CN115983140B - 一种基于大数据深度学习的电磁场数值预测方法 - Google Patents

Abstract

本发明为一种基于大数据深度学习的电磁场数值预测方法，包括如下步骤：在电磁场数值仿真软件中建立不同复杂程度的电磁设备模型；用电磁场数值仿真软件分析电磁设备模型并形成大数据集；将大数据集进行数据处理后，将简单问题的数据矩阵作为风格迁移矩阵，与复杂问题的数据矩阵输入到具有内容感知编码机制的神经网络中训练；对训练结果进行后处理，与实际结果拟合，直到误差小于预期。本发明将Transformer模型与图像风格迁移技术相结合来预测电磁场，相比于其他电磁场预测模型，可以实现并行计算，具有尺度不变性、全局信息掌握能力，避免了随着网络层数增加导致的信息量衰竭。

Description

一种基于大数据深度学习的电磁场数值预测方法

技术领域

本发明属于大数据电磁场数值计算技术领域，尤其是涉及一种基于大数据深度学习的电磁场数值预测方法。

背景技术

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，计算电磁仿真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、经颅磁刺激仪、天线设计、光电子和雷达截面分析等。如何高效率、低成本地得到电磁设备的电磁场分布情况，成为分析、掌握和优化电磁设备的关键。

有限元数值法是当前最普遍的电磁场数值计算方法，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，而实际上所解问题的复杂性与计算机运算能力之间存在矛盾。

随着GPU与算法效率的进步，利用深度学习对电磁设备进行电磁场预测成为新思路。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，大部分基于Transformer的风格迁移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，且没有考虑不同复杂程度磁场求解方式之间的相关性，对全局信息的掌握能力较差，存在信息衰竭问题。

发明内容

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深度学习的电磁场数值预测方法。该方法能够将Transformer模型与风格迁移技术相结合，根据物理学中通电线圈产生磁场原理的一致性，将简单电磁设备模型的求解风格与复杂电磁设备模型的求解风格相互结合，实现知识内容上的风格迁移，考虑到了简单电磁设备模型磁场分布问题与复杂电磁设备模型磁场分布问题之间的相关性，避免了由于网络深度的增加而导致磁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。

本发明的技术方案是：

一种基于大数据深度学习的电磁场数值预测方法，所述预测方法包括以下步骤：

S1、在电磁场数值仿真软件中建立不同复杂程度的多种电磁设备模型，所述不同复杂程度指电磁设备模型的结构参数、材料参数和激励参数范围不同；

S2、用电磁场数值仿真软件获得每种电磁设备模型的磁场分布结果，脚本文件控制电磁场数值仿真软件创建包含材料参数、激励参数和磁场分布信息的大数据集：

S3、数据处理，将大数据集分为训练集和测试集：

对所述大数据集进行数据处理，所述数据处理过程是：将仿真后的每种电磁设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、激励参数和磁场分布；

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磁设备模型的材料参数和激励参数的分布信息、磁场分布信息，以电磁设备模型的材料参数和激励参数的分布信息构成特征矩阵，不同种类的电磁设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构成的特征矩阵作为输入，对应的磁场分布信息作为训练的标签；

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；

S4、构建基于Transformer的风格迁移模型：

所述基于Transformer的风格迁移模型包括Transformer编码器、N个Transformer解码器、分类器、基于内容感知的位置编码机制、分块处理模块、线性投影操作，N为不小于电磁设备模型的种类数的整数；

所述特征矩阵依次经分块处理模块、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；所述基于内容感知的位置编码机制的输入为线性投影操作后的结果，输出为内容感知位置编码；

所述Transformer编码器的输出连接分类器，分类器连接N个并联的Transformer解码器；

每个Transformer解码器的输出为相应种类电磁设备模型的磁场分布；

至此，获得基于Transformer的风格迁移模型；

S5、风格迁移与训练：将训练集中不同种类的电磁设备模型的特征矩阵按照复杂程度由简单到复杂的顺序分别输入基于Transformer的风格迁移模型进行风格迁移和训练；在训练的过程中实现将不同种类的电磁设备磁场问题的求解风格迁移到共享的Transformer编码器上；训练过程中使用同一个Transformer编码器，并利用分类器将每种电磁设备模型的编码结果通过各自的Transformer解码器解码输出，实现两两之间的风格迁移；

