CN112131787B - 无监督式自进化的电机设计方法及*** - Google Patents
无监督式自进化的电机设计方法及*** Download PDFInfo
- Publication number
- CN112131787B CN112131787B CN202010985101.4A CN202010985101A CN112131787B CN 112131787 B CN112131787 B CN 112131787B CN 202010985101 A CN202010985101 A CN 202010985101A CN 112131787 B CN112131787 B CN 112131787B
- Authority
- CN
- China
- Prior art keywords
- motor
- design
- model
- data
- design result
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种无监督式自进化的电机设计方法及***,该方法包括:获取用户输入的电机性能参数信息;调用基于深度学习的神经网络模型,通过神经网络模型中的设计模型并结合电机性能参数信息进行电机设计,以得到产品设计结果;通过神经网络模型中的评价模型对产品设计结果进行损失函数计算,以得到损失函数值;调整设计模型以及评价模型的结构数据和权重数据,并通过调整后的评价模型再次进行电机设计,通过调整后的评价模型再次进行损失函数计算,如此往复循环,直至损失函数值达到全局最小,并将此时设计模型设计得到产品设计结果作为最终设计结果。本发明能够解决现有技术不具备自动学习和优化能力、对电机设计人员的设计经验依赖强的问题。
Description
技术领域
本发明涉及电机设计技术领域,特别是涉及一种无监督式自进化的电机设计方法及***。
背景技术
电机广泛应用于各种行业,对电机进行设计是进行生产、使用电机的前提。目前,主要使用一些电机设计软件进行电机设计。
但现有电机设计软件还存在以下问题:现有的电机设计软件不具备自动学***;此外,现有的电机设计软件对电机设计人员的设计经验依赖很强,不同水平的电机设计人员,即使是使用相同的软件,设计出来的电机产品也往往性能水平或经济性能不一致。
发明内容
为此,本发明的一个目的在于提出一种无监督式自进化的电机设计方法,以解决现有技术不具备自动学习和优化能力、对电机设计人员的设计经验依赖强的问题。
本发明提供一种无监督式自进化的电机设计方法,包括以下步骤:
获取用户输入的电机性能参数信息;
将所述电机性能参数信息与数据库中的数据进行匹配,以判断所述数据库中是否存在与所述电机性能参数信息匹配的电机模型;
若否,则调用基于深度学习的神经网络模型,通过所述神经网络模型中的设计模型并结合所述电机性能参数信息进行电机设计,以得到产品设计结果;
通过所述神经网络模型中的评价模型对所述产品设计结果进行损失函数计算,以得到损失函数值;
调整所述设计模型的结构数据和权重数据、以及所述评价模型的结构数据和权重数据,并通过调整后的所述评价模型再次进行电机设计,通过调整后的所述评价模型再次进行损失函数计算,如此往复循环,直至所述损失函数值达到全局最小,并将此时所述设计模型设计得到产品设计结果作为最终设计结果。
根据本发明提供的无监督式自进化的电机设计方法,基于深度学习的神经网络模型中的设计模型用于设计电机产品,而基于深度学习的神经网络模型中的评价模型用于对设计模型设计的电机产品进行测试,并根据测试结果对设计模型的设计能力打分(即损失函数计算),同时调整自身的网络结构和权重数据,设计模型根据评价模型给出的分数,对自身的网络结构和权重数据进行调整优化后,再一次设计出较前次优化的产品,如此往复循环,使得设计模型和评价模型都得到进化,随着电机设计方案的增加,设计模型和评价模型的深度和结构均得到进化调整,实现了自动学习和优化的效果,此外,采用本发明对电机设计人员的在电机设计方面的经验不再是必须的,电机设计人员只需输入要求的电机性能参数信息,即可进行全局电机设计。
另外,根据本发明上述的无监督式自进化的电机设计方法,还可以具有如下附加的技术特征:
进一步地,得到所述最终设计结果之后,所述方法还包括:
根据所述最终设计结果,自动调用绘图软件进行三维绘图和二维工程图纸绘图;
根据所述最终设计结果,自动调用电磁有限元分析软件进行电机电磁场有限元分析;
根据所述最终设计结果,自动调用温度场分析软件进行电机温度场有限元分析;
根据所述最终设计结果,自动调用有限元分析软件进行结构有限元分析和振动噪声分析;
根据所述最终设计结果,自动调用仿真软件进行电机***级仿真分析。
