Hybrid-Modell SEPI‑TFPNet steigert Genauigkeit bei Magnetkernverlustvorhersagen
Die präzise Modellierung von Magnetkernverlusten ist entscheidend für die Entwicklung hocheffizienter Leistungselektronik. Traditionelle Ansätze stoßen dabei häufig an ihre Grenzen, wenn es um die Vorhersagegenauigkeit geht. Um diese Herausforderungen zu überwinden, initiierte die IEEE Power Electronics Society im Jahr 2023 die MagNet‑Challenge – die erste internationale Wettbewerbskampagne, die sich ausschließlich auf datengetriebene Designmethoden konzentriert.
Obwohl reine datenbasierte Modelle eine beeindruckende Anpassungsfähigkeit zeigen, mangelt es ihnen oft an Interpretierbarkeit und an der Fähigkeit, über unterschiedliche Verteilungen hinweg zu generalisieren. Das neue Hybridmodell SEPI‑TFPNet kombiniert empirische Modelle mit modernster Deep‑Learning‑Technologie, um diese Schwächen zu beheben. Ein physikalisch orientierter Submodul nutzt einen Spektral‑Entropie‑Diskriminierungsmechanismus, um unter verschiedenen Anregungswellenformen das passendste empirische Modell auszuwählen.
Der datengetriebene Teil des Netzwerks setzt auf Convolutional Neural Networks, Multi‑Head‑Attention‑Mechanismen und bidirektionale Long‑Short‑Term‑Memory‑Netze, um zeitliche Flux‑Dichte‑Signale optimal zu extrahieren. Ein adaptives Feature‑Fusion‑Modul verbessert die Interaktion und Integration multimodaler Merkmale, wodurch die Gesamtleistung des Modells gesteigert wird.
Durch die Anwendung auf den umfangreichen MagNet‑Datensatz, der eine Vielzahl von magnetischen Materialien umfasst, konnte SEPI‑TFPNet gegenüber 21 führenden Modellen aus der 2023‑Challenge sowie drei fortschrittlichen Ansätzen aus den Jahren 2024–2025 eine deutlich höhere Modellierungsgenauigkeit und Robustheit demonstrieren. Diese Ergebnisse markieren einen bedeutenden Fortschritt in der datengetriebenen Analyse von Magnetkernverlusten und eröffnen neue Perspektiven für die Entwicklung effizienterer Leistungselektroniksysteme.