(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110776164.3 (22)申请日 2021.07.08 (65)同一申请的已公布的文献号 申请公布号 CN 113505509 A (43)申请公布日 2021.10.15 (73)专利权人 河北工业大 学 地址 300000 天津市北辰区双口镇西平 道 5340号 (72)发明人 金亮　刘元凯　杨庆新　刘素贞　 张闯　李育增　 (74)专利代理 机构 天津企兴智财知识产权代理 有限公司 12 226 专利代理师 安孔川 (51)Int.Cl. G06F 30/23(2020.01)G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/10(2020.01) (56)对比文件 CN 1404215 A,20 03.03.19 CN 108182316 A,2018.0 6.19 CN 110610529 A,2019.12.24 CN 112200694 A,2021.01.08 审查员 张阿真 (54)发明名称 基于改进U-net的电机 磁场高精度预测方法 (57)摘要 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。 权利要求书2页 说明书6页 附图1页 CN 113505509 B 2022.08.26 CN 113505509 B 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2 20A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。 2.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， 是由于永磁同 步电机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。 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Resbl ock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；权　利　要　求　书 1/2 页 2 CN 113505509 B 2S404、 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。 5.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 式中， yi和 分别为第i个样本的真实值和预测值， N为样本个数， MSE用来衡量预测目标 与实际目标之间的偏差， MSE范围是[0， +∞)， 数值越小， 说明预测值与真实值越接近， 预测 效果越好。权　利　要　求　书 2/2 页 3 CN 113505509 B 3