进一步地,所述基于深度学习的神经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deeplearning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分布值,当所述概率分布最大值大于预设值时,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,分别得出所述设计模型的结构数据和权重数据、以及所述评价模型的结构数据和权重数据。
进一步地,根据所述最终设计结果,调用仿真软件进行电机***级仿真分析的步骤之后,所述方法还包括:
将新设计电机数量加1;
当新设计电机数量达到指定值,重新进行网络训练,得到新的结构数据和权重数据,并将旧的结构数据和权重数据文件存入指定目录,将新设计电机数量重置为0。
进一步地,得到所述最终设计结果之后,所述方法还包括:
根据所述最终设计结果,同时获得当日铜价、铝价,自动生成产品***格信息。
本发明的另一个目的在于提出一种无监督式自进化的电机设计***,以解决现有技术对电机设计人员的设计经验依赖强、无法实现全局优化设计的问题。
本发明提供一种无监督式自进化的电机设计***,包括:
获取模块,用于获取用户输入的电机性能参数信息;
判断模块,用于将所述电机性能参数信息与数据库中的数据进行匹配,以判断所述数据库中是否存在与所述电机性能参数信息匹配的电机模型;
调用模块,用于若是数据库中不存在与所述电机性能参数信息匹配的电机模型,则调用基于深度学习的神经网络模型,通过所述神经网络模型中的设计模型并结合所述电机性能参数信息进行电机设计,以得到产品设计结果;
计算模块,用于通过所述神经网络模型中的评价模型对所述产品设计结果进行损失函数计算,以得到损失函数值;
调整模块,用于调整所述设计模型的结构数据和权重数据、以及所述评价模型的结构数据和权重数据,并通过调整后的所述评价模型再次进行电机设计,通过调整后的所述评价模型再次进行损失函数计算,如此往复循环,直至所述损失函数值达到全局最小,并将此时所述设计模型设计得到产品设计结果作为最终设计结果。
根据本发明提供的无监督式自进化的电机设计***,基于深度学习的神经网络模型中的设计模型用于设计电机产品,而基于深度学习的神经网络模型中的评价模型用于对设计模型设计的电机产品进行测试,并根据测试结果对设计模型的设计能力打分(即损失函数计算),同时调整自身的网络结构和权重数据,设计模型根据评价模型给出的分数,对自身的网络结构和权重数据进行调整优化后,再一次设计出较前次优化的产品,如此往复循环,使得设计模型和评价模型都得到进化,随着电机设计方案的增加,设计模型和评价模型的深度和结构均得到进化调整,实现了自动学习和优化的效果,此外,采用本发明对电机设计人员的在电机设计方面的经验不再是必须的,电机设计人员只需输入要求的电机性能参数信息,即可进行全局电机设计。
另外,根据本发明上述的无监督式自进化的电机设计***,还可以具有如下附加的技术特征:
进一步地,所述***还包括:
绘图模块,用于根据所述最终设计结果,自动调用绘图软件进行三维绘图和二维工程图纸绘图;
第一分析模块,用于根据所述最终设计结果,自动调用电磁有限元分析软件进行电机电磁场有限元分析;
第二分析模块,用于根据所述最终设计结果,自动调用温度场分析软件进行电机温度场有限元分析;
第三分析模块,用于根据所述最终设计结果,自动调用有限元分析软件进行结构有限元分析和振动噪声分析;
第四分析模块,用于根据所述最终设计结果,自动调用仿真软件进行电机***级仿真分析。
进一步地,所述基于深度学习的神经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deeplearning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分布值,当所述概率分布最大值大于预设值时,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,分别得出所述设计模型的结构数据和权重数据、以及所述评价模型的结构数据和权重数据。
进一步地,所述***还包括:
增加模块,用于将新设计电机数量加1;
重置模块,用于当新设计电机数量达到指定值,重新进行网络训练,得到新的结构数据和权重数据,并将旧的结构数据和权重数据文件存入指定目录,将新设计电机数量重置为0。
进一步地,所述***还包括:
报价模块,用于根据所述最终设计结果,同时获得当日铜价、铝价,自动生成产品***格信息。
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无监督式自进化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无监督式自进化的电机设计***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无监督式自进化的电机设计方法,包括步骤S101~S105。
