AI技術(shù)的出現(xiàn)給磁芯損耗的建模提供了新的方向與機(jī)會。

過去磁芯損耗建模主要依賴于基于測試數(shù)據(jù)的數(shù)學(xué)擬合公式，這些公式在針對正弦波、PWM波激勵下磁芯損耗預(yù)測比較準(zhǔn)確。然而，當(dāng)面對復(fù)雜的激勵波形，例如帶有直流偏置的波形，或是由工頻與高頻疊加而成的復(fù)合波形時，現(xiàn)有的磁芯損耗模型無法滿足。

即便有學(xué)者發(fā)表了相關(guān)的研究成果并構(gòu)建了數(shù)學(xué)模型，但這些磁芯損耗模型的實際應(yīng)用性仍有待商榷。因此，在復(fù)雜激勵波形以及直流偏置下的磁芯損耗建模方面，采用人工智能技術(shù)進(jìn)行建模，其意義更為重大。

在這一需求背景下，2023年5月，普林斯頓大學(xué)發(fā)起了一項名為“Magnet挑戰(zhàn)賽”的國際競賽，旨在匯聚全球高校與研究機(jī)構(gòu)的力量，共同推動AI磁芯損耗建模技術(shù)的發(fā)展。福州大學(xué)作為參賽隊伍之一，在此次挑戰(zhàn)賽中取得了較為優(yōu)異的成績。本文通過對話福州大學(xué)功率變換與電磁技術(shù)研究中心的張麗萍老師，深入探究該團(tuán)隊在挑戰(zhàn)賽中的AI磁芯損耗建模過程，以及這項技術(shù)對產(chǎn)業(yè)發(fā)展可能帶來的機(jī)會與挑戰(zhàn)。

01 傳統(tǒng)磁芯損耗計算的局限性

磁元件在功率變換器中具有不可或缺的重要地位，其損耗占總損耗的20%至30%。磁元件損耗主要分為繞組損耗和磁芯損耗。繞組損耗通常通過仿真手段獲取，由于其呈線性特性，故通過仿真所獲得的繞組損耗數(shù)據(jù)相對較為精確。

然而，磁芯損耗建模卻存在諸多問題。磁芯損耗受諸多因素影響，即便是以往的經(jīng)典模型，磁芯損耗在面對復(fù)雜波形時也可能不再適用。因此，磁芯損耗建模是磁元件設(shè)計中極為關(guān)鍵且重要的一環(huán)。磁芯損耗建模是開發(fā)高性能電力電子變換器的一大瓶頸所在。

磁芯損耗會受到諸多因素的影響，例如激勵波形、工作頻率、工作溫度以及直流偏置等。磁芯損耗可以看作是 B-H曲線包圍面積。

磁芯損耗面積

下面這個圖展示了不同頻率、不同磁通密度、有無直流偏置、不同溫度、不同激勵波形以及不同材料對磁滯回線所產(chǎn)生的影響。

上圖來源：H.Li,et al., “How MagNet: Machine Learning Framework for Modeling Power Magnetic Material Characteristics,” IEEE Trans. Power Electron., vol. 38,no.12, pp. 15829–15852. 2023.

從這些圖表中可以清晰地看出，磁芯的電磁特性呈現(xiàn)出高度非線性的特點。無法通過簡單地對影響因素進(jìn)行線性變換來準(zhǔn)確計算磁芯損耗。以往的方程，無論是SE方程、MSE方程還是IGSE方程，其泛化性能都存在一定的局限性。

此外，基于不同的制造工藝和應(yīng)用場合的需求，磁芯的構(gòu)成材料以及幾何形狀存在著顯著差異，這些差異也會對磁芯損耗產(chǎn)生影響。面對如此眾多的影響因素，如何更加精確地對磁芯損耗進(jìn)行建模，成為了一個亟待解決的問題。

