CN112131788B - 用于教学的电机设计方法及系统 - Google Patents
用于教学的电机设计方法及系统 Download PDFInfo
- Publication number
- CN112131788B CN112131788B CN202010986951.6A CN202010986951A CN112131788B CN 112131788 B CN112131788 B CN 112131788B CN 202010986951 A CN202010986951 A CN 202010986951A CN 112131788 B CN112131788 B CN 112131788B
- Authority
- CN
- China
- Prior art keywords
- motor design
- probability value
- motor
- design parameter
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B5/00—Electrically-operated educational appliances
- G09B5/02—Electrically-operated educational appliances with visual presentation of the material to be studied, e.g. using film strip
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Abstract
本发明公开了一种用于教学的电机设计方法及系统,该方法包括:获取用户输入的电机设计目标信息;获取用户选定的多个电机设计参数项目,多个所述电机设计参数项目具有先后顺序;当用户针对多个所述电机设计参数项目中的目标电机设计参数项目输入设计参数数据时,以所述电机设计目标信息作为约束条件,通过深度强化学习网络模型计算输出概率值;判断所述输出概率值是否在预设范围内;若所述输出概率值在预设范围内,则显示第一颜色标识;若所述输出概率值不在预设范围内,则显示第二颜色标识。本发明能够在电机设计时,帮助设计人员更深入的理解数据与性能之间的联系,提升设计人员的技术水平。
Description
技术领域
本发明涉及电机设计技术领域,特别是涉及一种用于教学的电机设计方法及系统。
背景技术
随着社会的飞速发展,电机被广泛应用于各行各业,它为社会的进步和科技的发展起了一定的促进作用。其中,随着人们对电机需求的日益增加和电机技术的日益发展,电机的设计受到了极大的关注度。
目前,设计人员在进行电机设计时,普通采用类比法,该方法虽然简单快捷,但对电机的深层原理理解不足,使得设计人员在进行电机设计时不能明白各个数据与性能之间的联系,往往知其然而不知其所以然,这种情况限制了电机设计人员本身技术水平的提高。
发明内容
为此,本发明的一个目的在于提出一种用于教学的电机设计方法,以在电机设计时,帮助设计人员更深入的理解数据与性能之间的联系,提升设计人员的技术水平。
本发明提供一种用于教学的电机设计方法,包括以下步骤:
获取用户输入的电机设计目标信息;
获取用户选定的多个电机设计参数项目,多个所述电机设计参数项目具有先后顺序;
当用户针对多个所述电机设计参数项目中的目标电机设计参数项目输入设计参数数据时,以所述电机设计目标信息作为约束条件,通过深度强化学习网络模型计算输出概率值;
判断所述输出概率值是否在预设范围内;
若所述输出概率值在预设范围内,则显示第一颜色标识;
若所述输出概率值不在预设范围内,则显示第二颜色标识。
根据本发明提供的用于教学的电机设计方法,用户首先输入电机设计目标信息,然后选定多个电机设计参数项目,当用户针对其中一个目标电机设计参数项目输入设计参数数据时,以之前输入的电机设计目标信息作为约束条件,通过深度强化学习网络模型计算输出概率值,来判断用户当前输入的设计参数数据是否能够满足设计要求,若输出概率值在预设范围内,说明用户当前输入的设计参数数据满足设计要求,则显示第一颜色标识;反之,若输出概率值不在预设范围内,说明用户当前输入的设计参数数据不满足设计要求,则显示第二颜色标识,这样,用户每输入一个电机设计参数项目的设计参数数据,就会进行判断以及相应的颜色显示,在此过程中,能够即时对设计人员进行设计指导,使设计人员更深入的理解数据与性能之间的联系,从而提升设计人员的技术水平。
另外,根据本发明上述的用于教学的电机设计方法,还可以具有如下附加的技术特征:
进一步地,判断所述输出概率值是否在预设范围内的步骤之后,所述方法还包括:
若所述述输出概率值在预设范围内,则显示第一颜色标识,并给出所述目标电机设计参数项目以后的各个电机设计参数项目对应的推荐参数数据。
进一步地,判断所述输出概率值是否在预设范围内的步骤之后,所述方法还包括:
