CN113505509B - 基于改进U-net的电机磁场高精度预测方法 - Google Patents
基于改进U-net的电机磁场高精度预测方法 Download PDFInfo
- Publication number
- CN113505509B CN113505509B CN202110776164.3A CN202110776164A CN113505509B CN 113505509 B CN113505509 B CN 113505509B CN 202110776164 A CN202110776164 A CN 202110776164A CN 113505509 B CN113505509 B CN 113505509B
- Authority
- CN
- China
- Prior art keywords
- magnetic field
- improved
- motor
- layer
- net
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/64—Electric machine technologies in electromobility
Abstract
本发明提供了一种基于改进U‑net的电机磁场高精度预测方法,通过有限元仿真软件得到的真实磁场云图;收集数据;数据预处理,将永磁同步电机几何结构图进行矩阵化,将不同的结构进行区分,形成被测电机几何信息矩阵;将磁场云图的像素归一化处理,将原像素矩阵经过归一化处理后获得磁场云图的像素归一化矩阵;将步骤S3中的电机几何信息矩阵和磁场云图的像素归一化的结果带入改进U‑net模型,进行训练,获得预测磁场云图;评估指标,将真实磁场云图与预测磁场云图进行对比。本发明所述的改进U‑net模型导入待测电机结构图数据后,在保证精确度的前提下,获得被测电机磁场预测值,无需通过现有的有限元技术进行大量分析和计算,计算速度大幅提高。
Description
技术领域
本发明属于电机磁场领域,尤其是涉及一种基于改进U-net的电机磁场高精度预测方法。
背景技术
随着环境污染的日益恶化和新能源产业的蓬勃发展,电动汽车以其零排放、低能耗、低噪音和动力表现好等优势使其逐渐取代传统燃油车,在乘用车、商用车领域得到了广泛的应用。PMSM是一种典型的高效节能电机,以其高性能、功率密度高、体积小、转矩惯性比大等特点,广泛应用于电动汽车。电机作为电动汽车的主要驱动部件,其性能的优劣直接影响电动车运行的稳定性。电动汽车行驶过程中,电机内部电磁场发生剧烈变化,直接影响电机的出力和服役性能,因此,细观电机磁场分布的研究显得尤为重要。
传统的电磁计算方法有时域有限差分法、有限元法、矩量法等,为了提高精度,计算时需要进行精细的网格剖分,导致计算量急剧增加、仿真时间过长和计算效率低等问题。随着人工智能的发展,近年来其在图像分类、图像分割和自然语言处理等方面取得了很好的表现。深度学习通过学习数值模拟结果的历史特征实现数值模拟结果的预测与直接生成,可有效代替数值模拟用于细观电机电磁分布的分析与研究,极具发展潜力。
发明内容
有鉴于此,本发明旨在提出一种基于改进U-net的电机磁场高精度预测方法,以解决数值模拟需要进行精细的网格剖分,导致计算量急剧增加、仿真时间过长和计算效率低等问题。
为达到上述目的,本发明的技术方案是这样实现的:
基于改进U-net的电机磁场高精度预测方法,具体步骤包括:
S1、收集数据,选取几个对磁场分布影响较大参数作为变量;
S2、通过有限元仿真软件得到的电机的真实磁场云图;
S3、数据预处理,
将永磁同步电机几何结构图进行矩阵化,将不同的结构进行区分,形成被测电机几何信息矩阵;
将真实磁场云图像素归一化处理,将原像素矩阵经过归一化处理后获得磁场云图的像素归一化矩阵;
S4、将步骤S3中的电机几何信息矩阵和磁场云图的像素归一化矩阵带入改进U-net模型,进行训练,获得预测磁场云图;
S5、评估指标,将真实磁场云图与预测磁场云图进行对比,采用均方误差作为改进U-net模型的性能指标来评估预测磁场分布的准确性,均方误差数值越小,则改进U-net模型训练越成功。
S6、向训练成功的改进U-net模型中输入电机几何信息矩阵即可获得预测磁场云图。
进一步的,步骤S1中,所述变量包括:
结构参数:永磁体宽度、永磁体厚度、定子齿高、定子齿宽,
激励条件:三相定子绕组电流220A和330A,
材料:永磁体材料钕铁硼;