傳統(tǒng)的磁芯損耗評估公式大多基于工程經(jīng)驗的擬合公式，容易受到頻率、波形、占空比、直流偏置、溫度等諸多因素的影響。為了能夠更準(zhǔn)確地計算電力電子中常見的PWM（脈沖寬度調(diào)制）波下的磁芯損耗，學(xué)者們提出了改進(jìn)的MSE方程。隨后，又進(jìn)一步發(fā)展出了適用于任意波形的iGSE和i2GSE方程。然而，這些方程中的系數(shù)k、α、β并非固定不變的常數(shù)，它們會隨著直流偏置、工作頻率以及磁密的變化而發(fā)生改變，且這些系數(shù)的變化范圍相當(dāng)廣泛。

鑒于此，構(gòu)建一個通用的磁芯損耗公式難度頗大，因此需要探索新的針對磁芯損耗的解決方案。

02基于神經(jīng)網(wǎng)絡(luò)的磁芯損耗建模方法

近年來，以機(jī)器學(xué)習(xí)為代表的人工神經(jīng)網(wǎng)絡(luò)發(fā)展迅猛，在眾多領(lǐng)域都得到了廣泛應(yīng)用，為磁芯損耗建模提供了一種可行方案，部分學(xué)者已開始著手開展基于數(shù)據(jù)驅(qū)動的磁芯損耗建模研究。作為數(shù)據(jù)驅(qū)動的經(jīng)典算法之一，神經(jīng)網(wǎng)絡(luò)能夠應(yīng)用于磁芯損耗建模中。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）是一種模仿生物神經(jīng)網(wǎng)絡(luò)（例如大腦）結(jié)構(gòu)與功能的數(shù)學(xué)模型或計算模型，用于對函數(shù)進(jìn)行估計或近似，已被廣泛應(yīng)用于解決各類問題。

人工神經(jīng)網(wǎng)絡(luò)通常由輸入層、隱含層和輸出層三層構(gòu)成，各層由多個神經(jīng)元節(jié)點組成，神經(jīng)元節(jié)點之間存在可學(xué)習(xí)的參數(shù)。具體來說，輸入層與隱藏層之間的神經(jīng)元節(jié)點相連，二者之間的連接具有參數(shù)，通常稱之為權(quán)重，即對輸入賦予一定的權(quán)重。

在磁芯損耗建模方面，可將激勵波形的最大磁通密度，或B曲線、H曲線作為輸入值，同時輸入磁芯的工作頻率、溫度、直流偏置等各類數(shù)值。輸入數(shù)據(jù)經(jīng)權(quán)重進(jìn)行線性變換后，輸出結(jié)果會送入激活函數(shù)中。激活函數(shù)的輸出再連接至下一個節(jié)點的參數(shù)，如此層層傳遞，這一過程在神經(jīng)網(wǎng)絡(luò)中被稱為信號的正向傳播。

信息在神經(jīng)元中傳輸、分析與權(quán)衡，最終得出一個輸出結(jié)果。將該結(jié)果與通過測量獲取的磁芯損耗進(jìn)行對比，計算二者之間的誤差，再利用該誤差進(jìn)行反向傳播，以修正學(xué)習(xí)參數(shù)，即修正各網(wǎng)絡(luò)節(jié)點上的權(quán)重，這便是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

神經(jīng)網(wǎng)絡(luò)作為一種算法大類，擁有眾多分支，包括在圖像領(lǐng)域應(yīng)用廣泛的CNN（卷積神經(jīng)網(wǎng)絡(luò)）、適用于圖數(shù)據(jù)結(jié)構(gòu)的GNN（圖神經(jīng)網(wǎng)絡(luò)）以及用于序列數(shù)據(jù)的RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）等，其算法分支極為豐富。