若所述述输出概率值不在预设范围内,则显示第二颜色标识,并给出所述目标电机设计参数项目的推荐参数数据。
进一步地,所述深度强化学习网络模型采用以下步骤训练得到:
确定训练电机的主要参数数据,并将所述训练电机的主要参数数据填入表格中,该表格的维度为2,在X,Y维度上;
将该表格在Z维度上扩充复制若干次,形成维度为3的立体表格;
另设一个特征提取表格,并使用卷积积分手段,对所述立体表格进行扫描,得到新的具有高层特征的第一表格,再设计一个第二表格,并对所述第一表格进行扫描,得到具有更高特征的第三表格,将所述第三表格拉平,得到具有数据的一维表格,将此数据经过深度强化学习网络训练,并最终使用softmax函数进行输出处理,使输出变成一个概率值,当该概率值大于预设值时,判断设计方案通过,否则,判断设计方案未通过,经过如此训练,分别得出所述深度强化学习网络模型的结构数据和权重数据。
进一步地,所述电机设计目标信息至少包括:电磁场分布信息、温度场分布信息、振动及噪声信息、运动结果信息、机械结构强度信息。
本发明的另一个目的在于提出一种用于教学的电机设计系统,以在电机设计时,帮助设计人员更深入的理解数据与性能之间的联系,提升设计人员的技术水平。
本发明提供一种用于教学的电机设计系统,包括:
第一获取模块,用于获取用户输入的电机设计目标信息;
第二获取模块,用于获取用户选定的多个电机设计参数项目,多个所述电机设计参数项目具有先后顺序;
计算模块,用于当用户针对多个所述电机设计参数项目中的目标电机设计参数项目输入设计参数数据时,以所述电机设计目标信息作为约束条件,通过深度强化学习网络模型计算输出概率值;
判断模块,用于判断所述输出概率值是否在预设范围内;
第一显示模块,用于若所述输出概率值在预设范围内,则显示第一颜色标识;
第二显示模块,用于若所述输出概率值不在预设范围内,则显示第二颜色标识。
根据本发明提供的用于教学的电机设计系统,用户首先输入电机设计目标信息,然后选定多个电机设计参数项目,当用户针对其中一个目标电机设计参数项目输入设计参数数据时,以之前输入的电机设计目标信息作为约束条件,通过深度强化学习网络模型计算输出概率值,来判断用户当前输入的设计参数数据是否能够满足设计要求,若输出概率值在预设范围内,说明用户当前输入的设计参数数据满足设计要求,则显示第一颜色标识;反之,若输出概率值不在预设范围内,说明用户当前输入的设计参数数据不满足设计要求,则显示第二颜色标识,这样,用户每输入一个电机设计参数项目的设计参数数据,就会进行判断以及相应的颜色显示,在此过程中,能够即时对设计人员进行设计指导,使设计人员更深入的理解数据与性能之间的联系,从而提升设计人员的技术水平。
另外,根据本发明上述的用于教学的电机设计系统,还可以具有如下附加的技术特征:
进一步地,所述第一显示模块具体用于若所述述输出概率值在预设范围内,则显示第一颜色标识,并给出所述目标电机设计参数项目以后的各个电机设计参数项目对应的推荐参数数据。
进一步地,所述第二显示模块具体用于若所述述输出概率值不在预设范围内,则显示第二颜色标识,并给出所述目标电机设计参数项目的推荐参数数据。
进一步地,所述深度强化学习网络模型采用以下步骤训练得到:
确定训练电机的主要参数数据,并将所述训练电机的主要参数数据填入表格中,该表格的维度为2,在X,Y维度上;
将该表格在Z维度上扩充复制若干次,形成维度为3的立体表格;
另设一个特征提取表格,并使用卷积积分手段,对所述立体表格进行扫描,得到新的具有高层特征的第一表格,再设计一个第二表格,并对所述第一表格进行扫描,得到具有更高特征的第三表格,将所述第三表格拉平,得到具有数据的一维表格,将此数据经过深度强化学习网络训练,并最终使用softmax函数进行输出处理,使输出变成一个概率值,当该概率值大于预设值时,判断设计方案通过,否则,判断设计方案未通过,经过如此训练,分别得出所述深度强化学习网络模型的结构数据和权重数据。
进一步地,所述电机设计目标信息至少包括:电磁场分布信息、温度场分布信息、振动及噪声信息、运动结果信息、机械结构强度信息。
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明第一实施例的用于教学的电机设计方法的流程图;
图2是根据本发明第二实施例的用于教学的电机设计系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明第一实施例提出的用于教学的电机设计方法,包括步骤S101~S106。
S101,获取用户输入的电机设计目标信息。
其中,所述电机设计目标信息至少包括:电磁场分布信息、温度场分布信息、振动及噪声信息、运动结果信息、机械结构强度信息,具体包括功率、电压、转速、相数、功率因数、海拔高度,环境温度等。
S102,获取用户选定的多个电机设计参数项目,多个所述电机设计参数项目具有先后顺序。
