【BetterBench博士】2024华为杯C题：数据驱动下磁性元件的磁芯损耗建模 Python代码实现

🕗 发布于 2024-09-23 23:00 python 华为杯 C题磁性元件的磁芯损耗建模数学建模

在这里插入图片描述

题目

【BetterBench博士】2024 “华为杯”第二十一届中国研究生数学建模竞赛选题分析

【BetterBench博士】2024年中国研究生数学建模竞赛 E题：高速公路应急车道紧急启用模型问题分析

【BetterBench博士】2024年中国研究生数学建模竞赛 C题：数据驱动下磁性元件的磁芯损耗建模问题分析

1 问题一

首先，针对磁通密度的数据进行预处理，去除噪声和异常值，确保数据的完整性和一致性。可以使用统计分析方法，例如异常值检测，来清理数据。

对于磁通密度数据，提取一些重要的特征来帮助分类波形，可能的特征包括：

波形的周期性：通过FFT（快速傅里叶变换）提取频率特征。
幅度和对称性：计算波形的最大值、最小值以及均值。
波峰和波谷数量：通过零交叉点和局部极值点的数量确定波形的形状特征。

利用提取的特征训练分类模型。常用的分类算法包括：

随机森林
支持向量机（SVM）
K近邻算法（KNN）
神经网络

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix, classification_report, roc_auc_score
import matplotlib.pyplot as plt
from scipy.fftpack import fft
from scipy.signal import find_peaks
plt.rcParams['font.sans-serif'] = 'SimSun' # 换成自己环境下的中文字体，比如'SimHei'


# 读取附件1和附件2
df1 = pd.read_excel('data/附件一（训练集）.xlsx')
df2 = pd.read_excel('data/附件二（测试集）.xlsx')

# 数据预处理：清理异常值
def clean_data(df):
    # 去除不合理的异常值
    df = df[(df['0（磁通密度B，T）'].abs() < 1)]
    return df

df1 = clean_data(df1)
df2 = clean_data(df2)

# 特征提取：使用磁通密度数据提取特征
def extract_features(df):
    features = []
    for i in range(len(df)):
        row = df.iloc[i, 4:]  # 只考虑磁通密度数据
        # FFT变换
        fft_vals = fft(row)
        fft_amplitude = np.abs(fft_vals[:len(fft_vals) // 2])
        # 波峰波谷特征
        peaks, _ = find_peaks(row)
        troughs, _ = find_peaks(-row)
        # 构造特征
        feature_row = [
            np.max(row),  # 最大值
            np.min(row),  # 最小值
            np.mean(row),  # 均值
            len(peaks),  # 波峰数量
            len(troughs),  # 波谷数量
            np.max(fft_amplitude)  # FFT幅度最大值
        ]
        features.append(feature_row)
    return pd.DataFrame(features, columns=['max_val', 'min_val', 'mean_val', 'n_peaks', 'n_troughs', 'max_fft_amp'])

# 提取特征
X = extract_features(df1)
y = df1['励磁波形'].map({'正弦波': 1, '三角波': 2, '梯形波': 3})  # 标签编码


# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)



# 模型评估
y_pred = clf.predict(X_test)
print(confusion_matrix(y_test, y_pred))
print(classification_report(y_test, y_pred))

在这里插入图片描述

# 对附件2中的样本进行预测
X_new = extract_features(df2)
y_new_pred = clf.predict(X_new)
# 将分类结果写入附件3
df3 = pd.DataFrame({'序号': df2['序号'], '励磁波形分类结果': y_new_pred})
df3.to_csv('data/问题一预测结果-附件4.csv', index=False)

# 1. 波形图：展示不同样本的磁通密度波形，观察波形的直观差异
plt.figure(figsize=(10, 6))
for i in range(3):  # 展示前三个样本的波形
    plt.plot(df1.iloc[i, 4:].to_list(), label=f'样本 {i+1}')
plt.title('不同样本的磁通密度波形')
plt.xlabel('时间')
plt.ylabel('磁通密度')
plt.legend()
plt.show()

在这里插入图片描述

import seaborn as sns

# 2. 混淆矩阵：展示分类模型的预测结果与实际标签的匹配情况
cm = confusion_matrix(y_test, y_pred)

plt.figure(figsize=(8, 6))
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', xticklabels=['正弦波', '三角波', '梯形波'], yticklabels=['正弦波', '三角波', '梯形波'])
plt.title('混淆矩阵')
plt.xlabel('预测标签')
plt.ylabel('实际标签')
plt.show()