基于神經(jīng)網(wǎng)絡(luò)的磁芯損耗建模，其關(guān)鍵在于明確輸入輸出數(shù)據(jù)類型及網(wǎng)絡(luò)結(jié)構(gòu)。輸入數(shù)據(jù)既可為標(biāo)量數(shù)據(jù)，例如頻率、磁密、占空比、溫度和直流偏置等，也可為時序數(shù)據(jù)，如一個周期內(nèi)B、H曲線，亦或是標(biāo)量數(shù)據(jù)與時序數(shù)據(jù)的結(jié)合。輸出數(shù)據(jù)則可以是磁芯損耗，或是預(yù)測的H曲線，例如通過B曲線來預(yù)測H曲線。網(wǎng)絡(luò)結(jié)構(gòu)可選擇FNN、CNN、LSTM或Transformer等不同類型的網(wǎng)絡(luò)。

以基于Transformer網(wǎng)絡(luò)的磁芯損耗建模為例，輸入數(shù)據(jù)為時序數(shù)據(jù)與標(biāo)量數(shù)據(jù)的組合，輸出為時序數(shù)據(jù)H，最終通過輸出的H與B進(jìn)行積分運算，以求得磁芯損耗。所選用的網(wǎng)絡(luò)結(jié)構(gòu)為Transformer網(wǎng)絡(luò)，該網(wǎng)絡(luò)包含編碼器與解碼器兩部分。

如圖所示Transformer網(wǎng)絡(luò)的工作流程圖，將一個周期內(nèi)的時序數(shù)據(jù)即勵磁波形/磁通密度曲線B（t）輸入編碼器，編碼出其特征，再與標(biāo)量數(shù)據(jù)，即溫度T、頻率f、直流偏置Hdc等進(jìn)行融合。融合后的數(shù)據(jù)輸入至Transformer的解碼器進(jìn)行解碼，最終得出預(yù)測的H波形。將預(yù)測出的H與原始輸入的B進(jìn)行積分，即可計算得到磁芯損耗。

03 基于Transformer網(wǎng)絡(luò)的磁芯損耗模型

人工智能進(jìn)行模型訓(xùn)練與測試的流程可劃分為研發(fā)階段與最終的應(yīng)用階段。

第一步對數(shù)據(jù)進(jìn)行采集，在采集數(shù)據(jù)的過程中可能有一些缺失數(shù)據(jù)或者是異常數(shù)據(jù)要進(jìn)行處理，目的就是為了提高數(shù)據(jù)的質(zhì)量，提高機(jī)器學(xué)習(xí)的性能跟泛化能力。

第二步要對數(shù)據(jù)集進(jìn)行劃分，將數(shù)據(jù)集分為訓(xùn)練集跟測試集。通常情況下，訓(xùn)練集的樣本數(shù)量會多于測試集，例如可按照8:2的比例進(jìn)行劃分。劃分?jǐn)?shù)據(jù)集后，需利用訓(xùn)練集來優(yōu)化神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，同時借助測試集評估網(wǎng)絡(luò)性能。

第三步就是設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)，選擇合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、層數(shù)、神經(jīng)元數(shù)量、激活函數(shù)、輸入/輸出數(shù)據(jù)等，這些選擇就要根據(jù)實際應(yīng)用和數(shù)據(jù)的一些特點來進(jìn)行選擇。

第四步是訓(xùn)練策略，確定如何訓(xùn)練神經(jīng)網(wǎng)絡(luò)，包括網(wǎng)絡(luò)初始化、損失函數(shù)、網(wǎng)絡(luò)參數(shù)優(yōu)化算法、學(xué)習(xí)率更新算法等。

第五步是模型評估，最終設(shè)計出來的網(wǎng)絡(luò)要用于模型的評估，用測試的數(shù)據(jù)集去評估訓(xùn)練好的模型的性能。

第六步是調(diào)參優(yōu)化，根據(jù)測試結(jié)果調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練策略，不斷迭代，以獲得最終模型。