步骤S2中,通过有限元仿真软件对电机结构就行建模,通过修改不同的结构参数、材料、激励条件,得到真实磁场云图。
进一步的,步骤S3中,将永磁同步电机几何结构图进行矩阵化的方法为,将绕组部分定义1,定子部分定义为2,永磁体部分定义为3,转子部分定义为4,其余部分定义为0,用于区分不同的结构,形成向改进U-net模型中输入几何信息的矩阵。
进一步的,步骤S3中,将真实磁场云图像素归一化处理,获得磁场云图的像素归一化矩阵,是由于PMSM磁场是RGB三通道彩色图像,R-红色通道,G-绿色通道,B-蓝色通道,需转换为单通道图像,并将像素值简单缩放归一化到[0,1]区间,公式为
式中,x为图像像素点值,xmax、xmin分别为图像像素的最大与最小值。
进一步的,步骤S4中,改进U-net模型包括编码器改进和解码器改进;
编码器改进后运行步骤包括:
S401、建立残差网络构成的网络模块Resblock,每个Resblock包括两个3×3的卷积层,通过层间跳跃连接将前后两个卷积层连接起来进行残差学习,提取PMSM磁场特征;
S402、在Resblock之后,编码器使用3×3的卷积层进一步提取PMSM磁场特征;
S403、池化层逐步缩小特征图的尺寸,使用池化核大小为2×2且滑动步长为2的最大池化层Max-pooling对卷积层输出的特征图进行下采样,使其尺寸减小一半,通过池化层,可以实现对PMSM特征更高层次的抽象表达;
S404、将步骤S401-S403的操作不断重复,通过卷积层逐步增大特征图的通道数量,池化层逐步缩小特征图的尺寸,最后使用一个Resblock和一个3×3的卷积层进一步提取PMSM磁场信息;
S405、最后两个卷积层之后还分别添加了一个丢弃层Dropout层,用于对模型进行正则化,减少训练过程中网络参数的数量,有效防止改进U-net模型发生过拟合,提高模型的泛化能力;
解码器改进后运行步骤:
S411、采用卷积核大小为2×2且滑动步长为2的反卷积层,对特征图进行上采样,使输出的特征图尺寸增大为原来的2倍,通道数量则减小为原来的一半;
S412、将反卷积层的上采样结果通过跳跃连接与编码器对应层级的特征图进行级联并有效融合,使解码器直接学习编码器部分Resblock和卷积层提取到的PMSM磁场特征,从而防止多次池化下采样使部分磁场特征丢失而影响磁场的预测精度;
S413、利用一个Resblock和一个3×3卷积层对融合后的特征图进一步提取磁场信息,在网络结构末端使用1×1的卷积层仅改变特征图的通道数量,而不改变特征图的尺寸;
S414、将步骤S413中的两个卷积层分别采用了ReLU激活函数和Sigmoid激活函数,对前面网络层提取到的输入信息进行整合。
进一步的,步骤S4中,所述提取PMSM磁场特征,在首次循环S401-S403时,S401提取输入的电机几何结构矩阵PMSM磁场特征,首次循环中的S402,以及后续循环S401-S403时S401、S402提取PMSM磁场特征均为对上一次处理后数据进一步迭代处理。
进一步的,步骤S5中,采用均方误差作为改进U-net模型的性能指标来评估预测磁场分布的准确性,公式为
相对于现有技术,本发明所述的基于改进U-net的电机磁场高精度预测方法具有以下有益效果:
(1)本发明所述的基于改进U-net的电机磁场高精度预测方法将处理的待测电机图像数据导入改进U-net模型,获得被测电机磁场预测值,并与有限元分析产生的真实值进行对比,确认改进的U-net模型的实用性。
(2)本发明所述的改进U-net模型的编码器通过一个由残差网络构成的网络模块进行特征提取,利用层间跳跃连接可以使梯度在反向传播过程中直接传回到上一层,不会出现梯度消失问题,也不会增加网络的运算复杂度,避免了网络层级加深所带来的性能下降问题;并引入Dropout层,减少训练过程中网络参数的数量,防止网络发生过拟合,实现了加深网络层。
解码器利用反卷积层对输入的特征图进行变换,其最大优势是利用跳跃连接级联了编码器部分的特征和解码器部分的特征,可以有效提取和融合不同层级的特征,充分捕获PMSM磁场相关的重要特征,从而能够在解码器阶段修复因池化操作而丢失的图像细节信息,获得精确的磁场预测结果。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的基于改进U-net的电机磁场高精度预测方法示意图;
图2为本发明实施例所述有限元仿真得到的真实磁场云图;
