基于机器学习以装备性能为导向的电工装备自动设计系统

1.本发明属于电工装备领域，尤其是涉及一种基于机器学习以装备性能为导向的电工装备自动设计方法。


背景技术：

2.随着社会经济的发展和人民生活水平的不断提高，市场对于定制参数的电工装备的需求量不断提高。在传统电工装备设计的过程中，设计流程包括质量严重依赖于从业人员的专业素养和设计经验。设计经验又需要不断进行积累、更新。培养一个合格的设计师往往需要付出高昂的时间成本和经济成本。
3.电工装备、机械装备等装备行业作为制造业重点领域，开始引进大数据和机器学习技术辅助装备设计。如bp(back propagation)神经网络、决策树(decision tree,dt)和支持向量机(support vector machine,svm)等机器学习方法。
4.但是，当前存在的相关的自动设计系统大多是从设计参数向性能进行。而反向预测也就是从性能向设计参数的过程，是一个信息从低维到高维的预测问题，容易不收敛从而无法达到设计要求。


技术实现要素：

5.有鉴于此，本发明旨在提出一种基于机器学习以装备性能为导向的电工装备自动设计方法，以解决现有的自动设计系统设计从性能向参数推进过程中，数据容差难以降低，预测结果不易收敛的问题。
6.为达到上述目的，本发明的技术方案是这样实现的：
7.基于机器学习以装备性能为导向的电工装备自动设计系统，具体步骤如下：
8.s1、将电工装备的设计参数和性能参数与已有的设计实例的设计参数和性能参数建立映射关系，将相同类型的电工装备设计组成同一个训练集，不同类型的电工装备组成不同的训练集，获取不同类型的电工装备的设计参数和性能参数；
9.s2、构建电工装备设计参数预测电工装备性能参数的神经网络模型一；
10.s3、构建电工装备性能参数预测电工装备设计参数的神经网络模型二；
11.s4、将电工装备目标性能参数输入神经网络模型二，得到预测目标设计参数；
12.s5、将预测目标设计参数输入神经网络模型一中，获得预测性能参数；
13.s6、将预测性能参数与目标性能参数进行比较，确定性能误差绝对值e，若性能误差绝对值e在期望范围区间内，则输出预测目标设计参数，若性能绝对误差e大于期望误差，则重复步骤s5-s6，继续进行训练。
14.进一步的，步骤s1中，将电工装备的设计参数和性能参数与已有的设计实例的设计参数和性能参数建立映射关系，具体方法：
15.s11、根据电工装备的功能原理不同区分为n个类别，对应n个类别建立n个数据集；
16.s12、从已有的设计库中对应n个类别寻找设计实例，并将设计实例存入对应的数
据集中；
17.s13、对每个数据集中的设计实例进行分析抽象获取电工装备的设计参数和性能参数。
18.进一步的，神经网络模型一和神经网络模型二均采用具有预测功能的算法构建，所述具有预测功能的算法包括bp神经网络、支持向量机、cnn神经网络、unet网络。
19.进一步的，步骤s2中，构建根据电工装备设计参数预测电工装备性能参数的神经网络模型一，具体方法如下：
20.所述神经网络模型一采用bp神经网络建立，包括输入层、隐含层和输出层，将电工装备设计参数作为输入，性能参数作为输出对神经网络模型一进行训练；
21.设定xd表示输入层第d个节点的输入，d＝0,1,...,m；y
l
表示输出层第l个输出神经元的输出；输出层第j个神经元的阈值用θj表示；隐层第h个神经元的阈值用γh表示；输入层第i个神经元与隐层第h个神经元之间的权连接为v
ih
；隐层第h个神经元与输出层第j个神经元之间的连接权为ω
hj
；
22.信号在前向传播的过程中：
23.隐层第h个神经元收到的输入输出层第j个神经元接收到的输入为其中，bh为隐层第h个神经元的输出，隐层和输出层神经元都使用sigmoid函数处理，对于训练例(xk,yk)，假定神经网络模型一的输出为即则在(xk，yk)上的均方误差为
