CN113128054A - 一种基于机器学习的电子设备屏蔽效能评估方法及装置 - Google Patents
一种基于机器学习的电子设备屏蔽效能评估方法及装置 Download PDFInfo
- Publication number
- CN113128054A CN113128054A CN202110433213.3A CN202110433213A CN113128054A CN 113128054 A CN113128054 A CN 113128054A CN 202110433213 A CN202110433213 A CN 202110433213A CN 113128054 A CN113128054 A CN 113128054A
- Authority
- CN
- China
- Prior art keywords
- electronic equipment
- shielding
- effectiveness
- electric field
- data set
- 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.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 title claims abstract description 20
- 230000005684 electric field Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000013210 evaluation model Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 21
- 230000010287 polarization Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 230000000873 masking effect Effects 0.000 claims description 8
- 238000013515 script Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 25
- 238000010586 diagram Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Shielding Devices Or Components To Electric Or Magnetic Fields (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的电子设备屏蔽效能评估方法及装置,其中方法包括:建立电子设备屏蔽腔模型,并仿真得到在不同参数条件下空间电磁波在电子设备中心位置处的电场数据;根据所述电场数据,计算对应的电子设备屏蔽效能值,得到包括参数和屏蔽效能值的样本数据集;采用基于多层极限学习机算法的神经网络算法对样本数据集进行训练,建立电子设备屏蔽效能评估模型;将实际参数输入所述评估模型,得到屏蔽效能值。通过该技术方案,本发明较为全面地掌握了电子设备完备的屏蔽效能统计性规律,实现了电子设备屏蔽效能的快速评估,从而可以有效指导电子设备的前期屏蔽设计和整改,缩短加工周期和设计成本。
Description
技术领域
本发明涉及电子设备电磁辐射屏蔽技术领域,具体涉及一种基于机器学习的电子设备屏蔽效能评估方法及装置。
背景技术
随着电子设备工作频率的不断提高,不可避免地产生电磁辐射,导致设备之间的电磁兼容性很难满足要求。电磁屏蔽是解决电子设备电磁兼容问题的重要手段之一,其基本原理是采用低电阻值的导体材料,利用电磁波在屏蔽体表面的反射、导体内部的吸收及传输过程中的损耗而产生屏蔽作用。由于通风、散热以及数据通信的需要,电子设备屏蔽体需要开设一定数量和形状的孔缝而无法做到完全屏蔽。空间电磁场的部分能量将通过屏蔽体上的孔缝耦合进入设备内部,从而对内部电路造成干扰而降低设备的工作性能。因此,为了保证电子设备在复杂电磁环境下的安全性,对电子设备进行全面的屏蔽效能评估分析,具有十分重要的研究意义和工程应用价值。
分析电子设备的屏蔽效能,最直接的方法是采用商业电磁仿真软件对电子设备进行建模和仿真。但是,商业电磁仿真软件基于传统电磁方法和高频算法而开发,一次仿真只能获取单一计算条件下的电子设备屏蔽效能值,无法得到电子设备完备的屏蔽效能规律的技术问题。
发明内容
本发明的目的在于提供一种基于机器学习的电子设备屏蔽效能评估方法及装置,以至少解决现有技术采用商业电磁仿真软件对电子设备进行建模和仿真,无法得到电子设备完备的屏蔽效能规律的技术问题。
本发明通过下述技术方案实现:
本发明提供一种基于机器学习的电子设备屏蔽效能评估方法,包括:
建立电子设备屏蔽腔模型,并仿真得到在不同参数条件下空间电磁波在电子设备中心位置处的电场数据;