在这里插入图片描述

2 问题二

2.1 思路

拟合原始斯坦麦茨方程拟合：通过工具包拟合原始斯坦麦茨方程，找到 $k_1$ 、 $a_1$ 和 $\beta_1$ 。
然后拟合带温度修正的斯坦麦茨方程：通过拟合带温度修正的方程，找到温度敏感系数 $\gamma$ 。
误差比较：通过实际数据和预测数据的误差进行比较，判断哪个方程在不同温度下更准确。
可视化分析：展示实际损耗和两个方程预测损耗的曲线。

要在斯坦麦茨方程中引入温度修正，以适应不同温度变化对磁芯损耗的影响，可以假设温度对损耗有指数或线性影响。那么在原方程中增加一个温度相关项，如：

$P_{T} = k_1 * f^{a_1} * B_{m}^{\beta_1} * e^{\gamma(T - T_{ref})}$

其中：

$P_T$ 是带有温度修正的磁芯损耗。
$T$ 是实际温度， $T_{ref}$ 是参考温度（如25°C）。
$\gamma$ 是温度敏感系数，它表明温度变化对损耗的影响程度。


import numpy as np
import pandas as pd
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt
from sklearn.metrics import mean_squared_error
from sklearn.preprocessing import StandardScaler
plt.rcParams['font.sans-serif'] = 'SimSun' # 换成自己环境下的中文字体，比如'SimHei'
# 读取数据
data = pd.read_excel('data/附件一（训练集）.xlsx')

# 提取相关数据
df = pd.DataFrame({
    'temperature': data['温度，oC'],
    'frequency': data['频率，Hz'],
    'core_loss': data['磁芯损耗，w/m3'],
    'flux_density': data.iloc[:, 4:].max(axis=1)  # 磁通密度峰值
})
# 去除异常值函数，使用Z-score方法
def remove_outliers(df, column, threshold=3):
    z_scores = np.abs((df[column] - df[column].mean()) / df[column].std())
    return df[z_scores < threshold]

# 对整个DataFrame应用异常值去除
df_cleaned = df.copy()
for column in df_cleaned.columns:
    df_cleaned = remove_outliers(df_cleaned, column)

# 归一化处理
scaler = StandardScaler()
df_cleaned[['temperature', 'frequency', 'flux_density']] = scaler.fit_transform(df_cleaned[['temperature', 'frequency', 'flux_density']])
# df_cleaned = df_cleaned
# 提取处理后的数据
temperature = df_cleaned['temperature'].values
frequency = df_cleaned['frequency'].values
core_loss = df_cleaned['core_loss'].values
flux_density = df_cleaned['flux_density'].values



# 2. 斯坦麦茨方程和带温度修正方程的定义
# 斯坦麦茨方程
...略

# 带温度修正的斯坦麦茨方程
...略



# 3. 优化函数的定义
# 定义误差函数（目标函数），用于最小化
...略

# 进行斯坦麦茨方程优化
result_steinmetz = differential_evolution(objective_steinmetz, bounds_steinmetz)
params_steinmetz = result_steinmetz.x
print(f"Steinmetz方程拟合参数: k1={params_steinmetz[0]}, a1={params_steinmetz[1]}, beta1={params_steinmetz[2]}")

# 进行带温度修正的斯坦麦茨方程优化
result_steinmetz_temp = differential_evolution(objective_steinmetz_temp, bounds_steinmetz_temp)
params_steinmetz_temp = result_steinmetz_temp.x
print(f"带温度修正的Steinmetz方程拟合参数: k1={params_steinmetz_temp[0]}, a1={params_steinmetz_temp[1]}, beta1={params_steinmetz_temp[2]}, gamma={params_steinmetz_temp[3]}")

在这里插入图片描述

问题三

要分析温度、励磁波形和磁芯材料对磁芯损耗的独立和协同影响，并找出在何种条件下磁芯损耗达到最小，分析步骤如下：

数据清洗与整理，将数据加载到Pandas数据框中，检查是否存在缺失值或异常值，并对数据进行标准化或编码（对于分类变量如励磁波形类型，需要编码）。
统计分析
- 计算描述性统计量（如均值、方差等），观察每个因素与磁芯损耗的关系。
- 绘制箱型图、散点图等可视化图表，分析不同因素对磁芯损耗的分布影响。
方差分析 (ANOVA)，用于检验单个因素对磁芯损耗的影响显著性。
多元线性回归，构建一个多元回归模型来分析每个因素对磁芯损耗的影响程度，特别是两两因素的协同效应。
交互效应分析，使用可视化和回归系数分析两两因素之间的协同效应，特别是交互作用项。
最优条件探索，基于回归模型，使用优化方法来找到最优的温度、励磁波形和磁芯材料组合，使磁芯损耗达到最小。