利用测试集对训练好的基于Transformer的风格迁移模型进行测试；

至此获得用于预测磁场分布的基于Transformer的风格迁移模型，能够输出待测电磁设备的磁场分布。

所述步骤S1中所述的不同复杂程度的多种电磁设备模型中通电线圈产生磁场原理相同，包括：线圈电磁设备模型、变压器电磁设备模型、内置永磁电机电磁设备模型；所述线圈电磁设备模型中包含的材料为空气和铜，变压器电磁设备模型中包含的材料为空气、铜和硅，内置永磁电机电磁设备模型中包含的材料为空气、铜、硅和永磁体。

所述结构参数包括电磁设备模型的结构和位置，材料参数包括电磁设备模型的材质、相对介电常数、相对磁导率和电导率，激励参数包括电流密度；

所述线圈电磁设备模型的结构参数指线圈的结构和位置，激励参数以电流大小表示；所述变压器电磁设备模型的结构参数指变压器的结构、变压器一二次侧的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的线圈，二次侧是匝数为90、电流为0A的线圈；

内置永磁电机电磁设备模型的结构参数指1/4内置永磁电机的结构以及内置永磁体的结构，激励参数为通电绕组的电流方向和大小。

所述基于Transformer的风格迁移模型的损失函数包括：体现输出磁场分布与实际磁场分布差异的均方误差损失函数。

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。

所述基于内容感知的位置编码机制是：

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，将特征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与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，内容感知位置编码/>

表示为：

，

其中

代表平均池化函数，平均池化函数中的n代表池化核的结构，

为可学习位置编码函数的1×1卷积运算，/>

代表跟随序列特征编码S的可学习位置编码，/>

为权重，g为相邻patch的数量；S为线性投影操作后输出的序列特征编码；

将每一个内容感知位置编码

加入到相应的序列特征编码s中，作为相应位置的最终特征嵌入/>

：

，

其中

，指所有patch的数量；m指每个patch的结构大小，/>

为Transformer编码器输入。

所述大数据集是在电磁设备模型的有效参数范围内随机生成的。

进一步的，S2中所述大数据集是由脚本文件控制电磁场数值分析软件产生的。

相对于现有技术，本发明所述的基于深度学习的电磁场数值预测方法具有以下优势：

1、本发明预测方法能够对产生磁场原理相同的不同复杂程度的电磁设备的磁场分布进行预测，将电磁场分布问题统一由Transformer模型和风格迁移技术相结合的基于Transformer的风格迁移模型训练并解决，足以证明本发明所涉及模型的泛化能力强、应用前景广。

2、本发明中训练基于Transformer的风格迁移模型所需的大数据集是在有效范围内随机生成，不含对大数据集的人为挑选，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。

3、本发明训练基于Transformer的风格迁移模型所用到的大数据集，不需要电磁场数值仿真软件得出的电磁场分布图，只需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，而且磁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。

4、本发明的核心技术在于，所使用的基于Transformer的风格迁移模型将Transformer模型与风格迁移技术结合，用于电磁设备的电磁场分布预测。CNN模型会随网络层数的增加导致信息丢失，Transformer模型在风格迁移领域比CNN模型表现更好，对大数据的适配能力更强。与CNN模型不同，由于Transformer模型只能处理序列化数据，而供训练使用的大数据集为三维数据，所以本发明中的Transformer模型将大数据集的特征矩阵进行分块处理，并行输入，从而将三维数据转换为序列化数据，解决了Transformer模型的输入问题。此外，本发明中基于Transformer的风格迁移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，解决了基于深度学习的电磁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。

5、本发明预测方法考虑了不同复杂程度磁场求解方式之间的相关性，由于不同电磁设备磁场问题之间具有相似性，将简单电磁设备模型的求解风格作为复杂电磁设备模型求解的借鉴依据，能够在减少训练资源的情况下准确预测复杂电磁设备模型的磁场分布。