根据所述电场数据,计算对应的电子设备屏蔽效能值,得到包括参数和屏蔽效能值的样本数据集;
采用基于多层极限学习机算法的神经网络算法对样本数据集进行训练,建立电子设备屏蔽效能评估模型;
将实际参数输入所述评估模型,得到屏蔽效能值。
进一步,建立电子设备屏蔽腔模型,并仿真得到在不同参数条件下空间电磁波在电子设备中心位置处的电场数据,具体包括:
利用电磁仿真软件建立电子设备屏蔽腔模型,并仿真得到在一定参数条件下的空间电磁波在电子设备中心位置处的电场数据;
编写脚本,不断改变参数条件,并调用电磁仿真软件进行自动化仿真,得到电场数据。
进一步,得到包括参数和屏蔽效能值的样本数据集之后,还包括:
对样本数据集进行可视化输出,筛选并修正错误样本数据集。
进一步,根据所述电场数据,计算对应的电子设备屏蔽效能值之后,还包括:得到包括参数和屏蔽效能值的测试数据集;
建立电子设备屏蔽效能评估模型之后,还包括:利用测试数据集对电子设备屏蔽效能评估模型的有效性和评估速度进行检验。
进一步,利用测试数据集对电子设备屏蔽效能评估模型的有效性进行检验,具体为:
通过分析均方误差和平均绝对误差对评估模型的有效性进行检验,均方误差和平均绝对误差的计算公式分别为:
其中,M表示测试数据集的数据数量,SE1i为测试数据集第i个屏蔽效能值,SE2i为对应的第i个评估屏蔽效能值。
进一步,所述参数包括空间电磁波入射角度、极化角度以及频率。
进一步,所述空间电磁波入射角度的θ取值范围为[π,3π/2],取样间隔为π/36;φ取值范围为[0,π/2],取样间隔为π/36;极化角度α的取值范围为[0,2π],取样间隔为π/9;频率f取值范围为[0,1]GHz,取样间隔为0.01GHz。
进一步,所述屏蔽效能的定义是在空间中一点在有无放置屏蔽体时,前后的电磁强度或者功率比值的分贝值,屏蔽效能的计算公式为:
其中,E表示屏蔽腔内任一位置处的电场强度,E0表示在没有屏蔽腔时同一位置处的电场强度。
本发明提供一种基于机器学习的电子设备屏蔽效能评估装置,包括:
屏蔽腔模型建立模块,用于建立电子设备屏蔽腔模型,并仿真得到在不同参数条件下空间电磁波在电子设备中心位置处的电场数据;
样本数据集获取模块,用于根据所述电场数据,计算对应的电子设备屏蔽效能值,得到包括参数和屏蔽效能值的样本数据集;
评估模型建立模块,用于采用基于多层极限学习机算法的神经网络算法对样本数据集进行训练,建立电子设备屏蔽效能评估模型;
评估模块,用于将实际参数输入所述评估模型,得到屏蔽效能值。
进一步,所述屏蔽腔模型建立模块,具体用于:
利用电磁仿真软件建立电子设备屏蔽腔模型,并仿真得到在一定参数条件下的空间电磁波在电子设备中心位置处的电场数据;
编写脚本,不断改变参数条件,并调用电磁仿真软件进行自动化仿真,得到电场数据。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明将传统方法高精度建模与机器学习方法快速率计算的优势相结合,有效构建电子设备屏蔽效能评估模型。首先,利用Python编写控制CST仿真软件的脚本代码,实现对不同入射角度、极化角度和频率等多种参数综合影响下的空间电磁波作用电子设备进行自动化仿真,获取大量机器学习训练所需的样本数据集,并对样本数据集进行清洗,筛选出错误数据;然后采用具有学习速度快且泛化性能好的多层极限学习机算法对样本数据集进行训练,获取可以快速求解出不同参数(入射角度、极化角度等)条件下屏蔽效能值的神经网络评估模型;最后采用测试数据集对评估模型进行校验,使用MSE和MAE评估电子设备屏蔽效能评估模型的可靠性。通过该技术方案,本发明克服了传统磁仿真软件一次仿真只能获得单一条件下的电子设备屏蔽效能,而无法综合考虑诸多因素影响的较大缺陷,本发明较为全面地掌握了电子设备完备的屏蔽效能统计性规律,实现了电子设备屏蔽效能的快速评估,从而可以有效指导电子设备的前期屏蔽设计和整改,缩短加工周期和设计成本。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明一种基于机器学习的电子设备屏蔽效能评估方法的流程图;
图2为本发明一种基于机器学习的电子设备屏蔽效能评估装置的原理结构示意图;
图3为本发明一种基于机器学习的电子设备屏蔽效能评估方法的流程图;
图4为本发明一种基于机器学习的电子设备屏蔽效能评估方法中电子设备屏蔽腔物理模型图;
图5为本发明一种基于机器学习的电子设备屏蔽效能评估方法中Python调用CST自动化仿真的流程图;
图6为本发明一种基于机器学习的电子设备屏蔽效能评估方法中部分数据清洗可视化图;
图7为本发明一种基于机器学习的电子设备屏蔽效能评估方法中实施例二设定的参数值表;
图8为本发明一种基于机器学习的电子设备屏蔽效能评估方法中实施例二预测数据与测试集数据的均方误差和平均绝对误差;
图9为电子设备屏蔽效能评估时,传统仿真方法与机器学习评估方法所耗时间对比。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例一