第七步是部署應(yīng)用，在實際應(yīng)用中部署最終模型。

以上幾步都屬于演化的過程，要真正落實到用戶，也就是磁芯廠商要用這個模型，就要做最終的部署應(yīng)用，也就是最終呈現(xiàn)什么樣的界面給磁芯廠商，使得磁芯廠商能夠在不需要任何機(jī)器學(xué)習(xí)的理論知識上，只需要輸入輸出數(shù)據(jù)，就能得到最終的磁芯損耗結(jié)果。

部署應(yīng)用的效果可參考福州大學(xué)團(tuán)隊依據(jù)普林斯頓比賽制作的示范模型。在其網(wǎng)站中，配置好輸入?yún)?shù)，涵蓋磁芯材料、激勵波形屬性、溫度、頻率等，網(wǎng)站便會自動生成相應(yīng)的磁芯損耗結(jié)果。

該網(wǎng)站與陳敏杰教授的官方網(wǎng)站類似，網(wǎng)站上公開了一些相關(guān)數(shù)據(jù)，并且還部署了一個UI界面供用戶使用。

從功能層面來看，此類人工智能模型的應(yīng)用與仿真軟件頗為相似，均是輸入?yún)?shù)、輸出結(jié)果，但二者原理存在差異。仿真軟件基于公式或數(shù)值計算方法進(jìn)行求解，而人工智能模型則基于歷史數(shù)據(jù)學(xué)習(xí)輸入與輸出之間的關(guān)聯(lián)。依據(jù)這種關(guān)聯(lián)，可根據(jù)輸入找到對應(yīng)的輸出。算法越優(yōu)、數(shù)據(jù)越多，人工智能模型的學(xué)習(xí)效果便越好，所學(xué)習(xí)到的關(guān)聯(lián)越接近真實世界，其找到的輸出結(jié)果也就越精準(zhǔn)。

04 MagNet AI算力規(guī)模

實際上，磁芯損耗建模所需的算力遠(yuǎn)小于圖像和自然語言處理所需的算力。在參與此次比賽時，福州大學(xué)團(tuán)隊使用的CPU為8352V，并搭配了三片英偉達(dá)4090 GPU。不過，并非一定同時啟用三片GPU，福州大學(xué)團(tuán)隊對比了單卡、雙卡、三卡的使用情況。

例如，對于表格中3E6這種材料，其樣本數(shù)為6996個，單卡模型參數(shù)為8194個。在運行3E6模型時，占用的顯存為9.3G，內(nèi)存為12.8G。

也就是說，在優(yōu)化完網(wǎng)絡(luò)結(jié)構(gòu)后，耗時為4.3小時。但若考慮到研發(fā)過程中對網(wǎng)絡(luò)算法的優(yōu)化調(diào)試，最終所需時間將是4.3乘以100或1000。

這是訓(xùn)練所需的一些算力情況。而部署所需的算力則相對較少，可部署在服務(wù)器上，或直接使用個人PC機(jī)。其占用的內(nèi)存與時間情況可參考右側(cè)圖表。因此，算力規(guī)模與需求、算法以及數(shù)據(jù)量密切相關(guān)，有時還需考慮實際使用時的成本問題。

05 MagNet 比賽過程

Magnet挑戰(zhàn)賽是由普林斯頓大學(xué)電力電子實驗室的陳敏杰教授與IEEE電力電子學(xué)會聯(lián)合發(fā)起，由谷歌、Enphase等世界著名企業(yè)聯(lián)合承辦的一項挑戰(zhàn)賽。MagNet挑戰(zhàn)賽的宗旨是借助大量測量數(shù)據(jù)對Steinmetz方程進(jìn)行升級，以期開發(fā)出更為先進(jìn)的磁芯損耗建模方法，進(jìn)而推動電力電子學(xué)界對磁芯材料特性，尤其是磁芯損耗的深入理解。