6、综上，本发明相比于其他电磁场预测模型，可以实现并行计算，具有尺度不变性、全局信息掌握能力，避免了随着网络层数增加导致的信息量衰竭。

附图说明

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：

图1为本发明实施例所述的基于深度学习的电磁场数值预测方法的流程示意图；

图2为本发明中基于Transformer的风格迁移模型中的解码器部分的结构图；

图3为本发明中基于Transformer的风格迁移模型的整体结构图；

图4为本发明实施例所述的线圈电磁设备模型结构示意图；

图5为本发明实施例所述的变压器电磁设备模型结构示意图；

图6为本发明实施例所述的内置永磁电机电磁设备模型结构示意图；

图7为本发明实施例训练完成后线圈电磁设备模型测试集预测磁场分布与实际磁场分布的对照图；其中（a）为预测磁场分布结果图，（b）为实际磁场分布结果图；

图8为本发明实施例训练完成后变压器电磁设备模型测试集预测磁场分布与实际磁场分布的对照图；其中（a）为预测磁场分布结果图，（b）为实际磁场分布结果图；

图9为本发明实施例训练完成后内置永磁电机电磁设备模型测试集预测磁场分布与实际磁场分布的对照图；其中（a）为预测磁场分布结果图，（b）为实际磁场分布结果图。

具体实施方式

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。

本发明实施例的一种基于大数据深度学习的电磁场数值预测方法，该预测方法的具体流程（参见图1）是：

S1、在电磁场数值仿真软件中建立三种不同复杂程度的电磁设备模型，由简单到复杂的电磁设备模型分别包括：线圈电磁设备模型、变压器电磁设备模型和内置永磁电机电磁设备模型；所述不同复杂程度指电磁设备模型的结构参数、材料参数和激励参数不同。

S2、脚本文件控制电磁场数值仿真软件创建包含影响因素（材料、激励）和磁场分布信息的大数据集：

用电磁场数值仿真软件分析上述不同复杂程度的三种电磁设备模型，得到求解电磁设备模型的磁场分布结果，用于形成大数据集；使用电磁场数值仿真软件的数据导出功能，将包含着电磁设备模型数据分布信息的csv文件导出，形成电磁设备自身参数与磁场分布的大数据集；

所述电磁设备自身参数是指电磁设备模型的结构参数、材料参数和激励参数；

一种结构参数、材料参数和激励参数下求解获得的电磁设备模型的磁场分布结果形成一个样本，大数据集中具有多种电磁设备模型的大量样本；多种电磁设备模型对应多种特征矩阵，本实施例中由三种电磁设备模型为例进行说明。

S3、数据处理，将大数据集分为训练集和测试集：

对所述大数据集进行数据处理，所述数据处理过程是：将仿真后的每种电磁设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、激励参数和磁场分布；

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磁设备模型的材料参数和激励参数的分布信息、磁场分布信息，以电磁设备模型的材料参数和激励参数的分布信息构成特征矩阵，不同种类的电磁设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基于Transformer的风格迁移模型的输入特征矩阵，对应的磁场分布信息作为训练的标签，以磁场分布作为实际值用来与预测值做比较。

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基于Transformer的风格迁移模型。

S4、构建基于Transformer的风格迁移模型：

所使用的基于Transformer的风格迁移模型是由Transformer模型的编码器、解码器与风格迁移技术结合而成。所述基于Transformer的风格迁移模型包括Transformer编码器、N个Transformer解码器、分类器、基于内容感知的位置编码机制、分块处理模块、线性投影操作，N为不小于电磁设备模型的种类数的整数；

所述特征矩阵依次经分块处理模块、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；所述基于内容感知的位置编码机制的输入为线性投影操作后的结果，输出为内容感知位置编码；