请参考图1,本发明提供一种基于机器学习的电子设备屏蔽效能评估方法,包括:
S101、建立电子设备屏蔽腔模型,并仿真得到在不同参数条件下空间电磁波在电子设备中心位置处的电场数据;
S102、根据所述电场数据,计算对应的电子设备屏蔽效能值,得到包括参数和屏蔽效能值的样本数据集;
S103、采用基于多层极限学习机算法的神经网络算法对样本数据集进行训练,建立电子设备屏蔽效能评估模型;
S104、将实际参数输入所述评估模型,得到屏蔽效能值。
作为具体实施方式,建立电子设备屏蔽腔模型,并仿真得到在不同参数条件下空间电磁波在电子设备中心位置处的电场数据,具体包括:
利用电磁仿真软件建立电子设备屏蔽腔模型,并仿真得到在一定参数条件下的空间电磁波在电子设备中心位置处的电场数据;
编写脚本,不断改变参数条件,并调用电磁仿真软件进行自动化仿真,得到电场数据。
作为具体实施方式,得到包括参数和屏蔽效能值的样本数据集之后,还包括:
对样本数据集进行可视化输出,筛选并修正错误样本数据集。
作为具体实施方式,根据所述电场数据,计算对应的电子设备屏蔽效能值之后,还包括:得到包括参数和屏蔽效能值的测试数据集;
建立电子设备屏蔽效能评估模型之后,还包括:利用测试数据集对电子设备屏蔽效能评估模型的有效性和评估速度进行检验。
作为具体实施方式,利用测试数据集对电子设备屏蔽效能评估模型的有效性进行检验,具体为:
通过分析均方误差和平均绝对误差对评估模型的有效性进行检验,均方误差和平均绝对误差的计算公式分别为:
其中,M表示测试数据集的数据数量,SE1i为测试数据集第i个屏蔽效能值,SE2i为对应的第i个评估屏蔽效能值。
作为具体实施方式,所述参数包括空间电磁波入射角度、极化角度以及频率。
作为具体实施方式,所述空间电磁波入射角度的θ取值范围为[π,3π/2],取样间隔为π/36;φ取值范围为[0,π/2],取样间隔为π/36;极化角度α的取值范围为[0,2π],取样间隔为π/9;频率f取值范围为[0,1]GHz,取样间隔为0.01GHz。
作为具体实施方式,所述屏蔽效能的定义是在空间中一点在有无放置屏蔽体时,前后的电磁强度或者功率比值的分贝值,屏蔽效能的计算公式为:
其中,E表示屏蔽腔内任一位置处的电场强度,E0表示在没有屏蔽腔时同一位置处的电场强度。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明将传统方法高精度建模与机器学习方法快速率计算的优势相结合,有效构建电子设备屏蔽效能评估模型。首先,利用Python控制CST仿真软件实现自动化仿真,获取大量机器学习训练所需的样本数据集,并对样本数据集进行清洗,筛选出错误数据;然后采用具有学习速度快且泛化性能好的多层极限学习机算法对样本数据集进行训练,获取可以快速求解出不同参数(入射角度、极化角度等)条件下屏蔽效能值的神经网络评估模型;最后采用测试数据集对评估模型进行校验,使用MSE和MAE评估电子设备屏蔽效能评估模型的可靠性。通过该技术方案,本发明克服了传统磁仿真软件一次仿真只能获得单一条件下的电子设备屏蔽效能,而无法综合考虑诸多因素影响的较大缺陷,本发明较为全面地掌握了电子设备完备的屏蔽效能统计性规律,实现了电子设备屏蔽效能的快速评估,从而可以有效指导电子设备的前期屏蔽设计和整改,缩短加工周期和设计成本。
实施例二
本实施例以带有矩形孔缝屏蔽腔的屏蔽效能评估为例进行说明。
请参考图1、图3至图9,空间电磁场作用屏蔽腔的物理模型包括屏蔽腔、孔缝、电磁波,屏蔽腔的尺寸为Lc×Wc×Hc,厚度为ht。矩形缝的长和宽分别为ls和ws。电磁波入射角度为θ和φ,极化角度为α。屏蔽腔的孔缝尺寸以及电磁波入射角度和极化角度的具体参数值可以自行设定,本发明实施例中使用的参数值见图7。
本发明的实现流程包括如下:
步骤1,电子设备屏蔽效能是指电子设备设置屏蔽腔前后的电磁强度或者功率比值,屏蔽效能的计算公式为:
其中,E表示屏蔽腔内任一位置处的电场强度,E0表示在没有屏蔽腔时同一位置处的电场强度。
因此,计算电子设备的屏蔽效能,需要获取电子设备有无屏蔽腔时中心位置处的电场值。
步骤2,CST是一款成熟的商业电磁仿真软件,用于电子设备屏蔽腔的电磁耦合仿真,便于提取空间电场数据。由于机器学习为了保证足够精度,需要使用大量数据进行训练。因此,为了提高CST重复仿真以及数据存储的效率,利用Python编写脚本程序进行自动化仿真,具体实施过程为:(1)使用Python打开CST,并创建高频仿真工作室环境;(2)使用Python编写VBA代码控制CST进行单位、频率范围、边界、背景等参数的设置;(3)使用Python调用CST模型库,进行电子设备屏蔽腔以及腔体上开缝建模,并在腔体中心位置设置探针;(4)设置入射波波形及其频谱、入射角度和极化角度范围,使用Python调用CST开始循环仿真,每次仿真执行一组入射角度和极化角度情况下的屏蔽腔电磁耦合计算,并输出屏蔽腔中心位置的电场数据E;(5)将屏蔽腔的材料属性设置为空气,按照步骤(4)重新进行自动化仿真,得到腔体中心位置的电场数据E0;(6)对仿真得到的电场数据按照公式(2)进行计算,得出对应的屏蔽效能SE值,构成样本数据集。