該比賽提供了15種磁芯在多種工況下的測量數(shù)據(jù)，樣本數(shù)量接近20萬個。參賽隊伍需依據(jù)這些數(shù)據(jù)對磁芯損耗進(jìn)行建模，以便能夠快速預(yù)測新型磁芯在未經(jīng)歷工況下的磁芯損耗情況。比賽的評價指標(biāo)包含三個部分：第一項為綜合性能指標(biāo)，涵蓋磁芯損耗的精度與參數(shù)量；第二項從理論角度考量是否將數(shù)學(xué)與物理相結(jié)合進(jìn)行建模；第三項則是評估軟件或代碼的優(yōu)化性能。

MagNet挑戰(zhàn)賽對標(biāo)的是斯坦福大學(xué)李飛飛教授提出的ImageNet挑戰(zhàn)賽，后者極大地推動了圖像人工智能在圖像數(shù)據(jù)里面的發(fā)展。而MagNet的主要目的是要促進(jìn)電力電子高頻磁領(lǐng)域的開源文化，形成新一代利用先進(jìn)的人工智能技術(shù)的電力電子高頻磁工程師開放式社區(qū)。

此次比賽吸引了來自全球18個國家的40支知名高校與研究機(jī)構(gòu)隊伍報名參賽，其中25支隊伍提交了初賽結(jié)果，24支隊伍提交了決賽結(jié)果。整個比賽過程歷時近10個月。

在初賽階段，主辦方提供了10種已知磁芯的大量測量數(shù)據(jù)，參賽團(tuán)隊需開發(fā)半自動或全自動的算法框架，對這些數(shù)據(jù)進(jìn)行處理，并據(jù)此生成10種磁芯的磁芯損耗預(yù)測模型。測試數(shù)據(jù)是在參賽者完成初賽時，利用5000個未包含在訓(xùn)練數(shù)據(jù)中的樣本來測試模型精度的。

進(jìn)入決賽階段，主辦方提供了5種未知磁芯的測量數(shù)據(jù)，并針對不同材料設(shè)置了各類挑戰(zhàn)，例如小數(shù)據(jù)挑戰(zhàn)、特殊材料挑戰(zhàn)等。這里的挑戰(zhàn)指的是部分測量數(shù)據(jù)并不向參賽者開放，比如某些溫度下的測量數(shù)據(jù)存在缺失，這對模型的泛化能力提出了較高要求。

例如，對于未知磁芯A，主辦方提供的訓(xùn)練數(shù)據(jù)共有2432個樣本，其中涵蓋了正弦激勵、方波激勵以及梯形波激勵等多種激勵方式，這些激勵方式的總數(shù)超過2000個。然而，在測試階段，主辦方卻使用了7000多個樣本來對參賽團(tuán)隊的磁芯損耗模型進(jìn)行測試。通常情況下，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中，訓(xùn)練樣本數(shù)應(yīng)多于測試樣本數(shù)，但此次比賽的情況卻恰恰相反。

此外，還有特殊材料挑戰(zhàn)，包括溫度挑戰(zhàn)、波形挑戰(zhàn)、頻率挑戰(zhàn)等。即在主辦方提供的訓(xùn)練數(shù)據(jù)中，部分溫度、波形、頻率等數(shù)據(jù)并未向參賽者提供。但在最終測試時，主辦方會使用這些未提供的數(shù)據(jù)來測試參賽團(tuán)隊的模型，以此檢驗?zāi)Ｐ偷姆夯芰?，看其是否能夠適應(yīng)不同材料，以及是否能夠較為準(zhǔn)確地進(jìn)行預(yù)測。

以下便是福州大學(xué)團(tuán)隊在此次比賽中所采用的輸入信息與輸出信息。核心思想是提出一個多階段遷移學(xué)習(xí)框架，將已在已知磁芯上學(xué)習(xí)到的知識進(jìn)行復(fù)用，基于少量數(shù)據(jù)實現(xiàn)對新磁芯損耗的建模。

