文件导出，形成电工装备自身参数与温度场分布的大数据集；50.所述电工装备自身参数是指电工装备模型的结构参数、材料参数和激励参数；51.一种结构参数、材料参数和激励参数下求解获得的电工装备模型的温度场分布结果形成一个样本，大数据集中具有多种电工装备模型的大量样本；多种电工装备模型对应多种特征矩阵，本实施例中由三种电工装备模型为例进行说明。52.s3、数据处理，将数据集分为训练集和测试集：53.对所述大数据集进行数据处理，所述数据处理过程是：将仿真后的每种电工装备模型所处空间进行栅格划分，得到每个栅格点的材料参数、激励参数和温度场分布；54.将需要的数据分布信息进行提取，需要的数据分布信息包括电工装备模型的材料参数和激励参数的分布信息、温度场分布信息，以电工装备模型的材料参数和激励参数的分布信息构成特征矩阵，不同种类的电工装备模型具有不同种类的特征矩阵，材料参数和激励参数的分布信息作为输入神经网络模型的特征矩阵，对应的温度场分布信息作为训练的标签，以温度场分布作为实际值用来与预测值做比较。55.从数据处理后的大数据集中每种特征矩阵中随机提取小部分作为测试集，剩余大部分作为训练集输入神经网络模型；56.s4、构建神经网络模型：57.所述神经网络模型包括样式序列路线和内容序列路线，两个序列路线的输出连接transformer解码器；58.所述样式序列路线包括transformer编码器、分块处理模块、线性投影操作，所述内容序列路线除包括transformer编码器、分块处理模块、线性投影操作外，还包括基于内容感知的位置编码机制；59.简单问题的特征矩阵依次经样式序列路线的分块处理模块、线性投影操作、transformer编码器后形成样式序列，复杂问题的特征矩阵依次经内容序列路线的分块处理模块、线性投影操作后与基于内容感知的位置编码机制的处理结果进行融合，融合后的结果连接transformer编码器的输入，由transformer编码器输出内容序列，将样式序列和内容序列在transformer解码器中进行融合解码并输出预测结果；60.transformer解码器的输出为电工装备模型的温度场分布；61.至此，获得神经网络模型；62.s5、风格迁移与训练：63.将训练集中的简单问题(线圈电工装备模型)的特征矩阵作为风格迁移矩阵，依次经样式序列路线的分块处理模块、线性投影操作后输入到transformer编码器中编码形成样式序列，同时将较复杂问题(变压器电工装备模型)的特征矩阵作为内容矩阵，依次经内容序列路线的分块处理模块、线性投影操作后与基于内容感知的位置编码机制的处理结果进行融合，融合后的结果连接transformer编码器的输入，由transformer编码器编码后输出内容序列，将样式序列和内容序列在transformer解码器中进行融合解码并输出预测结果，采用多层transformer解码器根据样式序列对内容序列进行风格迁移，并将较复杂问题(变压器电工装备模型)的温度场分布输出；再次重复此操作，将训练集中的较复杂问题(变压器电工装备模型)的特征矩阵作为风格迁移矩阵，依次经样式序列路线的分块处理模块、线性投影操作后输入到transformer编码器中编码形成样式序列，同时将复杂问题(内置永磁电机电工装备模型)的特征矩阵作为内容矩阵，依次经内容序列路线的分块处理模块、线性投影操作后与基于内容感知的位置编码机制的处理结果进行融合，融合后的结果连接transformer编码器的输入，由transformer编码器编码后输出内容序列，将样式序列和内容序列在transformer解码器中进行融合解码并输出预测结果，采用多层transformer解码器根据样式序列对内容序列进行风格迁移，并将复杂问题(内置永磁电机电工装备模型)的温度场分布输出；64.利用测试集对训练好的神经网络模型进行测试，与数值仿真软件分析得到的实际温度场结果进行对比，若测试结果的误差与训练结果的误差预期效果相近，温度场分布的均方误差均小于1％，则证明模型训练成功，可以用于实际温度场预测，否则适当增加训练集的数量继续训练或优化神经网络模型的结构后继续训练，直到测试成功。65.