S101,获取用户输入的电机性能参数信息。
其中,电机性能参数信息例如包括:功率、电压、转速、相数、功率因数、海拔高度,环境温度等,用户可以将这些要求在软件提供的交互界面中输入。
S102,将所述电机性能参数信息与数据库中的数据进行匹配,以判断所述数据库中是否存在与所述电机性能参数信息匹配的电机模型。
其中,若数据库中已有与所述电机性能参数信息匹配的电机产品,则直接返回该产品的型号,提示用户去数据库下载该电机的相关数据。
S103,若否,则调用基于深度学习的神经网络模型,通过所述神经网络模型中的设计模型并结合所述电机性能参数信息进行电机设计,以得到产品设计结果。
S104,通过所述神经网络模型中的评价模型对所述产品设计结果进行损失函数计算,以得到损失函数值。
其中,若数据库中不存在与所述电机性能参数信息匹配的电机产品,则调用基于深度学习(deep learning)的神经网络模型,通过所述神经网络模型中的设计模型并结合所述电机性能参数信息进行电机设计。
神经网络模型中的设计模型和评价模型都分别包括结构数据和权重数据,模型网络中,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。
其中,基于深度学习的神经网络模型具体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deeplearning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分布值,当所述概率分布最大值大于预设值时,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,分别得出所述设计模型的结构数据和权重数据、以及所述评价模型的结构数据和权重数据。
具体的,以电励磁三相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(此过程在软件中由软件初始化数据),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/列并补零,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,分别得出所述设计模型的结构数据和权重数据、以及所述评价模型的结构数据和权重数据。需要说明的是,设计模型(也称D模型)和评价模型(也称T模型)的训练流程基本相似,区别点就在设计模型是基于概率选择的模型,评价模型是基于价值选择的模型。基于概率选择,90%可能性选择出现概率最大的动作,10%可能性随机选择,以避免选择固化从而限入局部最优。基于价值选择的模型,则确定无误的选择出现价值最大的动作。
S105,调整所述设计模型的结构数据和权重数据、以及所述评价模型的结构数据和权重数据,并通过调整后的所述评价模型再次进行电机设计,通过调整后的所述评价模型再次进行损失函数计算,如此往复循环,直至所述损失函数值达到全局最小,并将此时所述设计模型设计得到产品设计结果作为最终设计结果。
其中,进行损失函数计算时,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,模型通过调整内部的参数和结构,使得损失函数loss逐渐变小,并最终小于一个事先规定的指标,例如1e-5,则可以认为,当Loss<1e-5时,此方案达到了重量优化目标。
具体的,D模型扮演电机设计工程师角色,用来设计电机产品,T模型扮演电机试验工程师角色,对D模型设计的电机产品进行测试,并根据测试结果对D模型的设计能力打分(即损失函数计算),同时调整自身的结构数据和权重数据;D模型根据T模型给出的分数,对自身的结构数据和权重数据进行调整优化后,再一次设计出较前次优化的产品,并让T模型再次对产品数据进行测试打分,如此往复循环,使得D、T模型都得到进化,这样,D模型设计能力越来越强,T模型测试能力越来越高,随着电机设计方案的增加,D/T模型的深度和结构均得到进化调整。
步骤S105得到的最终设计结果即为电机的具体参数数据,以电励磁同步发电机为例,具体参数数据为定子铁心长度,冲片外径,内径,定子槽数,槽形,定子线规型号,匝数,并联支路数,节距,转子冲片尺寸,转子线规型号,匝数等。
本实施例中,在步骤S105得到所述最终设计结果之后,所述方法还包括:
根据所述最终设计结果,自动调用绘图软件进行三维绘图和二维工程图纸绘图,并自动保存上传,生成相关文件,提供给用户下载;
根据所述最终设计结果,自动调用电磁有限元分析软件进行电机电磁场有限元分析,并生成相关文件保存上传,供用户下载;
根据所述最终设计结果,自动调用温度场分析软件进行电机温度场有限元分析,并生成相关文件保存上传,供用户下载;
