基于深度学习的电工钢片磁畴磁化过程预测与特征量提取

高效电工产品的研发离不开对低损耗高品质电工钢磁特性的准确表征,而电工钢磁畴结构及其动态磁化特征量的提取是实现从介观磁化机理到宏观特性模拟的桥梁.该文利用磁光克尔显微镜对外加磁场下取向电工钢片磁畴结构的动态演变过程进行了观测和研究.首先在不同方向的外加磁场下,获取了磁场由饱和到零再到反向饱和的磁化过程中电工钢磁畴结构动态演变的图像信息,分析了磁畴重组、湮灭、成核的过程;其次为了获取足够多的可以表征电工钢片磁化特征的磁畴图像信息,对比研究了基于深度学习理论的两种神经网络——基于卷积神经单元的长短期记忆神经网络(ConvLSTM)和基于卷积神经单元的门控循环单元(ConvGRU)对磁畴动态演变图像的预测;最后在此基础上,提出了以磁畴面积作为特征参量表征样片动态磁化过程及磁畴状态的方法.结果表明,所提取的特征量能够有效地表征样片的磁化程度及其内部磁畴的演变过程,为进一步实现基于磁畴磁化机理的宏观磁滞模型奠定基础.