磁芯非线性磁化特性的精确表征是感应电压叠加器(induction voltage Adder,IVA)数值模拟的关键,由于IVA的激励脉冲前沿为几十纳秒,磁芯在快脉冲条件下的磁化特性难以直接通过实验测试。为此提出一种非晶夹膜磁芯逆J-A参数的预测方法,通...磁芯非线性磁化特性的精确表征是感应电压叠加器(induction voltage Adder,IVA)数值模拟的关键,由于IVA的激励脉冲前沿为几十纳秒,磁芯在快脉冲条件下的磁化特性难以直接通过实验测试。为此提出一种非晶夹膜磁芯逆J-A参数的预测方法,通过双绕组法测试不同脉冲频率下磁芯的磁滞回线,将磁芯的饱和磁感应强度、剩余磁感应强度、矫顽力、矫顽力点微分磁导率、饱和磁场强度作为磁滞回线的关键特征参数,实验控制磁芯励磁电流峰值保证磁芯的饱和点不变,并通过数值拟合得到剩余磁感应强度、矫顽力和矫顽力点微分磁导率与激励脉冲等值频率之间的关系,最后利用高频率下的特征参数绘制磁滞回线再进行逆J-A参数辨识。以磁滞回线的面积表征单位体积的磁芯能量损耗,实验测试了2组兆赫兹以上的磁滞回线,预测的磁滞回线与实测磁滞回线的磁芯能量损耗误差<3%,验证了此种方法的有效性,快脉冲激励下辨识得到的逆J-A参数可应用于IVA磁芯的非线性建模。展开更多
文摘针对不同磁密幅值、频率、谐波组合等复杂激励工况下磁致伸缩建模面临的精准性问题,该文利用空间注意力机制(spatial attention mechanism,SAM)对传统的卷积神经网络(convolutional neural network,CNN)进行改进,将SAM嵌套入CNN网络中,建立SAMCNN改进型网络。再结合双向长短期记忆(bidirectional long short-term memory,BiLSTM)网络,提出电工钢片SAMCNN-BiLSTM磁致伸缩模型。首先,利用灰狼优化算法(grey wolf optimization,GWO)寻优神经网络结构的参数,实现复杂工况下磁致伸缩效应的准确表征;然后,建立中低频范围单频与叠加谐波激励等复杂工况下的磁致伸缩应变数据库,开展数据预处理与特征分析;最后,对SAMCNN-BiLSTM模型开展对比验证。对比叠加3次谐波激励下的磁致伸缩应变频谱主要分量,SAMCNN-BiLSTM模型计算值最大相对误差为3.70%,其比Jiles-Atherton-Sablik(J-A-S)、二次畴转等模型能更精确地表征电工钢片的磁致伸缩效应。
文摘磁芯非线性磁化特性的精确表征是感应电压叠加器(induction voltage Adder,IVA)数值模拟的关键,由于IVA的激励脉冲前沿为几十纳秒,磁芯在快脉冲条件下的磁化特性难以直接通过实验测试。为此提出一种非晶夹膜磁芯逆J-A参数的预测方法,通过双绕组法测试不同脉冲频率下磁芯的磁滞回线,将磁芯的饱和磁感应强度、剩余磁感应强度、矫顽力、矫顽力点微分磁导率、饱和磁场强度作为磁滞回线的关键特征参数,实验控制磁芯励磁电流峰值保证磁芯的饱和点不变,并通过数值拟合得到剩余磁感应强度、矫顽力和矫顽力点微分磁导率与激励脉冲等值频率之间的关系,最后利用高频率下的特征参数绘制磁滞回线再进行逆J-A参数辨识。以磁滞回线的面积表征单位体积的磁芯能量损耗,实验测试了2组兆赫兹以上的磁滞回线,预测的磁滞回线与实测磁滞回线的磁芯能量损耗误差<3%,验证了此种方法的有效性,快脉冲激励下辨识得到的逆J-A参数可应用于IVA磁芯的非线性建模。