根据所述最终设计结果,自动调用有限元分析软件进行结构有限元分析和振动噪声分析,并生成相关文件保存上传,供用户下载;
根据所述最终设计结果,自动调用仿真软件进行电机***级仿真分析,并生成相关文件保存上传,供用户下载。
作为一个具体示例,在根据所述最终设计结果,自动调用仿真软件进行电机***级仿真分析的步骤之后,所述方法还包括:
将新设计电机数量加1;
当新设计电机数量达到指定值,重新进行网络训练,得到新的结构数据和权重数据,并将旧的结构数据和权重数据文件存入指定目录,将新设计电机数量重置为0。
作为一个具体示例,得到所述最终设计结果之后,所述方法还可以包括:
根据所述最终设计结果,同时获得当日铜价、铝价,自动生成产品***格信息,供相关人员查阅。
此外,采用上述方法对电机进行设计后,可以在数据库中自动保存所有数据信息,方便调用。保存的数据包括:(1)电机本体信息:电机方案数据信息、电机结构参数信息、电机三维图信息、电机二维生产工程图信息、生产成本及报价信息;(2)电机性能指标信息: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;(3)***级信息:在整个***中运行效果和对其他部件产生的影响信息等。
综上,根据本实施例的无监督式自进化的电机设计方法,基于深度学习的神经网络模型中的设计模型用于设计电机产品,而基于深度学习的神经网络模型中的评价模型用于对设计模型设计的电机产品进行测试,并根据测试结果对设计模型的设计能力打分(即损失函数计算),同时调整自身的网络结构和权重数据,设计模型根据评价模型给出的分数,对自身的网络结构和权重数据进行调整优化后,再一次设计出较前次优化的产品,如此往复循环,使得设计模型和评价模型都得到进化,随着电机设计方案的增加,设计模型和评价模型的深度和结构均得到进化调整,实现了自动学习和优化的效果,此外,采用本发明对电机设计人员的在电机设计方面的经验不再是必须的,电机设计人员只需输入要求的电机性能参数信息,即可进行全局电机设计。
请参阅图2,基于同一发明构思,本发明第二实施例提出的无监督式自进化的电机设计***,包括:
获取模块,用于获取用户输入的电机性能参数信息;
判断模块,用于将所述电机性能参数信息与数据库中的数据进行匹配,以判断所述数据库中是否存在与所述电机性能参数信息匹配的电机模型;
调用模块,用于若是数据库中不存在与所述电机性能参数信息匹配的电机模型,则调用基于深度学习的神经网络模型,通过所述神经网络模型中的设计模型并结合所述电机性能参数信息进行电机设计,以得到产品设计结果;
计算模块,用于通过所述神经网络模型中的评价模型对所述产品设计结果进行损失函数计算,以得到损失函数值;
调整模块,用于调整所述设计模型的结构数据和权重数据、以及所述评价模型的结构数据和权重数据,并通过调整后的所述评价模型再次进行电机设计,通过调整后的所述评价模型再次进行损失函数计算,如此往复循环,直至所述损失函数值达到全局最小,并将此时所述设计模型设计得到产品设计结果作为最终设计结果。
本实施例中,所述***还包括:
绘图模块,用于根据所述最终设计结果,自动调用绘图软件进行三维绘图和二维工程图纸绘图;
第一分析模块,用于根据所述最终设计结果,自动调用电磁有限元分析软件进行电机电磁场有限元分析;
第二分析模块,用于根据所述最终设计结果,自动调用温度场分析软件进行电机温度场有限元分析;
第三分析模块,用于根据所述最终设计结果,自动调用有限元分析软件进行结构有限元分析和振动噪声分析;
第四分析模块,用于根据所述最终设计结果,自动调用仿真软件进行电机***级仿真分析。
本实施例中,所述基于深度学习的神经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deeplearning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分布值,当所述概率分布最大值大于预设值时,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,分别得出所述设计模型的结构数据和权重数据、以及所述评价模型的结构数据和权重数据。
本实施例中,所述***还包括:
增加模块,用于将新设计电机数量加1;
重置模块,用于当新设计电机数量达到指定值,重新进行网络训练,得到新的结构数据和权重数据,并将旧的结构数据和权重数据文件存入指定目录,将新设计电机数量重置为0。
本实施例中,所述***还包括:
报价模块,用于根据所述最终设计结果,同时获得当日铜价、铝价,自动生成产品***格信息。