步骤3,为了防止错误数据对训练结果造成较大影响,将仿真数据进行可视化输出,筛选出异常和明显错误数据,如图4所示。针对这些错误数据对应的入射角度、极化角度和频率条件,使用CST重新建模并仿真,获得正确的SE数据。
步骤4,采用多层极限学习机的神经网络算法对处理好的数据进行训练,然后用模型计算出来的数据与训练数据对比检验评估模型的正确性。本次实例建立一个[50,50,50]的三层神经网络,采用ReLU作为训练的激活函数。损失函数p的值,允许的终止判据的值等都为默认,并将α、θ、φ和f作为输出变量,屏蔽效能作为对应的输出量。最后对所有的样本数据进行训练,训练时间会因为神经网络层数,样本数量等因素的变化而有所变化,最后会得到一个能评估出屏蔽效能的模型。得到评估模型后,将仿真时的每一个变量组合输入模型,得到对应的屏蔽效能值,最后采用如步骤3所述的数据可视化的方法,将模型计算得出的屏蔽效能值与仿真的到的值进行对比,初步了解训练的到的模型是否有效。数据的对比图如图5所示。
所述机器学习方法为在极限学习机(Extreme learning machine,ELM)的基础上提出的多层极限学习机算法(Multiple layers extreme learning machine,MLELM),其避免人为设置隐层节点个数、输入层到隐含层的权重以及隐含层到输出层的权重等网络训练参数,且无需调整网络的输入权值以及隐层神经元的偏置,具有学习速度快且泛化性能好的优点。
步骤5,通过计算MSE、MAE和利用如图数据可视化的方式来验证评估屏蔽效能的模型是否可靠。将机器学习模型评估的数据和测试集的数据进行MSE和MAE的计算,MSE和MAE的计算公式为:
其中,M表示测试数据集的数据量。SE1i为测试数据集第i个屏蔽效能值;SE2i为对应的第i个评估屏蔽效能值。
若误差过大则需要重新调节神经元个数、神经元层数等参数重新进行模型训练,再进行MSE、MAE的计算,最后在误差允许的情况下得到一个可靠有效的模型,部分变量下所计算出的MSE和MAE如图8所示,传统数值仿真方法与机器学习方法单次计算耗用时间对比如图9所示。
步骤6,将实际参数输入所述评估模型,得到屏蔽效能值。
实施例三
请参考图2,本发明提供一种基于机器学习的电子设备屏蔽效能评估装置,包括:
屏蔽腔模型建立模块,用于建立电子设备屏蔽腔模型,并仿真得到在不同参数条件下空间电磁波在电子设备中心位置处的电场数据;
样本数据集获取模块,用于根据所述电场数据,计算对应的电子设备屏蔽效能值,得到包括参数和屏蔽效能值的样本数据集;
评估模型建立模块,用于采用基于多层极限学习机算法的神经网络算法对样本数据集进行训练,建立电子设备屏蔽效能评估模型;
评估模块,用于将实际参数输入所述评估模型,得到屏蔽效能值。
作为具体实施方式,所述屏蔽腔模型建立模块,具体用于:
利用电磁仿真软件建立电子设备屏蔽腔模型,并仿真得到在一定参数条件下的空间电磁波在电子设备中心位置处的电场数据;
编写脚本,不断改变参数条件,并调用电磁仿真软件进行自动化仿真,得到电场数据。
对于实施例三的具体实现过程,由于实施例一和实施例二的方法中已有详细说明,故此处不再赘述。
本领域普通技术人员可以理解实现上述事实和方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,涉及的程序或者所述的程序可以存储于一计算机所可读取存储介质中,该程序在执行时,包括如下步骤:此时引出相应的方法步骤,所述的存储介质可以是ROM/RAM、磁碟、光盘等等
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不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,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器学习的电子设备屏蔽效能评估方法,其特征在于,包括:
建立电子设备屏蔽腔模型,并仿真得到在不同参数条件下空间电磁波在电子设备中心位置处的电场数据;
根据所述电场数据,计算对应的电子设备屏蔽效能值,得到包括参数和屏蔽效能值的样本数据集;
采用基于多层极限学习机算法的神经网络算法对样本数据集进行训练,建立电子设备屏蔽效能评估模型;
将实际参数输入所述评估模型,得到屏蔽效能值。
2.如权利要求1所述的方法,其特征在于,
建立电子设备屏蔽腔模型,并仿真得到在不同参数条件下空间电磁波在电子设备中心位置处的电场数据,具体包括:
利用电磁仿真软件建立电子设备屏蔽腔模型,并仿真得到在一定参数条件下的空间电磁波在电子设备中心位置处的电场数据;
编写脚本,不断改变参数条件,并调用电磁仿真软件进行自动化仿真,得到电场数据。
3.如权利要求1所述的方法,其特征在于,