遷移學(xué)習(xí)是一種機(jī)器學(xué)習(xí)范式，它將一個領(lǐng)域中的知識遷移并應(yīng)用到另一個相關(guān)領(lǐng)域。在訓(xùn)練數(shù)據(jù)量有限的情況下，遷移學(xué)習(xí)能夠加快模型的學(xué)習(xí)速度并提高模型性能。在舊任務(wù)中具有通用性的知識可以被遷移至新任務(wù)，常見的方法包括模型預(yù)訓(xùn)練與微調(diào)。

網(wǎng)絡(luò)模型的具體微調(diào)方法為：在10種磁芯材料中進(jìn)行預(yù)訓(xùn)練，訓(xùn)練出一個通用模型。然后將該通用模型作為10種磁芯材料的訓(xùn)練基礎(chǔ)，從而得出10種磁芯材料的專用模型。

例如，針對3C90、3C94、N87等材料，分別訓(xùn)練出專用磁芯損耗模型。隨后，將這些專用磁芯損耗模型應(yīng)用于五種未知材料中，通過微調(diào)參數(shù)，獲得五種未知材料中性能最佳的磁芯損耗模型，即獲得最佳的A、B、C、C、E這五種未知材料的磁芯損耗模型。這便是第一階段與第二階段的整個微調(diào)過程。

多階段遷移學(xué)習(xí)相較于傳統(tǒng)遷移學(xué)習(xí)，增加了遷移的過渡階段，形成了“從通用到專用、從一般到特殊”的平滑知識遷移路徑，從而提升了磁芯特性知識的跨磁芯遷移效率。此外，還提出了循環(huán)微調(diào)訓(xùn)練策略，以緩解模型陷入局部最優(yōu)的問題。

以下是對ABCDE這五種未知材料，運用比賽中的模型所獲得的一些誤差分析。從分析結(jié)果中，可以發(fā)現(xiàn)一個頗為有趣的現(xiàn)象：在所有未知新磁芯的測試中，源自N87的第一階段預(yù)訓(xùn)練磁芯損耗模型均取得了較為優(yōu)異的效果。

據(jù)此，可以得出以下幾點結(jié)論：一是，數(shù)據(jù)模型驅(qū)動能夠?qū)W習(xí)到磁芯的部分磁特性知識；二是，數(shù)據(jù)驅(qū)動模型在某些磁芯上所學(xué)到的知識具有一定的普適性，可以應(yīng)用于其他磁芯損耗的建模工作。換言之，當(dāng)使用N87模型來訓(xùn)練ABCDE這五種未知模型時，取得了較為理想的效果。

06 AI磁芯損耗建模的意義及挑戰(zhàn)

在磁芯損耗建模中應(yīng)用AI技術(shù)，將為電力電子行業(yè)帶來新的增長點和商業(yè)模式。

首先，在產(chǎn)品設(shè)計階段，通過精確預(yù)測磁芯損耗，設(shè)計人員可以選擇損耗更小的磁芯材料。例如，在相同溫度下對不同型號（如PC95、PC96等）的磁芯進(jìn)行磁芯損耗預(yù)測，從而篩選出損耗更低的型號用于實際應(yīng)用。

其次，AI技術(shù)還可應(yīng)用于新材料配方的研發(fā)。以錳鋅鐵氧體為例，通過預(yù)測不同錳、鋅含量對損耗的影響，可以找到損耗最小的材料配比，為磁芯制造商提供指導(dǎo)意義。

如在MagNet AI部署應(yīng)用的網(wǎng)站上，用戶可以通過輸入相關(guān)數(shù)據(jù)自動生成磁芯損耗的結(jié)果。該網(wǎng)站類似于普林斯頓比賽中的開源平臺，網(wǎng)站是一個公開的平臺，可供所有人使用，允許用戶輸入磁芯數(shù)據(jù)并生成磁芯損耗結(jié)果，這可以被視為一個磁芯損耗建模的人工智能平臺。

