在这里插入图片描述

题目

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

        
          
        
        
        
          
          AI 代码解读


# 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))

        
          
        
        
        
          
          AI 代码解读

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)

        
          
        
        
        
          
          AI 代码解读

# 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()

        
          
        
        
        
          
          AI 代码解读

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()

        
          
        
        
        
          
          AI 代码解读

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')

        
          
        
        
        
          
          AI 代码解读

# 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

        
          
        
        
        
          
          AI 代码解读



# 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]}")

        
          
        
        
        
          
          AI 代码解读

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()

        
          
        
        
        
          
          AI 代码解读

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

        
          
        
        
        
          
          AI 代码解读

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

        
          
        
        
        
          
          AI 代码解读

# 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)

        
          
        
        
        
          
          AI 代码解读

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 $Bm $的取值范围：$ B{m,\min} \leq Bm \leq B{m,\max}$
温度 $T$ 、励磁波形等其他变量的取值范围。

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

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

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

【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

大数据与机器学习

热门文章

最新文章

相关课程

相关电子书

相关实验场景

推荐镜像

探索云世界

热门

云计算

大数据

云原生

人工智能

数据库

开发与运维

【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

大数据与机器学习

热门文章

最新文章

相关课程

相关电子书

相关实验场景

推荐镜像