得到包括参数和屏蔽效能值的样本数据集之后,还包括:
对样本数据集进行可视化输出,筛选并修正错误样本数据集。
4.如权利要求1所述的方法,其特征在于,
根据所述电场数据,计算对应的电子设备屏蔽效能值之后,还包括:得到包括参数和屏蔽效能值的测试数据集;
建立电子设备屏蔽效能评估模型之后,还包括:利用测试数据集对电子设备屏蔽效能评估模型的有效性和评估速度进行检验。
6.根据权利要求1所述的方法,其特征在于,所述参数包括空间电磁波入射角度、极化角度以及频率。
7.根据权利要求6所述的方法,其特征在于,所述空间电磁波入射角度的θ取值范围为[π,3π/2],取样间隔为π/36;φ取值范围为[0,π/2],取样间隔为π/36;极化角度α的取值范围为[0,2π],取样间隔为π/9;频率f取值范围为[0,1]GHz,取样间隔为0.01GHz。
9.一种基于机器学习的电子设备屏蔽效能评估装置,其特征在于,包括:
屏蔽腔模型建立模块,用于建立电子设备屏蔽腔模型,并仿真得到在不同参数条件下空间电磁波在电子设备中心位置处的电场数据;
样本数据集获取模块,用于根据所述电场数据,计算对应的电子设备屏蔽效能值,得到包括参数和屏蔽效能值的样本数据集;
评估模型建立模块,用于采用基于多层极限学习机算法的神经网络算法对样本数据集进行训练,建立电子设备屏蔽效能评估模型;
评估模块,用于将实际参数输入所述评估模型,得到屏蔽效能值。
10.如权利要求9所述的装置,其特征在于,
所述屏蔽腔模型建立模块,具体用于:
利用电磁仿真软件建立电子设备屏蔽腔模型,并仿真得到在一定参数条件下的空间电磁波在电子设备中心位置处的电场数据;
编写脚本,不断改变参数条件,并调用电磁仿真软件进行自动化仿真,得到电场数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110433213.3A CN113128054A (zh) | 2021-04-21 | 2021-04-21 | 一种基于机器学习的电子设备屏蔽效能评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110433213.3A CN113128054A (zh) | 2021-04-21 | 2021-04-21 | 一种基于机器学习的电子设备屏蔽效能评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113128054A true CN113128054A (zh) | 2021-07-16 |
Family
ID=76778882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110433213.3A Pending CN113128054A (zh) | 2021-04-21 | 2021-04-21 | 一种基于机器学习的电子设备屏蔽效能评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128054A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779868A (zh) * | 2021-08-13 | 2021-12-10 | 一汽奔腾轿车有限公司 | 一种矩形孔金属板屏蔽效能预测方法、系统、终端及存储介质 |
CN113779867A (zh) * | 2021-08-13 | 2021-12-10 | 一汽奔腾轿车有限公司 | 一种圆形孔金属板屏蔽效能预测方法、系统、终端及存储介质 |
CN114925613A (zh) * | 2022-05-27 | 2022-08-19 | 北京航空航天大学 | 基于深度学习的空间辐射环境下软件可靠性等效评估方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951995A (zh) * | 2017-03-22 | 2017-07-14 | 华东交通大学 | 一种超高压输电电场极限学习机预测多目标优化屏蔽方法 |
CN108414842A (zh) * | 2018-02-05 | 2018-08-17 | 中国人民解放军63653部队 | 一种含金属接缝矩形屏蔽腔体屏蔽效能评估方法 |
CN109116126A (zh) * | 2018-09-06 | 2019-01-01 | 山东康威通信技术股份有限公司 | 一种通信电缆屏蔽层屏蔽效能在线监测评估方法及系统 |
CN110196358A (zh) * | 2019-06-11 | 2019-09-03 | 东华大学 | 基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法 |
CN110348068A (zh) * | 2019-06-17 | 2019-10-18 | 南方电网科学研究院有限责任公司 | 一种电磁屏蔽网屏蔽效能的计算方法、装置及存储介质 |