所述Transformer编码器的输出连接分类器，分类器连接N个并联的Transformer解码器；

每个Transformer解码器的输出为相应电磁设备模型的磁场分布；

至此，获得基于Transformer的风格迁移模型。

S5、风格迁移与训练：将训练集中的线圈特征矩阵、变压器特征矩阵、内置永磁电机特征矩阵分别输入基于Transformer的风格迁移模型进行风格迁移和训练；将线圈特征矩阵输入基于Transformer的风格迁移模型，在训练的过程中实现将线圈电磁设备磁场问题的求解风格迁移到了共享的Transformer编码器中；将变压器特征矩阵输入基于Transformer的风格迁移模型，由于共享的Transformer编码器已经包含线圈电磁设备磁场问题求解风格，在此基础上可加快训练过程，实现将变压器电磁设备磁场问题的求解风格迁移到了共享的Transformer编码器中；将内置永磁电机特征矩阵输入基于Transformer的风格迁移模型，由于共享的Transformer编码器已经包含线圈和变压器电磁设备磁场问题求解风格，在此基础上可加快训练过程，实现将内置永磁电机电磁设备磁场问题的求解风格迁移到了共享的Transformer编码器中。训练过程中使用同一个Transformer编码器，并利用分类器将每种电磁设备模型的编码结果通过各自的Transformer解码器解码输出，实现两两之间的风格迁移；

利用测试集对训练好的基于Transformer的风格迁移模型进行测试，与电磁场数值仿真软件分析得到的实际磁场结果进行对比，若测试结果的误差与训练结果的误差预期效果相近，磁场分布的均方误差均小于1%，则证明模型训练成功，可以用于实际磁场预测，否则适当增加训练集的数量继续训练或优化基于Transformer的风格迁移模型的结构后继续训练，直到测试成功；

至此获得用于预测磁场分布的基于Transformer的风格迁移模型，能够输出待测电磁设备的磁场分布。

S1中所述的三种不同复杂程度的电磁设备模型包括：线圈电磁设备模型、变压器电磁设备模型和内置永磁电机电磁设备模型，其中线圈电磁设备模型中包含的材料为空气和铜，变压器电磁设备模型中包含的材料为空气、铜和硅，内置永磁电机电磁设备模型中包含的材料为空气、铜、硅和永磁体。线圈电磁设备模型包含的材料最少，结构最简单，激励变化范围小；内置永磁电机电磁设备模型包含的材料最多，结构最复杂，激励变化范围广；变压器电磁设备模型的复杂程度介于两者之间。

不同复杂程度是指：每种电磁设备模型的结构参数、材料参数和激励参数范围不同；所述结构参数包括电磁设备模型的结构和位置等，材料参数包括电磁设备模型的材质、相对介电常数、相对磁导率、电导率等，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。

对于线圈电磁设备模型来说，影响其复杂程度的因素包括：线圈的结构、位置和电流大小；对于变压器电磁设备模型来说，影响其复杂程度的因素包括：变压器的结构和变压器一二次侧的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，由于一二次侧的绕组线圈的横截面积会变化，导致通过一次侧的绕组线圈的电流密度变化，从而引起变压器一次侧激励的变化；对于内置永磁电机电磁设备模型来说，影响其复杂程度的因素包括：1/4内置永磁电机的结构、通过绕组线圈的电流方向和大小、以及内置永磁体的结构。

通过电磁场数值仿真软件计算不同复杂程度的电磁设备模型的磁场分布结果，进而得到大数据集，并用于基于Transformer的风格迁移模型训练。

S4中所述基于Transformer的风格迁移模型的损失函数包括：体现输出磁场分布与实际磁场分布差异的均方误差损失函数。

S2中所述大数据集是由脚本文件控制电磁场数值分析软件产生的。

图2所示为基于Transformer的风格迁移模型的Transformer解码器的结构图。本实施例中Transformer解码器在整个基于Transformer的风格迁移模型中共有三个，分别与三种电磁设备模型相对应，三者的不同体现在对输入序列信息分辨率的控制参数上，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-Head Attention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，英文全称为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磁设备的磁场分布。

所述Multi-Head Attention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编码器处理后电磁设备模型的序列信息经分类器引入相应的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。