目前，網(wǎng)站中使用的磁芯種類有限，張麗萍老師表示福州大學(xué)功率變換與電磁技術(shù)研究中心會繼續(xù)測量其他磁芯，并不斷補(bǔ)充到平臺上。而使用該平臺的企業(yè)輸入的磁芯損耗數(shù)據(jù)越多，越有助于算法的優(yōu)化。然而，目前這些平臺仍處于實驗階段，尚未完全實現(xiàn)應(yīng)用。主要面臨以下難題：

一是測量手段缺乏統(tǒng)一的標(biāo)準(zhǔn)。不同的測量方法可能導(dǎo)致磁芯損耗數(shù)據(jù)出現(xiàn)偏差。測量結(jié)果的精度更多地取決于測量手段和方法的一致性。因為所有預(yù)測都基于測量數(shù)據(jù)，如果測量手段和方法不同，測得的磁芯損耗結(jié)果可能會有差異。因此，平臺的精度需要通過行業(yè)內(nèi)的共同檢驗來定義，例如將磁芯損耗誤差控制在5%-10%以內(nèi)可視為合理范圍。

平臺的準(zhǔn)確性需要通過使用者，尤其是電力電子行業(yè)和磁元件相關(guān)行業(yè)的共同檢驗來驗證。如果平臺上測得的磁芯損耗與企業(yè)實際測得的磁芯損耗存在差異，可以反饋給平臺開發(fā)者，平臺方會進(jìn)行改進(jìn)，從而使平臺不斷完善。

二是磁芯損耗建模需要大量數(shù)據(jù)樣本，缺乏企業(yè)共享數(shù)據(jù)。在多種磁芯材料的建模中共享同一模型框架，并在該框架內(nèi)盡可能提高模型精度，這樣才更有利于推動磁芯損耗建模平臺的完善。鑒于獲取大量樣本數(shù)據(jù)的測量工作量較大，因此需要尋求小樣本數(shù)據(jù)訓(xùn)練模型。

張麗萍老師提到，希望國內(nèi)磁芯廠家能夠共享其磁芯損耗測量數(shù)據(jù)，這將對AI磁芯損耗建模的推進(jìn)起到重要作用。 然而，目前各磁芯廠家測量的具體的磁芯損耗數(shù)據(jù)不是公開的。在這種情況下，推動磁芯損耗建模領(lǐng)域的發(fā)展速度相對較慢。若磁芯廠家能夠公開測量磁芯損耗數(shù)據(jù)將對該領(lǐng)域的發(fā)展起到一定推動作用。否則，僅依靠高校的力量，推進(jìn)AI磁芯損耗建模的速度將更為緩慢。

結(jié)語

AI磁芯損耗建模應(yīng)用具有前沿性，能夠讓企業(yè)從材料配方研發(fā)到產(chǎn)品設(shè)計，通過精確預(yù)測磁芯損耗，該技術(shù)可以顯著提高磁芯損耗預(yù)測的準(zhǔn)確性，同時降低研發(fā)成本并提升效率，對整個行業(yè)而言，具有重要的推動作用。

但相關(guān)平臺仍處于實驗階段，距離真正的商業(yè)化應(yīng)用還有一定的距離。為了加速這一進(jìn)程，需要企業(yè)與高校聯(lián)合打造。企業(yè)共享磁芯損耗數(shù)據(jù)是關(guān)鍵一步，這將使高校在研發(fā)階段能夠獲取大量不同種類磁芯的數(shù)據(jù)，從而推動模型的完善。此外，測量手段和測量平臺的標(biāo)準(zhǔn)化也是實現(xiàn)標(biāo)準(zhǔn)化應(yīng)用的重要前提。只有當(dāng)這些條件具備時，AI磁芯損耗建模的標(biāo)準(zhǔn)化應(yīng)用才將指日可待。

本文為嗶哥嗶特資訊原創(chuàng)文章，未經(jīng)允許和授權(quán)，不得轉(zhuǎn)載，

審核編輯 黃宇