24.bp算法基于梯度下降的策略，以目标的负梯度方向对参数进行调整，对给定学习率η有发现ω
hj
先影响到第j个输入层神经元的输入值βj，再影响到然后影响到ek，则有根据βj的定义，有令此时δω
hj
＝ηg
jbh
。可以根据相同的方法得到ω
hj
、θj、γh和ν
ih
的更新公式；
25.通过不断迭代，得到适当的ω
hj
、θj、γh和ν
ih
，从而建立电工装备设计参数预测电工装备性能参数的神经网络模型一。
26.进一步的，步骤s3中，构建电工装备性能参数预测电工装备设计参数的神经网络模型二的方法与步骤s2中神经网络模型一构建方法相同，但是，神经网络模型二是以电工装备的性能参数作为输入，电工装备的设计参数作为输出进行模型训练。
27.进一步的，在步骤s6中，输出预测目标设计参数后，结合电工装备正常工作时周围的磁密云图、电场云图及温度场云图，对预测目标设计参数进行优化，优化具体方法如下：
28.s601、对设计目标所在的数据集中的设计实例进行仿真，得到电工装备正常工作时周围的磁密云图、电场云图及温度场云图；
29.s602、对步骤s601中得到的磁密云图、电场云图和温度场云图分别进行预处理形成磁密云图图像数据、电场云图图像、温度场云图图像数据；
30.s603、通过步骤s601中电工装备正常工作时周围的磁密云图、电场云图及温度场云图和步骤s602中的磁密云图图像数据、电场云图图像数据、温度场云图图像，采用unet网络算法，训练建立磁密云图神经网络、电场云图神经网络和温度场云图神经网络；s604、将预测目标设计参数生成的电工装备模型以图片形式表示；
31.s605、将步骤s604中的图片分别输入磁密云图神经网络、电场云图神经网络及温度场云图神经网络中，获得预测结果，根据预测结果判断生成的模型能够满足实际应用，若满足，则自动设计系统完成设计，若不满足，优化预测目标设计参数生成的模型，重复步骤s605。
32.进一步的，步骤s601中，通过仿真软件对设计目标所在的数据集中的设计实例进行参数化建模，建模完成后通过配置求解器得到电工装备正常工作时周围的磁密云图、电场云图及温度场云图。
33.进一步的，在步骤s602中，对步骤s601中得到的磁密云图、电场云图和温度场云图分别进行预处理，具体方法：
34.将步骤s601中获得的磁密云图、电场云图和温度场云图分别裁剪成1000*1000个像素的图片，并将1000*1000个像素的图片建立图像的rgb彩色模型形成磁密云图图像数据、电场云图图像和温度场云图图像，图像用于表示不同云图中的物理量大小。
35.相对于现有技术，本发明所述的基于机器学习以装备性能为导向的电工装备自动设计方法具有以下有益效果：
36.(1)本发明所述的基于机器学习以装备性能为导向的电工装备自动设计方法，以神经网络为基础，建立分布式并行信息处理模型，提出以装备性能为导向的，对所需求电工装备设计参数进行预测、校正、再预测的电工装备自动设计系统，通过神经网络对电工装备设计参数进行预测，降低设计过程中的试错成本。
37.(2)本发明所述的基于机器学习以装备性能为导向的电工装备自动设计方法，针对预测结果不易收敛的情况，本发明采用了由正向预测对反向预测进行校正的思路，相比于传统预测方法，其预测精度更高，收敛性更佳。
38.(3)本发明所述的基于机器学习以装备性能为导向的电工装备自动设计方法，设置磁密云图神经网络、电场云图神经网络及温度场云图神经网络可以在步骤s6获得预测目标设计参数之后直接对电工装备工作时的整体电磁场分布、局部温度极限值进行预测。可以显著提高测试流程效率，降低样机试制、测试、综合评价及改进环节所需的人力物力成本；
39.且采用图像数据预测的方法相比于有限元分析法更加节省计算时间、泛化能力强。
附图说明
40.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：
41.图1为本发明实施例所述的基于机器学习以装备性能为导向的电工装备自动设计方法示意图。