其中,电机设计参数项目例如包括定子内外径,铁芯长度,槽数、槽形尺寸、定子绕组数据、磁极冲片尺寸、气隙、转子铁心长度,转子绕组数据等50个电机设计参数项目,每个电机设计参数项目都需要输入具体的参数数据,且这50个电机设计参数项目有先后顺序。
S103,当用户针对多个所述电机设计参数项目中的目标电机设计参数项目输入设计参数数据时,以所述电机设计目标信息作为约束条件,通过深度强化学习网络模型计算输出概率值。
其中,深度强化学习(Deep reinforcement learning)网络模型采用以下步骤训练得到:
确定训练电机的主要参数数据,并将所述训练电机的主要参数数据填入表格中,该表格的维度为2,在X,Y维度上;
将该表格在Z维度上扩充复制若干次,形成维度为3的立体表格;
另设一个特征提取表格,并使用卷积积分手段,对所述立体表格进行扫描,得到新的具有高层特征的第一表格,再设计一个第二表格,并对所述第一表格进行扫描,得到具有更高特征的第三表格,将所述第三表格拉平,得到具有数据的一维表格,将此数据经过深度强化学习网络训练,并最终使用softmax函数进行输出处理,使输出变成一个概率值,当该概率值大于预设值时,判断设计方案通过,否则,判断设计方案未通过,经过如此训练,分别得出所述深度强化学习网络模型的结构数据和权重数据。
其中,网络模型中包含多少层,层与层之间是怎么相联,每层有多少个神经元,由结构数据决定,而上一层与下一层之间的数学关系则由权重数据决定。
举例来讲,开始输入数据x个数为3,每个数据为包含有4个元素的张量,则输入的数据用矩阵表示形式为:
[[X00 X01 X02 X03]
[X10 X11 X12 X13]
[X20 X21 X22 X23]]
设网络模型第一层有5个神经元,则d1out=5,此层的权重文件w1为一个形状为[4X 5]的矩阵;
[[w00 w01 w02 w03 w04]
[w10 w11 w12 w13 w14]
[w20 w21 w22 w23 w24]
[w30 w31 w32 w33 w34]]
设网络模型第二层有6个神经元,则d1out=6,此层的权重文件w2为一个形状为[5X6]的矩阵;
[[w00 w01 w02 w03 w04 w05]
[w10 w11 w12 w13 w14 w15]
[w20 w21 w22 w23 w24 w25]
[w30 w31 w32 w33 w34 w35]
[w40 w41 w42 w43 w44 w45]]
结构数据和权重数据在数学上形成了非线性关系。例如,设有b个输入样本X,每个输入样本长度为din,软件模型为一个2层的网络结构,第一层神经元输出长度为out1,采用Dense连接,relu激活函数,则其公式为out1=relu(X@W1+b1),其中,X的形状为[b,din],W1的形状为[din,out1],b1的形态为[b,out1],out1的形状为[b,out1],设第二层的神经元输出长度个数为out2,采用Dense连接,输出采用softmax激活数,输出,则输出out2=softmax(out1@W2+b2),其中,W2的形状为[out1,out2],b2的形态为[b,out2],out2的形状为[b,out2]。由于每层采用了非线性的激活函数,输入与输出在数学上形成了复杂的非线性关系,表现为结构数据与权重数据在数学上形成了复杂的非线性关系。
具体的,以电励磁同步发电机主机设计为例,设计工程师凭借设计经验,首先确定约50个主要尺寸,包括定子内外径,铁芯长度,槽数、槽形尺寸、定子绕组数据、磁极冲片尺寸、气隙、转子铁心长度,转子绕组数据等。
将这些数据填入一张7X7的表格中,并向上下左右四个方向各增加一行并补零,最终形成一个8×8的表格,设此表格的维度为2,在X,Y维度上,其形状表示为[8,8]。
将此表在Z维度上扩充复制50次,形成维度为3的立体表格,其形状表示为[50,8,8]。此表格命名为Zin。
另设一个特征提取表格F1,其形状为[3,3],并使用卷积积分手段,对Zin进行扫描,得到新的具有高层特征的表格Z1,其形状为[50,6,6]。再设计一个形状为[3,3]的F2,对Z1进行扫描,得到具有更高特征的表格Z3,其形状为[50,4,4],将此表格拉平,变成一个具有50×4×4=800个数据的一维表格,将此数据经过deep learning网络训练,并最终使用softmax函数进行输出处理,使输出变成一个概率值(这个概率值是通过网络的逐层学习和调整参数,最终用softmax激活函数生成一个概率分布,并采用最大的概率值作为输出),当概率>0.8时,即判断为设计方案好,概率<0.6时,判断为设计方案不好。
经过如此训练,分别得出深度强化学习网络模型的结构数据和权重数据,深度强化学习网络模型的作用是进行实时结果分析。
当用户针对多个所述电机设计参数项目中的某个目标电机设计参数项目输入设计参数数据时,会以步骤S101中的电机设计目标信息作为约束条件,通过深度强化学习网络模型计算输出概率值(或称损失函数),进行概率值计算时,假设最优化目标为重量指标weignt_target,模型输出为重量预期weight_pre,可以设它们的差的平方为损失函数Loss=0.5*(weignt_pre–weignt_target)2,模型可以根据用户输入的设计参数数据,实时计算出相应的输出概率值。