图3所示为本发明所述基于Transformer的风格迁移模型的整体结构图，基于Transformer的风格迁移模型将基于内容感知的位置编码机制加入编码器之中，引入分类器，所述分类器会根据输入特征矩阵的类别帮助Transformer编码器输出的序列信息选择与之对应的Transformer解码器，可以设置电磁设备模型的种类数与Transformer解码器的数量相应，或者可以设置比电磁设备模型种类数多的Transformer解码器，在出现新的电磁设备模型时，可以直接对新的电磁设备模型利用已有基于Transformer的风格迁移模型进行训练学习，减小训练集所需数量，无需重新更换网络结构。

线圈电磁设备模型的特征矩阵对应解码器1，输出线圈磁场分布；变压器电磁设备模型的特征矩阵对应解码器2，输出变压器磁场分布；内置永磁电机电磁设备模型的特征矩阵对应解码器3，输出电机磁场分布；……；解码器N输出其他电磁设备（未来需要扩展预测的电磁设备）的磁场分布。

具体步骤如下：首先将需要求解的电磁设备模型的特征矩阵（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，基于内容感知的位置编码机制的输出结果与线性投影后的结果进行融合后再经过Transformer编码器形成序列信息，之后形成的序列信息通过分类器的指引选择相应的Transformer解码器进行解码，得到待测电磁设备的磁场分布。由于不同复杂程度的电磁设备磁场的求解共享一个Transformer编码器，所以Transformer编码器中存在不同复杂电磁设备磁场问题之间的关联性。在训练过程中使用现有的Adam优化器对基于Transformer的风格迁移模型进行优化。此模型可以直接计算全局的相关性，不需要通过隐藏层传递，满足磁场的传播特性，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。

以线圈电磁设备模型、变压器电磁设备模型、内置永磁电机电磁设备模型为例，对本申请的技术方案作进一步说明。

1.首先掌握三种电磁设备模型磁场分布的影响因素。如图4所示，对于线圈电磁设备模型来说，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，影响空气箱内磁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、电导率等。

如图5所示，对于变压器电磁设备模型来说，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，y_c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，y_c指变压器一二次侧绕组线圈横截面长度的1/2，y_c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y_c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，影响变压器磁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。

如图6所示，对于内置永磁电机电磁设备模型来说，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φ和通过各个线圈绕组的电流大小、方向，φ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500*cos(φ)A，通过绕组线圈2的电流表达式为500*cos(φ-60[deg])A，通过绕组线圈3的电流表达式为500*cos(φ-120[deg])A，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。

影响内置永磁电机电磁设备模型磁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。

2、运用电磁场数值仿真软件，分别对不同电磁设备模型进行创建，期间需对不同电磁设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，并在计算完成后的电磁数值仿真软件中导出对应电磁设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，能精确体现电磁设备模型中每个点的数据分布情况，另外，由于包含着电磁设备模型材料参数和激励参数信息的数据文件可以体现电磁设备模型的结构特征，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磁设备图片进行预处理的发明，操作更简单，大大减少计算成本。

3、由于训练基于Transformer的风格迁移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，运用脚本文件控制电磁场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，使训练完成后的基于Transformer的风格迁移模型泛化能力更高，预测结果更准确。

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，方便基于Transformer的风格迁移模型更好地对数据进行特征提取。

5、基于Transformer的风格迁移模型中设置分类器，会在数据通过Transformer编码器后根据原始数据类型选择与其对应的Transformer解码器，本实施例中三个Transformer解码器分别记为解码器1、解码器2、解码器3，其中线圈特征矩阵对应解码器1，变压器特征矩阵对应解码器2，内置永磁电机特征矩阵对应解码器3。由于线圈、变压器、内置永磁电机从物理学上产生磁场的原理是一致的，因此设计共享的Transformer Encoder（Transformer编码器），各自的Transformer解码器不共享。

6、将线圈特征矩阵进行分块处理、线性投影后加入基于内容感知的编码机制，形成线圈特征矩阵对应的序列信息，再将此信息输入共享的编码器中编码，将编码后的信息通过分类器后选择输入解码器1进行解码，最终得到待测电磁设备的磁场分布。