根据上述的无监督式自进化的电机设计***,基于深度学习的神经网络模型中的设计模型用于设计电机产品,而基于深度学习的神经网络模型中的评价模型用于对设计模型设计的电机产品进行测试,并根据测试结果对设计模型的设计能力打分(即损失函数计算),同时调整自身的网络结构和权重数据,设计模型根据评价模型给出的分数,对自身的网络结构和权重数据进行调整优化后,再一次设计出较前次优化的产品,如此往复循环,使得设计模型和评价模型都得到进化,随着电机设计方案的增加,设计模型和评价模型的深度和结构均得到进化调整,实现了自动学习和优化的效果,此外,采用本发明对电机设计人员的在电机设计方面的经验不再是必须的,电机设计人员只需输入要求的电机性能参数信息,即可进行全局电机设计。
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***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、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***、装置或设备或结合这些指令执行***、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***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)
1.一种无监督式自进化的电机设计方法,其特征在于,包括以下步骤:
获取用户输入的电机性能参数信息;
将所述电机性能参数信息与数据库中的数据进行匹配,以判断所述数据库中是否存在与所述电机性能参数信息匹配的电机模型;
若否,则调用基于深度学习的神经网络模型,通过所述神经网络模型中的设计模型并结合所述电机性能参数信息进行电机设计,以得到产品设计结果;
通过所述神经网络模型中的评价模型对所述产品设计结果进行损失函数计算,以得到损失函数值;
调整所述设计模型的结构数据和权重数据、以及所述评价模型的结构数据和权重数据,并通过调整后的所述评价模型再次进行电机设计,通过调整后的所述评价模型再次进行损失函数计算,如此往复循环,直至所述损失函数值达到全局最小,并将此时所述设计模型设计得到产品设计结果作为最终设计结果;
所述基于深度学习的神经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deeplearning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分布,当所述概率分布最大值大于预设值时,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,分别得出所述设计模型的结构数据和权重数据、以及所述评价模型的结构数据和权重数据。
2.根据权利要求1所述的无监督式自进化的电机设计方法,其特征在于,得到所述最终设计结果之后,所述方法还包括:
根据所述最终设计结果,自动调用绘图软件进行三维绘图和二维工程图纸绘图;
根据所述最终设计结果,自动调用电磁有限元分析软件进行电机电磁场有限元分析;
根据所述最终设计结果,自动调用温度场分析软件进行电机温度场有限元分析;
根据所述最终设计结果,自动调用有限元分析软件进行结构有限元分析和振动噪声分析;
根据所述最终设计结果,自动调用仿真软件进行电机***级仿真分析。
3.根据权利要求1所述的无监督式自进化的电机设计方法,其特征在于,根据所述最终设计结果,调用仿真软件进行电机***级仿真分析的步骤之后,所述方法还包括:
将新设计电机数量加1;
当新设计电机数量达到指定值,重新进行网络训练,得到新的结构数据和权重数据,并将旧的结构数据和权重数据文件存入指定目录,将新设计电机数量重置为0。
4.根据权利要求2所述的无监督式自进化的电机设计方法,其特征在于,得到所述最终设计结果之后,所述方法还包括:
根据所述最终设计结果,同时获得当日铜价、铝价,自动生成产品***格信息。
5.一种无监督式自进化的电机设计***,其特征在于,所述***包括:
获取模块,用于获取用户输入的电机性能参数信息;
判断模块,用于将所述电机性能参数信息与数据库中的数据进行匹配,以判断所述数据库中是否存在与所述电机性能参数信息匹配的电机模型;
调用模块,用于若是数据库中不存在与所述电机性能参数信息匹配的电机模型,则调用基于深度学习的神经网络模型,通过所述神经网络模型中的设计模型并结合所述电机性能参数信息进行电机设计,以得到产品设计结果;
计算模块,用于通过所述神经网络模型中的评价模型对所述产品设计结果进行损失函数计算,以得到损失函数值;
调整模块,用于调整所述设计模型的结构数据和权重数据、以及所述评价模型的结构数据和权重数据,并通过调整后的所述评价模型再次进行电机设计,通过调整后的所述评价模型再次进行损失函数计算,如此往复循环,直至所述损失函数值达到全局最小,并将此时所述设计模型设计得到产品设计结果作为最终设计结果;