S104,判断所述输出概率值是否在预设范围内。
S105,若所述输出概率值在预设范围内,则显示第一颜色标识。
其中,具体的,若所述述输出概率值在预设范围内,则显示第一颜色标识,第一颜色标识例如是绿色,提示用户当前输入的设计参数数据是可行的,并给出所述目标电机设计参数项目以后的各个电机设计参数项目对应的推荐参数数据。
例如,一个有50个电机设计参数项目,当设计人员输入前3个电机设计参数项目的参数数据时,会进行输出概率值计算,如果输出概率值>0.8,则判断此三个数据是满足要求的,此时可以提供交互界面显示绿色,并自动给出计算出来的后继47个电机设计参数项目对应的推荐参数数据给用户参考。
S106,若所述输出概率值不在预设范围内,则显示第二颜色标识。
其中,具体的,若所述述输出概率值不在预设范围内,则显示第二颜色标识,第二颜色标识例如是红色,提示用户当前输入的设计参数数据是不可行的,并给出所述目标电机设计参数项目的推荐参数数据。
例如,一个有50个电机设计参数项目,当设计人员输入前3个电机设计参数项目的参数数据时,会进行输出概率值计算,如果输出概率值<0.6,则判断此三个数据是不满足要求的,此时可以提供交互界面显示红色,并自动给出计算出来的这3个目标电机设计参数项目的推荐参数数据给用户参考。
综上,根据本实施例的用于教学的电机设计方法,用户首先输入电机设计目标信息,然后选定多个电机设计参数项目,当用户针对其中一个目标电机设计参数项目输入设计参数数据时,以之前输入的电机设计目标信息作为约束条件,通过深度强化学习网络模型计算输出概率值,来判断用户当前输入的设计参数数据是否能够满足设计要求,若输出概率值在预设范围内,说明用户当前输入的设计参数数据满足设计要求,则显示第一颜色标识;反之,若输出概率值不在预设范围内,说明用户当前输入的设计参数数据不满足设计要求,则显示第二颜色标识,这样,用户每输入一个电机设计参数项目的设计参数数据,就会进行判断以及相应的颜色显示,在此过程中,能够即时对设计人员进行设计指导,使设计人员更深入的理解数据与性能之间的联系,从而提升设计人员的技术水平。
请参阅图2,基于同一发明构思,本发明第二实施例提出用于教学的电机设计系统,包括:
第一获取模块,用于获取用户输入的电机设计目标信息;
第二获取模块,用于获取用户选定的多个电机设计参数项目,多个所述电机设计参数项目具有先后顺序;
计算模块,用于当用户针对多个所述电机设计参数项目中的目标电机设计参数项目输入设计参数数据时,以所述电机设计目标信息作为约束条件,通过深度强化学习网络模型计算输出概率值;
判断模块,用于判断所述输出概率值是否在预设范围内;
第一显示模块,用于若所述输出概率值在预设范围内,则显示第一颜色标识;
第二显示模块,用于若所述输出概率值不在预设范围内,则显示第二颜色标识。
本实施例中,所述第一显示模块具体用于若所述述输出概率值在预设范围内,则显示第一颜色标识,并给出所述目标电机设计参数项目以后的各个电机设计参数项目对应的推荐参数数据。
本实施例中,所述第二显示模块具体用于若所述述输出概率值不在预设范围内,则显示第二颜色标识,并给出所述目标电机设计参数项目的推荐参数数据。
本实施例中,所述深度强化学习网络模型采用以下步骤训练得到:
确定训练电机的主要参数数据,并将所述训练电机的主要参数数据填入表格中,该表格的维度为2,在X,Y维度上;
将该表格在Z维度上扩充复制若干次,形成维度为3的立体表格;
另设一个特征提取表格,并使用卷积积分手段,对所述立体表格进行扫描,得到新的具有高层特征的第一表格,再设计一个第二表格,并对所述第一表格进行扫描,得到具有更高特征的第三表格,将所述第三表格拉平,得到具有数据的一维表格,将此数据经过深度强化学习网络训练,并最终使用softmax函数进行输出处理,使输出变成一个概率值,当该概率值大于预设值时,判断设计方案通过,否则,判断设计方案未通过,经过如此训练,分别得出所述深度强化学习网络模型的结构数据和权重数据。
本实施例中,所述电机设计目标信息至少包括:电磁场分布信息、温度场分布信息、振动及噪声信息、运动结果信息、机械结构强度信息。
根据上述的用于教学的电机设计系统,用户首先输入电机设计目标信息,然后选定多个电机设计参数项目,当用户针对其中一个目标电机设计参数项目输入设计参数数据时,以之前输入的电机设计目标信息作为约束条件,通过深度强化学习网络模型计算输出概率值,来判断用户当前输入的设计参数数据是否能够满足设计要求,若输出概率值在预设范围内,说明用户当前输入的设计参数数据满足设计要求,则显示第一颜色标识;反之,若输出概率值不在预设范围内,说明用户当前输入的设计参数数据不满足设计要求,则显示第二颜色标识,这样,用户每输入一个电机设计参数项目的设计参数数据,就会进行判断以及相应的颜色显示,在此过程中,能够即时对设计人员进行设计指导,使设计人员更深入的理解数据与性能之间的联系,从而提升设计人员的技术水平。
