(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111678269.1 (22)申请日 2021.12.31 (71)申请人 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　张陈源　杨庆新　刘素贞　 张闯　 (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 薛萌萌 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/08(2006.01) (54)发明名称 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 (57)摘要 本发明提供了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系统， 先对期望设 计的电工装 备构建合理的数学模 型， 再将设计实 例中提取、 抽象的数据作为训练样本， 对不同种 类和功能设计实例的大量数据进行学习， 训练出 正向预测模 型和反向预测模型， 接着使用正向预 测模型对反向预测模型进行校正， 最终得到具备 设计电工装 备能力的自动设计系统。 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 自动设计系统， 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 。 权利要求书3页 说明书7页 附图1页 CN 114444384 A 2022.05.06 CN 114444384 A 1.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， 其特征在于， 具体步骤 如下： 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； 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； 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； 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； 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； 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。 2.根据权利要求1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， 其特征在于： 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： 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； 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； 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。 3.根据权利要求1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， 其特征在于： 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、 CN N神经网络、 Unet网络 。 4.根据权利要求1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， 其特征在于： 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： 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； 设定xd表示输入层第d个节点的输入， d＝0,1,...,M； yl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vih； 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ωhj； 信号在前向传播的过程中： 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 即权　利　要　求　书 1/3 页 2 CN 114444384 A 2则在(xk， yk)上的均方误差为 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ωhj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Δωhj＝ηgjbh。 可以根据相同的方法得到ωhj、 θj、 γh和 νih的更新公式； 通过不断迭代， 得到适当的ωhj、 θj、 γh和νih， 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。 5.根据权利要求3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， 其特征在于： 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。 6.根据权利要求1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， 其特征在于： 在步骤S 6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： 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； 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； 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； 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； 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。 7.根据权利要求6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， 其特征在于： 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。 8.根据权利要求7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， 其特征在于： 在步骤S 602中， 对步骤S 601中得到的磁密云图、 电场云图和温度场云图分别进权　利　要　求　书 2/3 页 3 CN 114444384 A 3