7、将变压器特征矩阵进行分块处理、线性投影后加入基于内容感知的编码机制，形成变压器特征矩阵对应的序列信息，再将此信息输入共享的Transformer编码器中编码，此时共享的Transformer编码器中已经拥有解析线圈电磁设备模型磁场问题的能力，将编码后的信息通过分类器后选择输入解码器2进行解码，得到待测电磁设备的磁场分布。由于编码器是共享的，所以线圈电磁设备模型磁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变压器电磁设备模型磁场问题的求解。

8、将内置永磁电机特征矩阵进行分块处理、线性投影后加入基于内容感知的编码机制，形成内置永磁电机特征矩阵对应的序列信息，再将此信息输入共享的编码器中编码，此时共享的解码器中已经拥有解析线圈电磁设备模型与变压器电磁设备模型磁场问题的能力，将编码后的信息通过分类器后选择输入解码器3进行解码，得到待测电磁设备的磁场分布。由于Transformer编码器是共享的，所以线圈电磁设备模型和变压器电磁设备模型磁场问题的求解风格已经迁移到编码器中，并作为辅助问题加快了内置永磁电机电磁设备模型磁场问题的求解。期间使用现有的Adam优化器根据训练情况适当调参，随着训练次数增加，基于Transformer的风格迁移模型的预测值与实际值之间的均方误差会越来越小，直到小于等于期望误差为止。训练完成后，将测试集输入基于Transformer的风格迁移模型进行测试。

基于Transformer的风格迁移模型中基于内容感知的位置编码机制解释如下：

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与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/>

可以表示为：/>

，

其中

代表平均池化函数，平均池化函数中的n代表池化核的结构，

是作为可学习位置编码函数的1×1卷积运算，/>

代表跟随序列特征编码S的可学习位置编码，/>

为权重，g为相邻patch的数量，S为线性投影操作后输出的序列特征编码。最终，将每一个/>

加入到相应的序列特征编码s中，作为相应位置的最终特征嵌入/>

。因此输入内容序列：

，

其中

，指所有patch的数量，m指每个patch的结构大小，/>

指输入Transformer编码器的序列信息。

基于Transformer的风格迁移模型在训练过程中使用Adam优化器进行优化：

，

Loss表示用于训练的Loss损失函数，其中

代表基于Transformer的风格迁移模型预测的磁场分布，/>

代表电磁场数值仿真软件计算得到的实际磁场分布，/>

代表上述两者中所有元素之间的磁通密度模均方误差。

图7为训练完成后线圈电磁设备模型预测磁场分布与实际磁场分布的对照图，其中（a）为预测磁场分布结果图，（b）为实际磁场分布结果图，图中显示预测结果与实际结果的磁场分布情况几乎相同，证明基于Transformer的风格迁移模型对于线圈电磁设备模型磁场的预测效果良好。

图8为训练完成后变压器电磁设备模型预测磁场分布与实际磁场分布的对照图，其中（a）为预测磁场分布结果图，（b）为实际磁场分布结果图，图中显示预测结果与实际结果的磁场分布情况几乎相同，证明基于Transformer的风格迁移模型对于变压器电磁设备模型磁场的预测效果良好。

图9为训练完成后内置永磁电机电磁设备模型预测磁场分布与实际磁场分布的对照图，其中（a）为预测磁场分布结果图，（b）为实际磁场分布结果图，图中显示预测结果与实际结果的磁场分布情况几乎相同，证明基于Transformer的风格迁移模型对于内置永磁电机电磁设备模型磁场的预测效果良好。

以上三种不同复杂程度的电磁设备模型的测试结果，证明本发明基于Transformer的风格迁移模型能够较好地完成不同类型电磁设备的电磁场数值预测任务。

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。

本发明未述及之处适用于现有技术。

Claims (7)

1.一种基于大数据深度学习的电磁场数值预测方法，其特征在于，所述预测方法包括以下步骤：

S1、在电磁场数值仿真软件中建立不同复杂程度的多种电磁设备模型，所述不同复杂程度指电磁设备模型的结构参数、材料参数和激励参数范围不同；

S2、用电磁场数值仿真软件获得每种电磁设备模型的磁场分布结果，脚本文件控制电磁场数值仿真软件创建包含材料参数、激励参数和磁场分布信息的大数据集：

S3、数据处理，将大数据集分为训练集和测试集：

对所述大数据集进行数据处理，所述数据处理过程是：将仿真后的每种电磁设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、激励参数和磁场分布；