CN110502863A (zh) * | 2019-08-29 | 2019-11-26 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种缝隙结构及其电磁屏蔽效能评估方法 |
CN111351834A (zh) * | 2020-03-18 | 2020-06-30 | 南京理工大学 | 一种基于漏磁的智能检测装置 |
CN211045062U (zh) * | 2019-12-16 | 2020-07-17 | 沈阳兴华航空电器有限责任公司 | 一种高屏蔽效能电缆 |
CN111521883A (zh) * | 2020-03-24 | 2020-08-11 | 中国电力科学研究院有限公司 | 一种用于获取高压直流输电线路电场测量值的方法及系统 |
CN112183641A (zh) * | 2020-09-29 | 2021-01-05 | 国网四川省电力公司经济技术研究院 | 融合预估-校正深度学习的暂态频率稳定评估方法及系统 |
-
2021
- 2021-04-21 CN CN202110433213.3A patent/CN113128054A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951995A (zh) * | 2017-03-22 | 2017-07-14 | 华东交通大学 | 一种超高压输电电场极限学习机预测多目标优化屏蔽方法 |
CN108414842A (zh) * | 2018-02-05 | 2018-08-17 | 中国人民解放军63653部队 | 一种含金属接缝矩形屏蔽腔体屏蔽效能评估方法 |
CN109116126A (zh) * | 2018-09-06 | 2019-01-01 | 山东康威通信技术股份有限公司 | 一种通信电缆屏蔽层屏蔽效能在线监测评估方法及系统 |
CN110196358A (zh) * | 2019-06-11 | 2019-09-03 | 东华大学 | 基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法 |
CN110348068A (zh) * | 2019-06-17 | 2019-10-18 | 南方电网科学研究院有限责任公司 | 一种电磁屏蔽网屏蔽效能的计算方法、装置及存储介质 |
CN110502863A (zh) * | 2019-08-29 | 2019-11-26 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种缝隙结构及其电磁屏蔽效能评估方法 |
CN211045062U (zh) * | 2019-12-16 | 2020-07-17 | 沈阳兴华航空电器有限责任公司 | 一种高屏蔽效能电缆 |
CN111351834A (zh) * | 2020-03-18 | 2020-06-30 | 南京理工大学 | 一种基于漏磁的智能检测装置 |
CN111521883A (zh) * | 2020-03-24 | 2020-08-11 | 中国电力科学研究院有限公司 | 一种用于获取高压直流输电线路电场测量值的方法及系统 |
CN112183641A (zh) * | 2020-09-29 | 2021-01-05 | 国网四川省电力公司经济技术研究院 | 融合预估-校正深度学习的暂态频率稳定评估方法及系统 |
Non-Patent Citations (2)
Title |
---|
未知: "使用python和vb控制cst进行自动化仿真之(一):环境配置", 《HTTPS://WWW.MANONGDAO.COM/ACTICLE-2255482.HTML》 * |
段双亮: "基于人工智能的碳纳米管及其复合材料的介电性能和电磁屏蔽效能研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779868A (zh) * | 2021-08-13 | 2021-12-10 | 一汽奔腾轿车有限公司 | 一种矩形孔金属板屏蔽效能预测方法、系统、终端及存储介质 |
CN113779867A (zh) * | 2021-08-13 | 2021-12-10 | 一汽奔腾轿车有限公司 | 一种圆形孔金属板屏蔽效能预测方法、系统、终端及存储介质 |
CN114925613A (zh) * | 2022-05-27 | 2022-08-19 | 北京航空航天大学 | 基于深度学习的空间辐射环境下软件可靠性等效评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128054A (zh) | 一种基于机器学习的电子设备屏蔽效能评估方法及装置 | |
US6598208B2 (en) | Design and assisting system and method using electromagnetic position | |