具体实施方式
42.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。
43.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。
44.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。
45.下面将参考附图并结合实施例来详细说明本发明。
46.如图1所示，基于机器学习以装备性能为导向的电工装备自动设计方法，具体步骤如下：
47.s1、将电工装备的设计参数和性能参数与已有的设计实例的设计参数和性能参数建立映射关系，将相同类型的电工装备设计组成同一个训练集，不同类型的电工装备组成不同的训练集，获取不同类型的电工装备的设计参数和性能参数；
48.s2、构建电工装备设计参数预测电工装备性能参数的神经网络模型一；
49.s3、构建电工装备性能参数预测电工装备设计参数的神经网络模型二；
50.s4、将电工装备目标性能参数输入神经网络模型二，得到预测目标设计参数；
51.s5、将预测目标设计参数输入神经网络模型一中，获得预测性能参数；
52.在得到电工装备性能参数之后，可以使用参数化建模的方法还原出目标电工装备的整体结构，所述电工装备可以为感应电机。
53.假设我们对一个某性能指标的感应电机进行预测后得到的三组数据。第一组是关于齿槽的参数，分别是齿槽宽度tooth width为10mm、hs0为1mm、hs1为2mm、bs0为2mm、rs为1mm。第二组是关于电机定子绕组的参数，分别是winding layers为2，winding type选择whole-coiled，parallel branches为1，conductors per slot为60，coil pitch为1，number of strands和wire wrap均为0。第三组是关于转子的参数，分别是outer diameter为98mm，inner diameter为40mm，length为50mm，stacking factor为0.95。通过ansys electronics中的参数化建模，可以很方便地对需要的感应电机进行建模复现。
54.s6、将预测性能参数与目标性能参数进行比较，确定性能误差绝对值e，若性能误差绝对值e在期望范围区间内，则输出预测目标设计参数，若性能绝对误差e大于期望误差，则重复步骤s5-s6，继续进行训练；
55.使用神经网络从低维对高维数据进行预测的过程中，数据的收敛性会下降。在此过程中我们引入正向预测网络对反向预测网络进行校正，这一步骤可以显著提高预测过程的稳定性。正向预测网络和反向预测网络可以是两种基于不同底层逻辑的、具有预测功能的神经网络。
56.如图1所示，步骤s1中，将电工装备的设计参数和性能参数与已有的设计实例的设计参数和性能参数建立映射关系，具体方法：
57.s11、根据电工装备的功能原理不同区分为n个类别，对应n个类别建立n个数据集；
58.s12、从已有的设计库中对应n个类别寻找设计实例，并将设计实例存入对应的数据集中；
59.s13、对每个数据集中的设计实例进行分析抽象获取电工装备的设计参数和性能参数。
60.神经网络模型一和神经网络模型二均采用具有预测功能的算法构建，所述具有预测功能的算法包括bp神经网络、支持向量机、cnn神经网络、unet网络。
61.步骤s2中，构建根据电工装备设计参数预测电工装备性能参数的神经网络模型一，具体方法如下：
62.所述神经网络模型一采用bp神经网络构建，包括输入层、隐含层和输出层，将电工装备设计参数作为输入，性能参数作为输出对神经网络模型一进行训练；
63.设定xd表示输入层第d个节点的输入，d＝0,1,...,m；y
l
表示输出层第l个输出神经元的输出；输出层第j个神经元的阈值用θj表示；隐层第h个神经元的阈值用γh表示；输入层第i个神经元与隐层第h个神经元之间的权连接为v