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磁设备模型的材料参数和激励参数的分布信息、磁场分布信息，以电磁设备模型的材料参数和激励参数的分布信息构成特征矩阵，不同种类的电磁设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构成的特征矩阵作为输入，对应的磁场分布信息作为训练的标签；

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；

S4、构建基于Transformer的风格迁移模型：

所述基于Transformer的风格迁移模型包括Transformer编码器、N个Transformer解码器、分类器、基于内容感知的位置编码机制、分块处理模块、线性投影操作，N为不小于电磁设备模型的种类数的整数；

所述特征矩阵依次经分块处理模块、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；所述基于内容感知的位置编码机制的输入为线性投影操作后的结果，输出为内容感知位置编码；

所述Transformer编码器的输出连接分类器，分类器连接N个并联的Transformer解码器；

每个Transformer解码器的输出为相应种类电磁设备模型的磁场分布；

至此，获得基于Transformer的风格迁移模型；

S5、风格迁移与训练：将训练集中不同种类的电磁设备模型的特征矩阵按照复杂程度由简单到复杂的顺序分别输入基于Transformer的风格迁移模型进行风格迁移和训练；训练过程中使用同一个Transformer编码器，并利用分类器将每种电磁设备模型的编码结果通过各自的Transformer解码器解码输出；

利用测试集对训练好的基于Transformer的风格迁移模型进行测试；

至此获得用于预测磁场分布的基于Transformer的风格迁移模型。

2.根据权利要求1所述的基于大数据深度学习的电磁场数值预测方法，其特征在于，所述步骤S1中所述的不同复杂程度的多种电磁设备模型中通电线圈产生磁场原理相同，包括：线圈电磁设备模型、变压器电磁设备模型、内置永磁电机电磁设备模型；所述线圈电磁设备模型中包含的材料为空气和铜，变压器电磁设备模型中包含的材料为空气、铜和硅，内置永磁电机电磁设备模型中包含的材料为空气、铜、硅和永磁体。

3.根据权利要求2所述的基于大数据深度学习的电磁场数值预测方法，其特征在于，所述结构参数包括电磁设备模型的结构和位置，材料参数包括电磁设备模型的材质、相对介电常数、相对磁导率和电导率，激励参数包括电流密度；

所述线圈电磁设备模型的结构参数指线圈的结构和位置，激励参数以电流大小表示；所述变压器电磁设备模型的结构参数指变压器的结构、变压器一二次侧的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的线圈，二次侧是匝数为90、电流为0A的线圈；

内置永磁电机电磁设备模型的结构参数指1/4内置永磁电机的结构以及内置永磁体的结构，激励参数为通电绕组的电流方向和大小。

4.根据权利要求1所述的基于大数据深度学习的电磁场数值预测方法，其特征在于，所述基于Transformer的风格迁移模型的损失函数包括：体现输出磁场分布与实际磁场分布差异的均方误差损失函数。

5.根据权利要求1所述的基于大数据深度学习的电磁场数值预测方法，其特征在于，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。

6.根据权利要求1所述的基于大数据深度学习的电磁场数值预测方法，其特征在于，所述基于内容感知的位置编码机制是：

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，将特征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与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，内容感知位置编码/>

表示为：

，

其中

代表平均池化函数，平均池化函数中的n代表池化核的结构，/>

为可学习位置编码函数的1×1卷积运算，/>

代表跟随序列特征编码S的可学习位置编码，

为权重，g为相邻patch的数量；S为线性投影操作后输出的序列特征编码；

将每一个内容感知位置编码

加入到相应的序列特征编码s中，作为相应位置的最终特征嵌入/>

：

，/>

其中

，指所有patch的数量；m指每个patch的结构大小，/>

为Transformer编码器输入。

7.根据权利要求1所述的基于大数据深度学习的电磁场数值预测方法，其特征在于，所述大数据集是在电磁设备模型的有效参数范围内随机生成的。

Images