此外,本发明的实施例还提出一种存储介质,具体是可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一实施例中所述方法的步骤。
此外,本发明的实施例还提出一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一实施例中所述方法的步骤。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种用于教学的电机设计方法,其特征在于,包括以下步骤:
获取用户输入的电机设计目标信息;
获取用户选定的多个电机设计参数项目,多个所述电机设计参数项目具有先后顺序;
当用户针对多个所述电机设计参数项目中的目标电机设计参数项目输入设计参数数据时,以所述电机设计目标信息作为约束条件,通过深度强化学习网络模型计算输出概率值;
判断所述输出概率值是否在预设范围内;
若所述输出概率值在预设范围内,则显示第一颜色标识;
若所述输出概率值不在预设范围内,则显示第二颜色标识;
所述深度强化学习网络模型采用以下步骤训练得到:
确定训练电机的主要参数数据,并将所述训练电机的主要参数数据填入表格中,该表格的维度为2,在X,Y维度上;
将该表格在Z维度上扩充复制若干次,形成维度为3的立体表格;
另设一个特征提取表格,并使用卷积积分手段,对所述立体表格进行扫描,得到新的具有高层特征的第一表格,再设计一个第二表格,并对所述第一表格进行扫描,得到具有更高特征的第三表格,将所述第三表格拉平,得到具有数据的一维表格,将此数据经过深度强化学习网络训练,并最终使用softmax函数进行输出处理,使输出变成一个概率值,当该概率值大于预设值时,判断设计方案通过,否则,判断设计方案未通过,经过如此训练,分别得出所述深度强化学习网络模型的结构数据和权重数据。
2.根据权利要求1所述的用于教学的电机设计方法,其特征在于,判断所述输出概率值是否在预设范围内的步骤之后,所述方法还包括:
若所述输出概率值在预设范围内,则显示第一颜色标识,并给出所述目标电机设计参数项目以后的各个电机设计参数项目对应的推荐参数数据。
3.根据权利要求1所述的用于教学的电机设计方法,其特征在于,判断所述输出概率值是否在预设范围内的步骤之后,所述方法还包括:
若所述输出概率值不在预设范围内,则显示第二颜色标识,并给出所述目标电机设计参数项目的推荐参数数据。
4.根据权利要求1所述的用于教学的电机设计方法,其特征在于,所述电机设计目标信息至少包括:电磁场分布信息、温度场分布信息、振动及噪声信息、运动结果信息、机械结构强度信息。
5.一种用于教学的电机设计系统,其特征在于,所述系统包括:
第一获取模块,用于获取用户输入的电机设计目标信息;
第二获取模块,用于获取用户选定的多个电机设计参数项目,多个所述电机设计参数项目具有先后顺序;
计算模块,用于当用户针对多个所述电机设计参数项目中的目标电机设计参数项目输入设计参数数据时,以所述电机设计目标信息作为约束条件,通过深度强化学习网络模型计算输出概率值;
判断模块,用于判断所述输出概率值是否在预设范围内;
第一显示模块,用于若所述输出概率值在预设范围内,则显示第一颜色标识;
第二显示模块,用于若所述输出概率值不在预设范围内,则显示第二颜色标识;
所述深度强化学习网络模型采用以下步骤训练得到:
确定训练电机的主要参数数据,并将所述训练电机的主要参数数据填入表格中,该表格的维度为2,在X,Y维度上;
将该表格在Z维度上扩充复制若干次,形成维度为3的立体表格;
另设一个特征提取表格,并使用卷积积分手段,对所述立体表格进行扫描,得到新的具有高层特征的第一表格,再设计一个第二表格,并对所述第一表格进行扫描,得到具有更高特征的第三表格,将所述第三表格拉平,得到具有数据的一维表格,将此数据经过深度强化学习网络训练,并最终使用softmax函数进行输出处理,使输出变成一个概率值,当该概率值大于预设值时,判断设计方案通过,否则,判断设计方案未通过,经过如此训练,分别得出所述深度强化学习网络模型的结构数据和权重数据。
6.根据权利要求5所述的用于教学的电机设计系统,其特征在于:
所述第一显示模块具体用于若所述输出概率值在预设范围内,则显示第一颜色标识,并给出所述目标电机设计参数项目以后的各个电机设计参数项目对应的推荐参数数据。
7.根据权利要求5所述的用于教学的电机设计系统,其特征在于:
所述第二显示模块具体用于若所述输出概率值不在预设范围内,则显示第二颜色标识,并给出所述目标电机设计参数项目的推荐参数数据。