# 5. 交互作用分析
# 增加交互项（温度*频率，温度*励磁波形，频率*励磁波形）
data['Temperature_Frequency'] = data['Temperature'] * data['Frequency']
data['Temperature_Waveform'] = data['Temperature'] * data['Waveform_Encoded']
data['Frequency_Waveform'] = data['Frequency'] * data['Waveform_Encoded']

# 构建包含交互项的多元回归模型
interaction_model = ols('Core_Loss ~ C(Temperature) * C(Waveform_Encoded) * Frequency', data=data).fit()
print(interaction_model.summary())

# 6. 可视化交互效应
plt.figure(figsize=(10,6))
sns.boxplot(x='Temperature', y='Core_Loss', hue='Waveform', data=data)
plt.title('温度与励磁波形对磁芯损耗的影响')
plt.show()

plt.figure(figsize=(10,6))
sns.scatterplot(x='Frequency', y='Core_Loss', hue='Temperature', data=data)
plt.title('频率与温度对磁芯损耗的影响')
plt.show()

在这里插入图片描述

问题四

数据加载与预处理：
- 将磁通密度采样点（从第4列到第1024列）的列名从数字转换为字符串形式，方便后续操作。
- 首先对（励磁波形）列使用LabelEncoder进行编码，将正弦波、三角波、梯形波分别映射为0、1、2。
特征工程：
- 将温度、频率、磁通密度等数值特征进行标准化（StandardScaler），确保不同量纲的特征对模型的影响均衡。
模型选择与构建：
- 选择随机森林回归模型（RandomForestRegressor）进行回归任务，以预测磁芯损耗。
- 使用Pipeline构建完整的模型管道，包括数据预处理（特征标准化）和模型训练。
模型训练与评估：
- 将数据划分为训练集和测试集，使用训练集训练模型。
- 在测试集上进行预测，计算均方误差（MSE）和R²分数，以评估模型的性能。
样本预测与输出：
- 读取附件3中的数据，对其按照附件1相同的编码操作。
- 使用训练好的模型对附件3中的样本进行预测，将结果保存到附件4.csv中。
- 输出指定样本的预测结果，保留一位小数。



# 预测附件3中的磁芯损耗
attachment3_data = pd.read_excel('data/附件三（测试集）.xlsx')

# 对附件3的'Waveform'列进行编码处理
attachment3_data = attachment3_data.rename(columns={
    '温度，oC': '温度',
    '频率，Hz': '频率',
    '磁芯损耗，w/m3': '磁芯损耗',
    '励磁波形': 'Waveform',
    '0（磁通密度B，T）':'0'
})


attachment3_data['Waveform'] = waveform_encoder.transform(attachment3_data['Waveform'])
attachment3_data = attachment3_data.drop(columns=['序号','磁芯材料'])
attachment3_data.columns =  ['温度','频率','Waveform']+ [str(i) for i in range(1024)]
attachment3_data

在这里插入图片描述

# 使用模型预测附件3中的数据
y_pred_attachment3 = model.predict(attachment3_data)

# 将预测结果填入附件4并保存，只保留小数点后一位
attachment4 = pd.DataFrame({
    '序号': attachment3_data.index + 1,
    '磁芯损耗预测结果': np.round(y_pred_attachment3, 1)
})
attachment4.to_csv('data/附件4-问题四.csv', index=False)
attachment4

# 输出特定样本的预测结果
sample_indices = [16, 76, 98, 126, 168, 230, 271, 338, 348, 379]
sample_results = attachment4.iloc[sample_indices]
print("指定样本的磁芯损耗预测结果：")
print(sample_results)

在这里插入图片描述

问题五

为了同时优化磁芯损耗与传输磁能，构建一个优化问题。目标是找到能够最小化磁芯损耗且最大化传输磁能的条件。传输磁能可以简化为频率（ $f$ ）与磁通密度峰值（ $B_m$ ）的乘积：