图3为本发明实施例所述改进U-net模型得到的预测磁场云图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示,基于改进U-net的电机磁场高精度预测方法,具体步骤包括:
S1、收集数据,选取几个对磁场分布影响较大参数作为变量;
S2、通过有限元仿真软件得到电机真实磁场云图;
S3、数据预处理,
将永磁同步电机几何结构图进行矩阵化,将不同的结构进行区分,形成被测电机几何信息矩阵;
将真实磁场云图像素归一化处理,将原像素矩阵经过归一化处理后获得磁场云图的像素归一化矩阵;
S4、将步骤S3中的电机几何信息矩阵和磁场云图的像素归一化矩阵带入改进U-net模型,进行训练,获得预测磁场云图;
S5、评估指标,将真实磁场云图与预测磁场云图进行对比,采用均方误差作为改进U-net模型的性能指标来评估预测磁场分布的准确性,均方误差数值越小,则改进U-net模型训练越成功。
S6、向训练成功的改进U-net模型中输入电机几何信息矩阵即可获得预测磁场云图。
如图2、图3所示,现有训练成功的改进U-net模型,对比真实磁场云图与预测磁场云图,改进U-net模型的预测精度高、所需测试时间短,每个像素节点的均方误差MSE在0.04%-0.1%范围内。
所述有限元仿真软件为ansys,采用有限元仿真软件建模获得电机真实磁场云图为现有技术。
如图1所示,
步骤S1中,所述变量包括:
结构参数:永磁体宽度、永磁体厚度、定子齿高、定子齿宽,
激励条件:三相定子绕组电流220A和330A,
材料:永磁体材料钕铁硼;
如图1所示,步骤S3中,将永磁同步电机几何结构图进行矩阵化的方法为,将绕组部分定义1,定子部分定义为2,永磁体部分定义为3,转子部分定义为4,其余部分定义为0,用于区分不同的结构,形成向改进U-net模型中输入几何信息的矩阵。
如图1所示,步骤S3中,将真实磁场云图像素归一化处理,获得磁场云图的像素归一化矩阵,是由于PMSM磁场是RGB三通道彩色图像,R-红色通道,G-绿色通道,B-蓝色通道,需转换为单通道图像,并将像素值简单缩放归一化到[0,1]区间,公式为
式中,x为图像像素点值,xmax、xmin分别为图像像素的最大与最小值。
由于每张图像的分布位置与倾斜角度不统一,该信息的差异与电机模型无直接关联,但会被网络作为特征进行提取并训练,最终会影响模型的性能。所以,将图像扩大到608×608像素大小,以中心对称对图像进行裁剪,使得网络能够在较小的固定区域内提取出有效特征,以提高改进U-net模型的性能表现。
如图1所示,步骤S4中,改进U-net模型包括编码器改进和解码器改进;
编码器改进后运行步骤包括:
S401、建立残差网络构成的网络模块Resblock,每个Resblock包括两个3×3的卷积层,通过层间跳跃连接将前后两个卷积层连接起来进行残差学习,提取PMSM磁场特征;
S402、在Resblock之后,编码器使用3×3的卷积层进一步提取PMSM磁场特征;
S403、池化层逐步缩小特征图的尺寸,使用池化核大小为2×2且滑动步长为2的最大池化层Max-pooling对卷积层输出的特征图进行下采样,使其尺寸减小一半,通过池化层,可以实现对PMSM特征更高层次的抽象表达;
S404、将步骤S401-S403的操作不断重复,通过卷积层逐步增大特征图的通道数量,池化层逐步缩小特征图的尺寸,最后使用一个Resblock和一个3×3的卷积层进一步提取PMSM磁场信息;
S405、最后两个卷积层之后还分别添加了一个丢弃层Dropout层,用于对模型进行正则化,减少训练过程中网络参数的数量,有效防止改进U-net模型发生过拟合,提高模型的泛化能力。
解码器改进后运行步骤:
S411、采用卷积核大小为2×2且滑动步长为2的反卷积层,对特征图进行上采样,使输出的特征图尺寸增大为原来的2倍,通道数量则减小为原来的一半;
S412、将反卷积层的上采样结果通过跳跃连接与编码器对应层级的特征图进行级联并有效融合,使解码器直接学习编码器部分Resblock和卷积层提取到的PMSM磁场特征,从而防止多次池化下采样使部分磁场特征丢失而影响磁场的预测精度;
S413、利用一个Resblock和一个3×3卷积层对融合后的特征图进一步提取磁场信息,在网络结构末端使用1×1的卷积层仅改变特征图的通道数量,而不改变特征图的尺寸;
S414、将步骤S413中的两个卷积层分别采用了ReLU激活函数和Sigmoid激活函数,对前面网络层提取到的输入信息进行整合。