8.根据权利要求5所述的用于教学的电机设计系统,其特征在于,所述电机设计目标信息至少包括:电磁场分布信息、温度场分布信息、振动及噪声信息、运动结果信息、机械结构强度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010986951.6A CN112131788B (zh) | 2020-09-18 | 2020-09-18 | 用于教学的电机设计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010986951.6A CN112131788B (zh) | 2020-09-18 | 2020-09-18 | 用于教学的电机设计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112131788A CN112131788A (zh) | 2020-12-25 |
CN112131788B true CN112131788B (zh) | 2022-09-02 |
Family
ID=73841364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010986951.6A Active CN112131788B (zh) | 2020-09-18 | 2020-09-18 | 用于教学的电机设计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112131788B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980704A (zh) * | 2017-02-13 | 2017-07-25 | 上海交通大学 | 应用于多电飞机停电负荷的多目标转供策略柔性优化方法 |
CN108595853A (zh) * | 2018-04-28 | 2018-09-28 | 吉林大学 | 一种基于遗传算法的并联混合动力汽车参数优化设计方法 |
CN109829038A (zh) * | 2018-12-11 | 2019-05-31 | 平安科技(深圳)有限公司 | 基于深度学习的问答反馈方法、装置、设备及存储介质 |
CN111614215A (zh) * | 2020-05-11 | 2020-09-01 | 东南大学 | 一种基于生成对抗网络的电动汽车用驱动电机设计方法 |
CN111665718A (zh) * | 2020-06-05 | 2020-09-15 | 长春工业大学 | 一种基于q学习算法的对角递归神经网络控制策略 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8676356B2 (en) * | 2009-01-09 | 2014-03-18 | Eaton Corporation | System and method for motor parameter estimation |
CN104508297A (zh) * | 2012-06-07 | 2015-04-08 | V平方风公司 | 用于移动风力平台的构造和操作的有效系统和方法 |
CN107153735A (zh) * | 2017-04-28 | 2017-09-12 | 无锡开放大学 | 电机驱动系统pwm逆变器故障诊断方法 |
CN111260448B (zh) * | 2020-02-13 | 2023-10-20 | 平安科技(深圳)有限公司 | 基于人工智能的药品推荐方法及相关设备 |
-
2020
- 2020-09-18 CN CN202010986951.6A patent/CN112131788B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980704A (zh) * | 2017-02-13 | 2017-07-25 | 上海交通大学 | 应用于多电飞机停电负荷的多目标转供策略柔性优化方法 |
CN108595853A (zh) * | 2018-04-28 | 2018-09-28 | 吉林大学 | 一种基于遗传算法的并联混合动力汽车参数优化设计方法 |
CN109829038A (zh) * | 2018-12-11 | 2019-05-31 | 平安科技(深圳)有限公司 | 基于深度学习的问答反馈方法、装置、设备及存储介质 |
CN111614215A (zh) * | 2020-05-11 | 2020-09-01 | 东南大学 | 一种基于生成对抗网络的电动汽车用驱动电机设计方法 |
CN111665718A (zh) * | 2020-06-05 | 2020-09-15 | 长春工业大学 | 一种基于q学习算法的对角递归神经网络控制策略 |
Non-Patent Citations (2)
Title |
---|