目标函数：

平衡两个目标：

最小化磁芯损耗： $L_c$ ，使用我们构建的磁芯损耗预测模型来预测。
最大化传输磁能： $T_e = f \cdot B_m$ 。

为了将这两个目标结合为一个优化问题，定义一个加权目标函数：

$\text{Minimize } \alpha L_c - \beta T_e$

其中， $\alpha$ 和 $\beta$ 是权重参数，表示磁芯损耗与传输磁能的相对重要性。通常需要调节这些参数以实现某种平衡。

约束条件：

频率 $f$ 的取值范围： $f_{\min} \leq f \leq f_{\max}$
磁通密度峰值 $B_m$ 的取值范围： $B_{m,\min} \leq B_m \leq B_{m,\max}$
温度 $T$ 、励磁波形等其他变量的取值范围。

$\in \{25, 50, 70, 90\}$

$\text{waveform} \in \{0, 1, 2\}$

在这里插入图片描述

完整资料

转到B站视频介绍
【2024年中国研究生数学建模竞赛 C题：数据驱动下磁性元件的磁芯损耗建模】
bilibili.com/video/BV1fPskeqEQH/?share_source=copy_web&vd_source=d2dd5fcbeeeec396792650b25c110a13
在这里插入图片描述

原文地址：https://blog.csdn.net/weixin_43935696/article/details/142459624

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

上一篇：数据结构和算法之树形结构(3)
下一篇：怎么理解toISOString()

5. 条件 Conditionals
python学习条件语句与代码风格
阅读更多2024-09-24
CAD的案例
在这个案例我会一步步教如何快速实现比如我们要复刻这个图形首先先画直线到这一步画斜线，很简单就是直线旋转30的角度。
阅读更多2024-09-24
如何设计一款高性能的数据库连接工具？过来看这里，这是一款号称拥有“光”一样链接速度的工具，我们看它是怎样实现的（第二节：Hikari是如何实现的底层逻辑）
续接上节接下来我们继续分析Hikari，它为什么怎么快呢？因为HikariCP没有spring.factories（在spring boot应用启动中会获取应用的ClassLoader进而获得所有ja
阅读更多2024-09-24
蓝桥等考Scratch组-样题-八级
（4）当按下空格键，Monkey 说：“变香蕉”2 秒，然后 Apple 切换成Bananas 造型；（6）Apple 切换成 Apple 造型，然后 Monkey 说：“再见”2 秒并隐藏。（5）A
阅读更多2024-09-24
探索未来科技前沿：云计算与大数据的深度融合
在当今这个数字化时代，信息技术（IT）的发展日新月异，其中云计算与大数据作为两大核心驱动力，正以前所未有的速度重塑着各行各业的生态格局。本文旨在深入探讨这一前沿趋势，揭秘云计算与大数据如何携手并进，共
阅读更多2024-09-24
基于DeepFace深度学习模型的离线版人脸识别API接口实现（类似百度在线API接口）
人脸识别技术经过数年的发展，在技术算法、识别性能、应用场景以及隐私保护和数据安全等方面都取得了显著的进步和成熟。
阅读更多2024-09-24
SaltStack的state定义主机状态及Jinja模版的使用
State 是 saltstack 系统中的配置语言,在日常运维中需要编写大量的 state 文件,例如:创建用户、安装软件、配置软件、服务运行等。需要编写一些 state SLs 文件，即状态配置文
阅读更多2024-09-24
828华为云征文 | 云服务器Flexus X实例，Docker集成搭建Halo博客平台
828华为云征文 | 云服务器Flexus X实例，Docker集成搭建Halo博客平台
阅读更多2024-09-24
ConcurrentHashMap的使用
ConcurrentHashMap是Java 并发包（java.util.concurrent）中提供的一个线程安全且高效的哈希表实现，用于在并发环境中存储键值对，它允许在多个线程之间安全地共享和修改
阅读更多2024-09-24
828华为云征文 | 将Vue项目部署到Flexus云服务器X实例并实现公网访问
华为云Flexus X实例是华为云推出的一款创新云服务器产品，它主要面向中小企业和开发者，旨在解决传统云服务中的痛点，提供更加灵活、高效的云服务体验。华为深刻洞察了中小企业和开发者在云服务应用中遇到的
阅读更多2024-09-24

【BetterBench博士】2024华为杯C题：数据驱动下磁性元件的磁芯损耗建模 Python代码实现

题目

1 问题一

2 问题二

2.1 思路

问题三

问题四

问题五

完整资料

相关文章