在实际使用中，获得待测电工装备模型的特征矩阵，将其输入到神经网络模型的内容序列路线中，样式序列路线输入为大数据集中复杂程度最高的电工装备模型的特征矩阵，获得待测电工装备模型的温度场数值预测结果。66.进一步的，s1中所述的三种不同复杂程度的电工装备模型包括：线圈电工装备模型、变压器电工装备模型、内置永磁电机电工装备模型，其中线圈电工装备模型中包含的材料为空气和铜，变压器电工装备模型中包含的材料为空气、铜和硅，内置永磁电机电工装备模型中包含的材料为空气、铜、硅和永磁体。线圈电工装备模型包含的材料最少，结构最简单，激励变化范围小；内置永磁电机电工装备模型包含的材料最多，结构最复杂，激励变化范围广；变压器电工装备模型的复杂程度介于两者之间。67.本发明中不同复杂程度是指：每种电工装备模型的结构参数、材料参数和激励参数范围不同；所述结构参数包括电工装备模型的结构和位置等，材料参数包括电工装备模型的材质、相对介电常数、相对磁导率、电导率、热导率等，激励参数包括电流密度等，电流密度根据电流值/面积获得，电流值包含大小和方向，电流密度由电流值确定。68.所述不同复杂程度对应于线圈电工装备模型指的是：线圈的结构、位置和电流大小不同，本实施例中不考虑材料参数的变化；对应于变压器电工装备模型指的是：变压器的结构和变压器一二次侧绕组线圈的横截面积，其中，变压器的结构包括变压器整体的长宽和变压器铁心柱的截面积，变压器一次侧是匝数为90、电流为1a的绕组线圈，二次侧是匝数为90、电流为0a的绕组线圈，由于一二次侧绕组线圈的横截面积会变化，导致通过一次侧的电流密度变化，从而引起变压器一次侧激励的变化；对应于内置永磁电机电工装备模型指的是：1/4内置永磁电机的结构、通过绕组的电流方向和大小、以及内置永磁体的结构不同。69.通过数值仿真软件计算相应电工装备模型的温度场分布结果得到大数据集并用于神经网络模型训练。70.进一步的，s3中所述数据处理指的是：将仿真后的每种电工装备模型所处空间进行栅格划分，得到每个栅格点的结构参数、材料参数、激励参数和温度场分布，其中材料参数、激励参数作为输入神经网络模型的特征矩阵，温度场分布作为训练的实际值。71.进一步的，s4中的特征矩阵由s3步骤所得，所使用的神经网络模型是由transformer模型的编码器和解码器与风格迁移技术结合而成。72.进一步的，s4中所述神经网络模型的损失函数包括：体现输出温度场分布与实际温度场分布差异的均方误差损失函数。73.进一步的，s2中所述大数据集是由脚本文件控制数值分析软件产生的。74.图2所示为神经网络模型的transformer解码器的结构图，transformer解码器在现有transformer解码器基础上，去掉了本来适用于机器翻译的掩码功能部分，包括两个multi-head attention(多头注意力机制模块)、三个add&norm层和一个前馈层(feed forward)，每个multi-headattention上方连接一个add&norm层，add表示残差连接，用于防止网络退化，norm表示分层归一化layernormalization，用于对每一层的激活值进行归一化，在最上面的两个add&norm层之间设置有前馈层，最上面的add&norm层的输出为解码器的输出。由transformer编码器得到的序列信息经过transformer解码器后得到待预测电工装备的温度场分布。75.所述multi-headattention为多头注意力机制模块，是由多个self-attention(自注意力机制模块)组成的，将经过transformer编码器处理后电工装备模型的序列信息引入transformer解码器，自注意力机制可以根据全局信息的关系来引入权重，在通道、空间两个层面，通过计算每个单元通道与通道之间、像素点与像素点之间的值，来加强全局信息之间联系，进而提高精确度。76.图3所示为本发明所述神经网络模型的整体结构图，神经网络模型将基于内容感知的位置编码机制加入编码器之中。77.