ih
；隐层第h个神经元与输出层第j个神经元之间的连接权为ω
hj
；
64.信号在前向传播的过程中：
65.隐层第h个神经元收到的输入输出层第j个神经元接收到的输入为其中，bh为隐层第h个神经元的输出，隐层和输出层神经元都使用sigmoid函数处理，对于训练例(xk,yk)，假定神经网络模型一的输出为即则在(xk，yk)上的均方误差为
66.bp算法基于梯度下降的策略，以目标的负梯度方向对参数进行调整，对给定学习率η有发现ω
hj
先影响到第j个输入层神经元的输入值βj，再影响到然后
影响到ek，则有根据βj的定义，有令此时δω
hj
＝ηg
jbh
。可以根据相同的方法得到ω
hj
、θj、γh和ν
ih
的更新公式；
67.通过不断迭代，得到适当的ω
hj
、θj、γh和ν
ih
，从而建立电工装备设计参数预测电工装备性能参数的神经网络模型一。
68.如图1所示，步骤s3中，构建电工装备性能参数预测电工装备设计参数的神经网络模型二的方法与步骤s2中神经网络模型一构建方法相同，但是，神经网络模型二是以电工装备的性能参数作为输入，电工装备的设计参数作为输出进行模型训练。
69.在步骤s6中，输出预测目标设计参数后，结合电工装备正常工作时周围的磁密云图、电场云图及温度场云图，对预测目标设计参数进行优化，优化具体方法如下：
70.s601、对设计目标所在的数据集中的设计实例进行仿真，得到电工装备正常工作时周围的磁密云图、电场云图及温度场云图；
71.s602、对步骤s601中得到的磁密云图、电场云图和温度场云图分别进行预处理形成磁密云图图像数据、电场云图图像、温度场云图图像；
72.s603、通过步骤s601中电工装备正常工作时周围的磁密云图、电场云图及温度场云图和步骤s602中的磁密云图图像数据、电场云图图像、温度场云图图像，采用unet网络算法，训练建立磁密云图神经网络、电场云图神经网络和温度场云图神经网络；
73.磁密云图神经网络、电场云图神经网络和温度场云图神经网络均采用unet网络算法构建，磁密云图神经网络采用unet网络算法以预处理磁密云图图像数据作为输入，以电工装备正常工作时周围的磁密云图作为输出进行构建；电场云图神经网络采用unet网络算法以预处理电场云图图像作为输入，以电工装备正常工作时周围的电场云图作为输出进行构建；温度场云图神经网络采用unet网络算法以预处理的温度场云图图像作为输入，以电工装备正常工作时的周围温度场云图作为输出进行构建，所述unet网络算法为常规的神经网络构建方法。
74.s604、将预测目标设计参数生成的电工装备模型以图片形式表示；
75.s605、将步骤s604中的图片分别输入磁密云图神经网络、电场云图神经网络及温度场云图神经网络中，获得预测结果，根据预测结果判断生成的模型能够满足实际应用，若满足，则自动设计系统完成设计，若不满足，优化预测目标设计参数生成的模型，重复步骤s605。
76.步骤s601中，通过仿真软件对设计目标所在的数据集中的设计实例进行参数化建模，建模完成后通过配置求解器得到电工装备正常工作时周围的磁密云图、电场云图及温度场云图。
77.所述仿真软件采用但不限于ansys，参数化建模方法采用但不限于ansys的rmxprtdesign，所述求解器为仿真软件自带。
78.在步骤s602中，对步骤s601中得到的磁密云图、电场云图和温度场云图分别进行
预处理，具体方法：
79.将步骤s601中获得的磁密云图、电场云图和温度场云图分别裁剪成1000*1000个像素的图片，并将1000*1000个像素的图片建立图像的rgb彩色模型形成磁密云图图像数据、电场云图图像和温度场云图图像，图像用于表示不同云图中的物理量大小。
80.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。