所述基于深度学习的神经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deeplearning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分布值,当所述概率分布最大值大于预设值时,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,分别得出所述设计模型的结构数据和权重数据、以及所述评价模型的结构数据和权重数据。
6.根据权利要求5所述的无监督式自进化的电机设计***,其特征在于,所述***还包括:
绘图模块,用于根据所述最终设计结果,自动调用绘图软件进行三维绘图和二维工程图纸绘图;
第一分析模块,用于根据所述最终设计结果,自动调用电磁有限元分析软件进行电机电磁场有限元分析;
第二分析模块,用于根据所述最终设计结果,自动调用温度场分析软件进行电机温度场有限元分析;
第三分析模块,用于根据所述最终设计结果,自动调用有限元分析软件进行结构有限元分析和振动噪声分析;
第四分析模块,用于根据所述最终设计结果,自动调用仿真软件进行电机***级仿真分析。
7.根据权利要求5 所述的无监督式自进化的电机设计***,其特征在于,所述***还包括:
增加模块,用于将新设计电机数量加1;
重置模块,用于当新设计电机数量达到指定值,重新进行网络训练,得到新的结构数据和权重数据,并将旧的结构数据和权重数据文件存入指定目录,将新设计电机数量重置为0。
8.根据权利要求6所述的无监督式自进化的电机设计***,其特征在于,所述***还包括:
报价模块,用于根据所述最终设计结果,同时获得当日铜价、铝价,自动生成产品***格信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010985101.4A CN112131787B (zh) | 2020-09-18 | 2020-09-18 | 无监督式自进化的电机设计方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010985101.4A CN112131787B (zh) | 2020-09-18 | 2020-09-18 | 无监督式自进化的电机设计方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112131787A CN112131787A (zh) | 2020-12-25 |
CN112131787B true CN112131787B (zh) | 2022-05-27 |
Family
ID=73842830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010985101.4A Active CN112131787B (zh) | 2020-09-18 | 2020-09-18 | 无监督式自进化的电机设计方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112131787B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04195667A (ja) * | 1990-11-28 | 1992-07-15 | Sanyo Electric Co Ltd | 電気機器 |
JP2016009327A (ja) * | 2014-06-24 | 2016-01-18 | 株式会社日立製作所 | 電機装置の設計支援システムおよび設計支援方法 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与*** |
CN109186973A (zh) * | 2018-08-20 | 2019-01-11 | 东南大学 | 一种无监督深度学习网络的机械故障诊断方法 |
CN110348513A (zh) * | 2019-07-10 | 2019-10-18 | 北京华电天仁电力控制技术有限公司 | 一种基于深度学习的风电机组故障预测方法 |
-
2020
- 2020-09-18 CN CN202010985101.4A patent/CN112131787B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04195667A (ja) * | 1990-11-28 | 1992-07-15 | Sanyo Electric Co Ltd | 電気機器 |
JP2016009327A (ja) * | 2014-06-24 | 2016-01-18 | 株式会社日立製作所 | 電機装置の設計支援システムおよび設計支援方法 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与*** |