Bruns | Three-dimensional simulation and experimental verification of a reverberation chamber | |
CN116223962B (zh) | 线束电磁兼容性预测方法、装置、设备及介质 | |
CN115062502A (zh) | 一种电动车高压系统辐射发射建模仿真及预测方法 | |
CN115840084A (zh) | 基于同轴线缆的阻抗测试方法、装置、设备及存储介质 | |
Drozd | Selected methods for validating computational electromagnetic modeling techniques | |
Bai et al. | Comparison of Calculation Methods of Braided Shield Cable Transfer Impedance Using FSV Method. | |
CN115236411A (zh) | 一种屏蔽罩内电子器件的辐射源建模方法 | |
Besnier et al. | Extreme values and risk analysis: EMC design approach through metamodeling | |
Kvasnikov et al. | Prototype of EMC Expert system for optimal design of radio-electronic equipment | |
Gutierrez et al. | Influence of geometric simplifications on high-intensity radiated field simulations | |
Gu et al. | Fast Prediction for Electromagnetic shielding effectiveness of ground-via distribution of SiP by convolutional neural network | |
Long et al. | A method to determine shielding effectiveness in a reverberation chamber using radar cross-section simulations with a planar wave excitation | |
Cahani et al. | Autoencoders in the Machine Learning Supported Design of PCBs | |
CN113536719B (zh) | Pcb板仿真电路以及pcb板仿真电路分析方法 | |
CN112765784A (zh) | 一种基于超饱和设计的雷达对抗性能分析方法 | |
CN106226606A (zh) | 一种通过改变辐射源工作频率研究电磁场探头微扰动性的方法 | |
Rusiecki et al. | Evaluation of shielding effectiveness of slotted enclosures by internal stirring | |
Zhu et al. | HEMP Excited Shield Residual Electric Field Modeling Method Based on NARX Neural Network | |
Wang et al. | Probability statistical method of assisting electromagnetic compatibility index decision-making | |
Fei | Efficient Computation of Cable Electromagnetic Compatibility Problems with Parametric Uncertainty | |
Nimych et al. | REVIEW OF MATHEMATICAL SUPPORT AND SOFTWARE FOR DESIGN OF SHF DEVICES | |
KR20230123584A (ko) | 차폐 케이블의 노이즈 예측 장치 및 그 방법 | |
Wu et al. | The Validation of the Simulated HIRF Effects in Metallic Cases Using Parallel FDTD Solver on a High Performance Computer |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210716 |