如图1所示,步骤S4中,所述提取PMSM磁场特征,在首次循环S401-S403时,S401提取输入的电机几何结构矩阵PMSM磁场特征,首次循环中的S402,以及后续循环S401-S403时S401、S402提取PMSM磁场特征均为对上一次处理后数据进一步迭代处理。
改进U-net模型将ResNet与U-net中的编码器和解码器结构相结合,可以有效提取和融合不同层级的特征,同时通过跳跃连接实现高级语义特征和低级空间信息的融合,从而修复在不断池化过程中丢失的图像细节信息,提高图像预测的细腻度,得到与输入图像同样大小的特征图。
如图1所示,步骤S5中,采用均方误差作为改进U-net模型的性能指标来评估预测磁场分布的准确性,公式为
如图1-图3所示,通过改进U-net模型预测磁场方法与传统有限元方法相比,在保证精确度的前提下,计算速度大幅提高;对比模型选择基于编码器和解码器结构的卷积神经网络、全卷积神经网络和生成式对抗网络(Generative Adversarial Networks,GANs)三种模型。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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。
Claims (5)
1.基于改进U-net的电机磁场高精度预测方法,其特征在于:具体步骤包括:
S1、收集数据,选取几个参数作为变量;
S2、通过有限元仿真软件得到的电机的真实磁场云图;
S3、数据预处理,
将永磁同步电机几何结构图进行矩阵化,将不同的结构进行区分,形成被测电机几何信息矩阵;
将真实磁场云图像素归一化处理,将原像素矩阵经过归一化处理后获得磁场云图的像素归一化矩阵;
S4、将步骤S3中的电机几何信息矩阵和磁场云图的像素归一化矩阵带入改进U-net模型,进行训练,获得预测磁场云图;
S5、评估指标,将真实磁场云图与预测磁场云图进行对比,采用均方误差作为改进U-net模型的性能指标来评估预测磁场分布的准确性,均方误差数值越小,则改进U-net模型训练越成功;
S6、向训练成功的改进U-net模型中输入电机几何信息矩阵即可获得预测磁场云图;
步骤S1中,所述变量包括:
结构参数:永磁体宽度、永磁体厚度、定子齿高、定子齿宽,
激励条件:三相定子绕组电流220A和330A,
材料:永磁体材料钕铁硼;
步骤S2中,通过有限元仿真软件对电机结构进行建模,通过修改不同的结构参数、材料、激励条件,得到真实磁场云图;
步骤S3中,将永磁同步电机几何结构图进行矩阵化的方法为,将绕组部分定义1,定子部分定义为2,永磁体部分定义为3,转子部分定义为4,其余部分定义为0,用于区分不同的结构,形成向改进U-net模型中输入几何信息的矩阵。
3.根据权利要求1所述的基于改进U-net的电机磁场高精度预测方法,其特征在于:步骤S4中,改进U-net模型包括编码器改进和解码器改进;
编码器改进后运行步骤包括:
S401、建立残差网络构成的网络模块Resblock,每个Resblock包括两个3×3的卷积层,通过层间跳跃连接将前后两个卷积层连接起来进行残差学习,提取PMSM磁场特征;
S402、在Resblock之后,编码器使用3×3的卷积层进一步提取PMSM磁场特征;
S403、池化层逐步缩小特征图的尺寸,使用池化核大小为2×2且滑动步长为2的最大池化层Max-pooling对卷积层输出的特征图进行下采样,使其尺寸减小一半,通过池化层,可以实现对PMSM特征更高层次的抽象表达;
S404、将步骤S401-S403的操作不断重复,通过卷积层逐步增大特征图的通道数量,池化层逐步缩小特征图的尺寸,最后使用一个Resblock和一个3×3的卷积层进一步提取PMSM磁场信息;
S405、最后两个卷积层之后还分别添加了一个丢弃层Dropout层,用于对模型进行正则化,减少训练过程中网络参数的数量,有效防止改进U-net模型发生过拟合,提高模型的泛化能力;
解码器改进后运行步骤:
S411、采用卷积核大小为2×2且滑动步长为2的反卷积层,对特征图进行上采样,使输出的特征图尺寸增大为原来的2倍,通道数量则减小为原来的一半;
S412、将反卷积层的上采样结果通过跳跃连接与编码器对应层级的特征图进行级联并有效融合,使解码器直接学习编码器部分Resblock和卷积层提取到的PMSM磁场特征,从而防止多次池化下采样使部分磁场特征丢失而影响磁场的预测精度;
S413、利用一个Resblock和一个3×3卷积层对融合后的特征图进一步提取磁场信息,在网络结构末端使用1×1的卷积层仅改变特征图的通道数量,而不改变特征图的尺寸;