The Theory of Fuzzy Sets as a Means of Assessing the Periods of Service of Asynchronous Electric Motors;Igor Vasilev等;《2020 International Conference on Industrial Engineering》;20200609;第1-6页 * |
基于BP 神经网络和遗传算法的电动汽车电机优化设计;任明旭;《第十一届沈阳科学学术年会暨中国汽车产业集聚区发展与合作论坛论文集》;20140626;第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112131788A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Raj et al. | Finite-element design and analysis of switched reluctance motor for automobile applications | |
CN111090899B (zh) | 一种用于城市建筑空间布局设计方法 | |
CN110705690B (zh) | 基于生成模型和元学习优化方法的连续学习方法及系统 | |
JP2017069404A (ja) | 機械学習装置およびコイル製造装置 | |
CN112131788B (zh) | 用于教学的电机设计方法及系统 | |
Ahn et al. | Optimal design of outer-rotor surface mounted permanent magnet synchronous motor for cogging torque reduction using territory particle swarm optimization | |
CN109544672A (zh) | 一种三维建筑模型纹理映射方法及装置 | |
CN108399609A (zh) | 一种三维点云数据的修补方法、装置和机器人 | |
CN112131787B (zh) | 无监督式自进化的电机设计方法及系统 | |
CN105046572B (zh) | 电动汽车峰谷分时电价信息生成方法及装置 | |
CN116796574B (zh) | 一种驱动电机振动噪音优化方法及系统 | |
CN116051786B (zh) | 标准网格三维模型快速显示方法 | |
Nishino et al. | A synthesized 3DCG contents generator using IEC framework | |
Nobahari et al. | Optimal Shaping of Non-Conventional Permanent Magnet Geometries for Synchronous Motors via Surrogate Modeling and Multi-Objective Optimization Approach. | |
Parker et al. | Parametric environment for EM computer aided design | |
CN105608260A (zh) | 一种交流电动机有绕组定子模态精确计算方法 | |
CN113065686A (zh) | 排程数据优化处理方法及装置、设备 | |
CN111833088A (zh) | 一种供需预测方法及装置 | |
Yao et al. | Jump Over Block (JOB): An Efficient Line-of-Sight Checker for Grid/Voxel Maps With Sparse Obstacles | |
Xu | Multi-logic interactive model of virtual reality based on digital media | |
CN108133117A (zh) | 一种航空件加工变形预测方法及装置 | |
Pabut et al. | Multi-criteria design optimization of ultra large diameter permanent magnet generator | |
Luthra et al. | Implementation of Genetic Algorithm for Path Estimation in Self Driving Car | |
CN117372642A (zh) | 一种基于数字孪生的三维建模方法及可视化系统 | |
Zhang | Implementation Study of Virtual Reality Technique in Environmental Artistic Design |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |