基于深度学习的换能器动态特性快速分析优化方法及系统

本发明涉及换能器动态特性快速分析，具体地，涉及一种基于深度学习的换能器动态特性快速分析优化方法及系统。

背景技术：

1、超磁致伸缩换能器的设计方法主要包括等效电路法和有限元分析法两种，等效电路法物理含义清晰，有限元分析法在计算三维模型问题时优势突出，二者各具优劣，且皆有广泛应用。然而，超磁致伸缩换能器在能量转换过程中涉及电-磁-机-声多物理场耦合情况，其输入输出关系具有十分复杂的非线性特点，并且频域特性难以反映其不同工况下的动态特性，因此构建超磁致伸缩换能器的时域模型是设计换能器的前提；又因为超磁致伸缩换能器的时域模型涉及电-磁-机-声多物理场耦合，并且超磁致伸缩材料在电流激励下存在磁滞、涡流和磁致伸缩过程，导致超磁致伸缩换能器的时域多物理场耦合模型计算时间过长、效率过低。尤其在优化设计超磁致伸缩换能器的过程中，需要对超磁致伸缩换能器不同工况、不同尺寸参数的影响进行优化分析，仿真样本多；此外依靠经验调整换能器不同工况下的参数组合，不仅效率低而且具有很大的盲目性，更进一步延长了整个换能器仿真分析过程。

技术实现思路

1、本发明的主要目的是提出一种基于深度学习的换能器动态特性快速分析优化方法及一种分析优化系统，旨在提供基于粒子群改进灰狼优化算法和u-net相结合的超磁致伸缩换能器优化设计方法，能迅速地预测超磁致伸缩换能器的输出声源级等特征输出，从而解决上述技术问题。

2、为实现上述目的，本发明提出的一种基于深度学习的换能器动态特性快速分析优化方法，包括如下步骤：

3、s1、建立超磁致伸缩换能器的物理模型；

4、s2、建立所述超磁致伸缩换能器的时域模型；

5、s3、建立所述超磁致伸缩换能器深度学习训练模型的样本集；

6、s4、建立所述超磁致伸缩换能器深度学习的训练网络；

7、s5、对所述样本集数据进行处理、训练和结果分析；

8、s6、利用pso-gwo算法结合u-net深度学习模型对所述超磁致伸缩换能器进行优化

9、优选地，所述物理模型包括激励模块、磁路模块和输出模块，所述激励模块包括线圈和永磁体，所述线圈和所述永磁体分别为超磁致伸缩棒材提供交流磁场和偏置磁场；所述磁路模块包括导磁块、硅钢片、永磁体、所述超磁致伸缩棒材和磁轭；所述输出模块包括导磁块、硅钢片、永磁体、所述超磁致伸缩棒材和弯张壳体。

10、优选地，所述步骤s2具体包括：

11、s2.1、构建所述超磁致伸缩换能器的电磁场部分；所述超磁致伸缩棒材的电磁场弱形式方程如式(1)所示:

12、

13、其中，h为超磁致伸缩棒材的磁场强度，js为激励线圈的电流密度，σc为棒材的电导率，a为磁矢量势，va为电磁场的体积域，为电磁场的封闭区域，h×n为磁边界切线场；

14、s2.2、构建所述超磁致伸缩换能器的固体力学场部分；所述超磁致伸缩换能器固体力学场弱形式方程如式(2)所示:

15、

16、其中，ρ为棒材的密度，ζ为棒材的机械阻尼，u为棒材的总位移，σ为应力张量，fv为给定的机械体积力，vu为固体力学场的体积域，为固体力学场的封闭边界，σn为机械场边界的表面牵引力；

17、s2.3、利用jiles-atherton模型推导所述超磁致伸缩换能器的耦合关系，如式(3)所示：

18、

19、其中，hsolid为固体力学场中的磁场强度，hmf为磁场中的磁场强度，mmf为磁场中的磁化强度，msolid为固体力学场中的磁化强度；

20、s2.4、构建所述超磁致伸缩换能器的压力声学场部分，所述超磁致伸缩换能器压力声学场弱形式方程如式(5)所示：

21、

22、其中，va代表压力声学域，代表固体力学和声场连接边界，p代表声压。

23、优选地，所述步骤s3具体包括：借助matlab与comsol软件的联合仿真功能，在matlab中预设所述超磁致伸缩换能器的输入特征范围，所述输入特征的参数包括：永磁体剩余磁通密度br、预压应力σ和工作频率f；将所述参数的不同取值组合分别作为所述超磁致伸缩换能器的输入，再通过matlab调用comsol软件，运行所述超磁致伸缩换能器的瞬态模型，依次输出所述超磁致伸缩换能器的位移和声源级，得到若干组样本数据。

24、优选地，所述步骤s4具体包括：设置网络输入层数据结构；按照一定顺序分别定义各卷积层、各激活层、各最大池化层、各正则化层、各转置卷积层、各深度串联层；定义输出层；定义连接层分支创建所述训练网络，使用connectlayers函数连接每一层分支形成网络。

25、优选地，所述步骤s5具体包括：

26、s5.1、导入特征数据；将所述s3生成的所述样本数据导入所述超磁致伸缩换能器的深度学习模型。

27、s5.2、初始化训练集p_train、t_train和测试集p_test、t_test；将特征数据划分为训练集和测试集，然后将所述训练集的特征输入赋值给p_train、特征输出赋值给t_train，将所述测试集的特征输入赋值给p_test、特征输出赋值给t_tes；。

28、s5.3、数据归一化；使用mapminmax函数对所述训练集和所述测试集进行归一化处理，将特征输入和特征输出统一到[0,1]范围；

29、s5.4、数据平铺处理；使用reshape函数将p_train和t_train平铺为[5×1×1×3]的四维数据结构，与所述输入层数据结构保持一致；

30、s5.5、初始化训练参数；设置优化函数solvername、梯度下降法minibatchsize、最大训练回合数maxepochs、初始学习率initiallearnrate、学习率策略learnrateschedule、学习率下降因子learnratedropfactor、学习率下降周期learnratedropperiod、验证集数据validationdata、验证频率validationfrequency、训练进度training-progress；

31、s5.6、使用trainnetwork函数训练超所述磁致伸缩换能器的u-net深度学习网络；

32、s5.7、调整训练参数，多次训练深度学习网络；

33、s5.8、模型预测；在深度学习模型训练完成后，借助predict函数预测输出结果；

34、s5.9、数据反归一化；将预测结果反归一化至初始数量级；

35、s5.10、计算相关参数；计算平均绝对误差、均方误差并绘制相关图像。

36、优选地，所述步骤s6具体包括：

37、s6.1、将所述永磁体剩余磁通密度br、所述预压应力σ、所述工作频率f设置为待优化的变量，将所述超磁致伸缩换能器的输出声源级作为优化目标，适应度值的表达式如式(8)所示：

38、fitness＝max(sl) (8)

39、其中，fitness为适应度值，sl为超磁致伸缩换能器的输出声源级；

40、s6.2、初始化灰狼种群及相关参数，设置灰狼种群数量m，灰狼个体编号i，种群进化次数k，当前进化代数d；收敛标志k，系数向量a、c，当前灰狼个体对应的最优解pbest(i)，灰狼种群最优解gbest，当前灰狼个体最优适应度fitnesspbest(i)，灰狼种群最优适应度fitnessgbest；初始化所需参数r1、r2、r3、c1、c2、c3；

41、s6.3、初始化灰狼位置x(i)，对灰狼个体进行归一化处理；

42、s6.4、令d＝0，k＝0，初始化收敛标志；

43、s6.5、从第一只灰狼个体算起，令i＝1，fitnessgbest＝0；

44、s6.6、调用所述超磁致伸缩换能器的深度学习模型计算灰狼个体初始适应度值fitness(i)，通过判断当前目标函数值fitness(i)与fitnessgbest的大小关系，实现fitnesspbest(i)的更新，并令fitnesspbest(i)d＝fitness(i)，pbest(i)d＝x(i)；

45、s6.7、如果fitness(i)>fitnessgbest，则令fitnessgbest＝fitness(i)；如果fitness(i)<fitnessgbest，则令fitnessgbest＝fitnessgbest；

46、s6.8、依据fitnessgbest更新结果，更新灰狼全局最优位置；如果fitness(i)>fitnessgbest，则gbest＝x(i)；如果fitness(i)<fitnessgbest，则gbest＝gbest；

47、s6.9、判断i＝m是否成立，如果成立，计算完毕，执行s6.10，否则执行s6.9；

48、s6.10、令i＝i+1，并返回s6.5；

49、s6.11、令i＝1，d＝d+1，开始迭代；

50、s6.12、引入粒子群速度更新公式v(i)d＝w(v(i)d-1+c1r1(pbest(1)d-x(i)d)+c2r2(pbest(2)d-x(i)d)+c3r3(pbest(3)d-x(i)d))和位置更新公式x(i)d+1＝x(i)d+vid更新灰狼个体位置；

51、s6.13、调用超磁致伸缩换能器的深度学习模型计算灰狼个体初始适应度值fitness(i)，令fitnesspbest(i)d＝fitness(i)；

52、s6.14、如果fitnesspbest(i)d>fitnesspbest(i)d-1，则fitnesspbest(i)d＝fitnesspbest(i)d；如

53、果fitnesspbest(i)d<fitnesspbest(i)d-1，则fitnesspbest(i)d＝fitnesspbest(i)d-1；

54、s6.15、依据fitnesspbest(i)d更新结果，更新灰狼个体最优位置pbest(i)d。如果fitnesspbest(i)d>fitnesspbest(i)d-1，则pbest(i)d＝pbest(i)d；fitnesspbest(i)d<fitnesspbest(i)d-1，则pbest(i)d＝pbest(i)d-1；

55、s6.16、更新灰狼种群全局最优解，如果fitnesspbest(i)d>fitnessgbest，则令fitnessgbest＝fitnesspbest(i)d；如果fitnesspbest(i)d<fitnessgbest，则令fitnessgbest＝fitnesspbest(i)d；

56、s6.17、依据fitnessgbest更新结果，更新灰狼全局最优位置。如果fitnesspbest(i)d>fitnessgbest，则gbest＝pbest(i)d；如果fitnesspbest(i)d<fitnessgbest，则gbest＝gbest；

57、s6.18、判断i＝m是否成立，如果成立，计算完毕，执行s6.20，否则执行s6.19；

58、s6.19、令i＝i+1，并返回s6.12；

59、s6.20、判断d<k是否成立，如果成立，执行s6.21，否则执行s6.11；

60、s6.21、判断是否满足收敛要求：1)k到达预设值；2)输出结果在预设值范围内。如果收敛，则输出灰狼全局最优解gbest；否则，令k＝k+1，并返回s6.4；

61、s6.22、最终输出最佳工况参数组合为：br＝5t，σ＝24mpa，f＝400hz，并以此参数进行所述超磁致伸缩换能器的设计。

62、本发明还提供一种基于深度学习的换能器动态特性快速分析优化系统，包括一个或多个处理器及存储器，所述存储器上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述所述方法的步骤。

63、本发明技术方案中，一种基于深度学习的换能器动态特性快速分析优化方法，全面地考虑换能器在多物理场耦合条件下的瞬态行为，构建超磁致伸缩换能器的时域模型，使输出特性更加接近真实情况。然后建立超磁致伸缩换能器的深度学习模型，对超磁致伸缩换能器的输出特性进行快速计算。最后，借助粒子群改进的灰狼优化算法搜寻超磁致伸缩换能器的最佳工况参数组合。相比手动调整参数并进行有限元计算的方法，本发明效率性更高、精确性更强，不仅可以快速预测输出特性，并且可以提供最佳工况参数组合，满足实时性仿真的要求。