S414、将步骤S413中的两个卷积层分别采用了ReLU激活函数和Sigmoid激活函数,对前面网络层提取到的输入信息进行整合。
4.根据权利要求3所述的基于改进U-net的电机磁场高精度预测方法,其特征在于:步骤S4中,所述提取PMSM磁场特征,在首次循环S401-S403时,S401提取输入的电机几何结构矩阵PMSM磁场特征,首次循环中的S402,以及后续循环S401-S403时S401、S402提取PMSM磁场特征均为对上一次处理后数据进一步迭代处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776164.3A CN113505509B (zh) | 2021-07-08 | 2021-07-08 | 基于改进U-net的电机磁场高精度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776164.3A CN113505509B (zh) | 2021-07-08 | 2021-07-08 | 基于改进U-net的电机磁场高精度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505509A CN113505509A (zh) | 2021-10-15 |
CN113505509B true CN113505509B (zh) | 2022-08-26 |
Family
ID=78012146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110776164.3A Active CN113505509B (zh) | 2021-07-08 | 2021-07-08 | 基于改进U-net的电机磁场高精度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505509B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1404215A (zh) * | 2002-11-01 | 2003-03-19 | 清华大学 | 基于磁场饱和非线性电机模型异步电机优化励磁控制方法 |
CN108182316A (zh) * | 2017-12-27 | 2018-06-19 | 杭州泛利科技有限公司 | 一种基于人工智能的电磁仿真方法及其电磁大脑 |
CN110610529A (zh) * | 2019-09-20 | 2019-12-24 | 上海联影医疗科技有限公司 | 磁共振扫描仪的主磁场均匀化方法、设备和介质 |
CN112200694A (zh) * | 2020-10-09 | 2021-01-08 | 华中科技大学 | 基于图神经网络的主导失稳模式识别模型构建及应用方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8117150B1 (en) * | 2009-03-09 | 2012-02-14 | The United States Of America As Represented By The Secretary Of The Navy | Method of forecasting a magnetic or electrical environment from an ocean volume |
CN107844680B (zh) * | 2017-11-14 | 2020-04-07 | 国网湖南省电力有限公司 | 一种基于图像灰度叠加的水电机组综合振动区获取方法 |
CN110287588B (zh) * | 2019-06-24 | 2022-12-27 | 国网上海市电力公司 | 一种高温超导电缆内部带材磁场的计算方法 |
CN110414670B (zh) * | 2019-07-03 | 2021-09-28 | 南京信息工程大学 | 一种基于全卷积神经网络的图像拼接篡改定位方法 |
CN111610374B (zh) * | 2020-05-28 | 2022-08-05 | 杭州电子科技大学 | 一种基于卷积神经网络的散射场相位恢复方法 |
CN112016197B (zh) * | 2020-08-18 | 2021-04-13 | 浙江大学 | 一种永磁电机谐波电流的预测方法 |
-
2021