具体步骤如下：首先将相对复杂的电工装备模型的特征矩阵(包含材料参数和激励参数的分布信息)进行分块处理，线性投影后加入基于内容感知的位置编码机制，经过基于内容感知的位置编码机制后的结果与线性投影后的结果相加，再经transformer编码器形成内容序列；78.同时将相对简单的电工装备模型的特征矩阵进行相同的分块处理操作，线性投影后经过transformer编码器形成样式序列；79.将内容序列与样式序列加入改进后的transformer解码器进行解码得到预测的温度场分布。80.在训练过程中使用现有的adam优化器对神经网络模型的权重进行优化，使预测结果更准确，还可以并行计算，充分利用gpu资源，符合当前的硬件发展环境。81.以线圈电工装备模型、变压器电工装备模型、内置永磁电机电工装备模型为例，对本技术的技术方案作进一步说明。82.1、首先掌握三种电工装备模型温度场分布的影响因素。如图4所示，对于线圈电工装备模型来说，线圈位于一个160mm×160mm的二维空气箱中，线圈的半径为3～15mm，通过线圈的电流为5～15a，其材料为铜，影响空气箱内温度场分布的因素包括线圈的结构、激励、材料参数，其中线圈的结构是指线圈横截面的半径大小和位置，激励是指通过线圈的电流大小，材料参数指材料的相对介电常数、相对磁导率、电导率、热导率等。83.如图5所示，对于变压器电工装备模型来说，其位于一个200mm×200mm的空气域内，其结构参数x的参数范围为25～190mm，y参数范围为10～190mm，w参数范围为5～60mm，yc参数范围为5～50mm，其中x指变压器长度的1/2，y指变压器宽度的1/2，w指变压器铁芯柱的宽度，yc指变压器一二次侧绕组线圈横截面长度的1/2，yc的长度影响一次侧绕组线圈的电流密度，从而影响激励的变化，所以yc不仅属于结构参数，也属于激励参数，变压器位置在空气域的中心，影响变压器温度场分布的因素包括其结构、位置、绕组线圈一次侧的电流密度和匝数以及用到的材料参数。84.如图6所示，对于内置永磁电机电工装备模型来说，其结构参数d1的参数范围为5～14mm，d2参数范围为15～24mm，d3参数范围为5～10mm，d4参数范围为15～20deg，其中d1指内置永磁电机定子的齿宽，d2指内置永磁电机定子的靴宽，d3指内置永磁电机内置永磁体的宽度，d4指内置永磁体分布的相对角度，内置永磁电机的激励参数包括决定绕组线圈电流的相角和通过各个线圈绕组的电流大小、方向，的参数范围为0～30deg，图6中c1、c2、c3分别代表绕组线圈1、2、3，为通电绕组，其中通过绕组线圈1的电流表达式为通过绕组线圈2的电流表达式为通过绕组线圈3的电流表达式为其中正电流代表电流方向垂直于纸面向外，a指电流单位安培，deg是角度单位。85.影响内置永磁电机电工装备模型温度场分布的因素包括内置永磁电机内部结构，线圈绕组的电流大小、方向，以及用到的材料参数。86.2、运用数值仿真软件，分别对不同电工装备模型进行创建，期间需对不同电工装备模型设置可以在有效范围内变化的结构参数和激励参数，并在计算完成后的数值仿真软件中导出对应电工装备模型的信息分布文件，本实施例导出的数据文件类型为csv文件，值得注意的是，数据的分布信息以栅格形式均匀输出，能精确体现电工装备模型中每个点的数据分布情况，另外，由于包含着电工装备模型材料参数信息和激励参数信息的数据文件可以体现电工装备模型的结构特征，可以直接对体现数据分布特征的特征矩阵进行数据处理，因此，本发明相比于其他需要对电工装备图片进行预处理的发明，操作更简单，大大减少计算成本。87.3、由于训练神经网络模型需要一定数量的大数据集，所以本发明为节省人力和加快大数据集产出速率，运用脚本文件控制数值仿真软件随机产生在有效参数范围内的大数据集，与其他发明相比，避免了对数据集的人为选择，扩大了大数据集的涉及范围和随机性，使训练完成后的神经网络模型泛化能力更高，预测结果更准确。88.4、将产生的大数据集一部分作为训练集，另一部分作为测试集，经过数据处理后，方便神经网络模型更好地对数据进行特征提取。