CN109186973A (zh) * | 2018-08-20 | 2019-01-11 | 东南大学 | 一种无监督深度学习网络的机械故障诊断方法 |
CN110348513A (zh) * | 2019-07-10 | 2019-10-18 | 北京华电天仁电力控制技术有限公司 | 一种基于深度学习的风电机组故障预测方法 |
Non-Patent Citations (2)
Title |
---|
Modeling semiconductor losses for population based electric machinery design;Jacob Krizan 等;《2012 Twenty-Seventh Annual IEEE Applied Power Electronics Conference and Exposition (APEC) 》;20120309;第923-930页 * |
基于神经网络的永磁同步电动机模糊自适应控制;许振伟 等;《电力***及其自动化学报》;20030625;第15卷(第3期);第49-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112131787A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860138A (zh) | 基于全融合网络的三维点云语义分割方法及*** | |
DE102022119386A1 (de) | Verfahren und einrichtung zum durchführen einer dichten vorhersage unter verwendung von transformatorblöcken | |
US20170235870A1 (en) | Method for generating and using a two-dimensional drawing having three-dimensional orientation information | |
CN111598123B (zh) | 一种基于神经网络的配电网线路向量化方法及装置 | |
CN111537831B (zh) | 一种配电网线路故障定位方法及装置 | |
CN112131787B (zh) | 无监督式自进化的电机设计方法及*** | |
CN116090517A (zh) | 模型训练方法、目标检测方法、装置以及可读存储介质 | |
CN108399609A (zh) | 一种三维点云数据的修补方法、装置和机器人 | |
CN109710999B (zh) | 一种相域电机电磁暂态仿真模型的优化方法及装置 | |
WO2023279790A1 (zh) | 一种变压器工艺设计文件的传送方法 | |
CN112131788B (zh) | 用于教学的电机设计方法及*** | |
CN117096875A (zh) | 一种基于ST-Transformer模型的短期负荷预测方法及*** | |
CN116595776A (zh) | 变压器绕组变形的确定方法、确定装置和电子设备 | |
CN114816954A (zh) | 面向深度学习模型训练的性能预测方法及相关设备 | |
CN104362917A (zh) | 车用交流发电机漏磁问题的优化设计方法 | |
Scutaru et al. | Three-phase induction motor design software | |
US11934751B2 (en) | Virtual current representation of magnetic fields for electric motor design | |
CN117077610B (zh) | 用于集成电路的螺旋电感自动生成方法 | |
CN116957991B (zh) | 三维模型补全方法 | |
CN118171608A (zh) | 电机***仿真方法、装置、计算机设备和存储介质 | |
CN115130310A (zh) | 电机降阶模型仿真方法、装置、设备及可读存储介质 | |
KR102547711B1 (ko) | Cad 데이터에 포함된 아크 또는 원을 포함하는 객체에 대한 실시간 체인 생성 방법 및 시스템 | |
CN115983140B (zh) | 一种基于大数据深度学习的电磁场数值预测方法 | |
CN117251720A (zh) | 一种电力***的稳定性评估方法、***、电子设备及介质 | |
CN110069733A (zh) | 机械产品网络化发布数据处理方法和装置、存储介质 |
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 |