- 2021-07-08 CN CN202110776164.3A patent/CN113505509B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1404215A (zh) * | 2002-11-01 | 2003-03-19 | 清华大学 | 基于磁场饱和非线性电机模型异步电机优化励磁控制方法 |
CN108182316A (zh) * | 2017-12-27 | 2018-06-19 | 杭州泛利科技有限公司 | 一种基于人工智能的电磁仿真方法及其电磁大脑 |
CN110610529A (zh) * | 2019-09-20 | 2019-12-24 | 上海联影医疗科技有限公司 | 磁共振扫描仪的主磁场均匀化方法、设备和介质 |
CN112200694A (zh) * | 2020-10-09 | 2021-01-08 | 华中科技大学 | 基于图神经网络的主导失稳模式识别模型构建及应用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113505509A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108447062B (zh) | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 | |
CN109461157B (zh) | 基于多级特征融合及高斯条件随机场的图像语义分割方法 | |
CN111274970B (zh) | 一种基于改进YOLO v3算法的交通标志检测方法 | |
CN109146944B (zh) | 一种基于深度可分卷积神经网络的视觉深度估计方法 | |
CN109584161A (zh) | 基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法 | |
CN113313706B (zh) | 基于检测参考点偏移分析的电力设备缺陷图像检测方法 | |
CN112927253A (zh) | 基于卷积神经网络的岩心fib-sem图像分割方法 | |
CN114842363B (zh) | 一种数字孪生台区关键电力设备的识别方法及系统 | |
Zhao et al. | A balanced feature fusion SSD for object detection | |
CN111882620A (zh) | 一种基于多尺度信息道路可行驶区域分割方法 | |
CN110378398A (zh) | 一种基于多尺度特征图跳跃融合的深度学习网络改进方法 | |
CN115170801A (zh) | 一种基于双注意力机制融合的FDA-DeepLab语义分割算法 | |
CN115082928A (zh) | 面向复杂场景的不对称双分支实时语义分割网络的方法 | |
CN113505509B (zh) | 基于改进U-net的电机磁场高精度预测方法 | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
Gongguo et al. | An improved small target detection method based on Yolo V3 | |
CN112541926B (zh) | 一种基于改进FCN和DenseNet的歧义像素优化分割方法 | |
CN116563636A (zh) | 一种合成孔径雷达图像生成方法及系统 | |
CN114494284B (zh) | 一种基于显式监督区域关系的场景解析模型及方法 | |
CN112131996B (zh) | 基于通道分离卷积的路侧图像多尺度行人快速检测方法 | |
CN112132746B (zh) | 面向智能路侧设备的小尺度行人目标快速超分辨率化方法 | |
CN114049519A (zh) | 一种光学遥感图像场景分类方法 | |
CN113378838A (zh) | 一种基于深度学习的互感器铭牌文本区域检测方法 | |
CN113095265A (zh) | 基于特征融合和注意力的真菌目标检测方法 | |
CN113947102A (zh) | 一种用于复杂环境移动机器人场景理解的主干双路图像语义分割方法 |
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 |