89.5、将线圈电工装备模型的特征矩阵经样式序列路线的分块处理模块、线性投影操作后输入到transformer编码器中编码形成样式序列，同时将变压器电工装备模型的特征矩阵经内容序列路线的分块处理模块、线性投影操作后与基于内容感知的位置编码机制的处理结果进行融合，融合后的结果经transformer编码器输出内容序列，90.将样式序列和内容序列在transformer解码器中进行融合解码并输出预测结果，采用多层transformer解码器根据样式序列对内容序列进行风格迁移，并进行解码，得到变压器电工装备的温度场分布。91.6、将变压器电工装备模型的特征矩阵经样式序列路线的分块处理模块、线性投影后输入到transformer编码器中编码形成样式序列，同时将内置永磁电机电工装备模型的特征矩阵经内容序列路线的分块处理模块、线性投影操作后与基于内容感知的位置编码机制的处理结果进行融合，融合后的结果经transformer编码器输出内容序列，92.将样式序列和内容序列在transformer解码器中进行融合解码并输出预测结果，采用多层transformer解码器根据样式序列对内容序列进行风格迁移，并进行解码，得到内置永磁电机电工装备的温度场分布。此时变压器电工装备模型温度场问题的求解风格已经迁移到transformer编码器中，并作为辅助问题加快了内置永磁电机电工装备模型温度场问题的求解。93.神经网络模型中基于内容感知的位置编码机制解释如下：94.对于一个包含材料参数和激励参数分布信息的特征矩阵h、w、c分别代表特征矩阵的宽、高、通道数，将其矩阵内容进行分块处理，每一块称为一个patch，每个patch中都包含着相应位置材料参数和激励参数的分布信息，对于其中一个patch(x，y)，x，y的组合代表相应patch在特征矩阵中的相对位置，类似于直角坐标系中某点的坐标表示形式，其内容感知位置编码pcon(x,y)可以表示为：[0095][0096][0097]其中avgpooln×n代表平均池化函数，平均池化函数中的n代表池化核的尺寸，cpn是作为可学习位置编码函数的1×1卷积运算，pln代表跟随序列特征编码的可学习位置编码，wkl为权重，g为相邻patch的数量。最终，将每一个pcon加入到相应的序列特征编码中，作为相应位置的最终特征嵌入zc。因此输入内容序列：[0098][0099]其中指所有patch的数量，m指每个patch的结构大小，zc指输入transformer编码器的序列信息。[0100]神经网络模型在训练过程中使用adam优化器进行优化：[0101]l＝mse(io,it)[0102]l表示用于训练的loss损失函数，其中io代表神经网络模型预测的温度场分布，it代表数值仿真软件计算得到的实际温度场分布，mse代表上述两者中所有元素之间均方误差。[0103]图7为训练完成后线圈电工装备模型预测温度场分布与实际温度场分布的对照图，其中(a)为预测温度场分布结果图，(b)为实际温度场分布结果图，图中显示预测结果与实际结果的温度场分布情况几乎相同，证明神经网络模型对于线圈电工装备模型温度场的预测效果良好。[0104]图8为训训练完成后变压器电工装备模型预测温度场分布与实际温度场分布的对照图，其中(a)为预测温度场分布结果图，(b)为实际温度场分布结果图，图中显示预测结果与实际结果的温度场分布情况几乎相同，证明神经网络模型对于变压器电工装备模型温度场的预测效果良好。[0105]图9为训练完成后一组内置永磁电机电工装备模型测试集参与测试的其中一组变压器电工装备模型预测温度场分布与实际温度场分布的对照图，其中(a)为预测温度场分布结果图，(b)为实际温度场分布结果图，图中显示预测结果与实际结果的温度场分布情况几乎相同，证明神经网络模型对于内置永磁电机电工装备模型温度场的预测效果良好。[0106]以上三种不同复杂程度的电工装备模型的测试结果，证明本发明神经网络模型能够较好地完成不同类型的电工装备的温度场数值预测任务。[0107]综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。[0108]本发明未述及之处适用于现有技术。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!