一种铁磁材料磁滞效应仿真的模型参数优化方法及系统

技术领域

本申请涉及模型优化技术领域，具体涉及一种铁磁材料磁滞效应仿真的模型参数优化方法及系统。

背景技术

铁磁材料磁滞效应仿真的模型参数优化方法的应用背景主要是在电力、电子和通信等领域。这些领域中，铁磁材料如变压器、电机、发电机等的应用非常广泛。然而，这些铁磁材料的运行性能受到其磁滞效应的影响，这使得对这种效应的准确模拟和预测变得非常重要。传统的磁滞模型如Ja模型，可以用来描述铁磁材料的磁滞特性，但这些模型的参数优化一直是一个难题。

在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

参数数量较多，不能针对不同类型和不同用途的铁磁材料进行模型构建，模拟和预测磁滞效应的准确性低的问题。

发明内容

本申请解决了参数数量较多，不能针对不同类型和不同用途的铁磁材料进行模型构建，模拟和预测磁滞效应的准确性低的问题。

鉴于上述问题，本申请提供了一种铁磁材料磁滞效应仿真的模型参数优化方法及系统，第一方面，本申请提供了一种铁磁材料磁滞效应仿真的模型参数优化方法，所述方法包括：建立铁磁材料的初始磁滞模型，并通过仿真软件构建仿真电路；将所述仿真电路与所述初始磁滞模型连接，并执行铁磁材料的仿真拟合，基于仿真拟合结果更新所述初始磁滞模型的模型参数；依据仿真拟合结果建立样本特征空间，并基于所述样本特征空间进行样本铁磁材料的磁滞样本采集，建立样本集合；对所述样本集合进行样本信任分析，建立样本集合中每一样本的映射信任值；对所述样本集合进行样本聚类，生成样本聚类结果，聚类特征包括样本的控制参数特征、磁滞结果特征和信任值特征；以所述样本聚类结果的聚类中心进行模型参数的自适应寻优更新，根据自适应寻优更新结果完成初始磁滞模型的模型参数优化，完成磁滞模型构建。

第二方面，本申请提供了一种铁磁材料磁滞效应仿真的模型参数优化系统，所述系统包括：仿真电路构建模块，所述仿真电路构建模块用于建立铁磁材料的初始磁滞模型，并通过仿真软件构建仿真电路；模型参数更新模块，所述模型参数更新模块用于将所述仿真电路与所述初始磁滞模型连接，并执行铁磁材料的仿真拟合，基于仿真拟合结果更新所述初始磁滞模型的模型参数；样本集合建立模块，所述样本集合建立模块用于依据仿真拟合结果建立样本特征空间，并基于所述样本特征空间进行样本铁磁材料的磁滞样本采集，建立样本集合；映射信任值建立模块，所述映射信任值建立模块用于对所述样本集合进行样本信任分析，建立样本集合中每一样本的映射信任值；样本聚类结果生成模块，所述样本聚类结果生成模块用于对所述样本集合进行样本聚类，生成样本聚类结果，聚类特征包括样本的控制参数特征、磁滞结果特征和信任值特征；磁滞模型构建模块，所述磁滞模型构建模块是以所述样本聚类结果的聚类中心进行模型参数的自适应寻优更新，根据自适应寻优更新结果完成初始磁滞模型的模型参数优化，完成磁滞模型构建。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请提供了一种铁磁材料磁滞效应仿真的模型参数优化方法及系统，涉及模型优化技术领域，所述方法包括：建立铁磁材料的初始磁滞模型，通过仿真软件构建仿真电路，然后建立模型连接，执行仿真拟合，更新模型参数，然后构建样本特征空间，建立样本集合，然后进行信任分析，建立映射信任值，再进行样本聚类，然后根据聚类结果进行模型参数的自适应寻优更新，最后完成磁滞模型构建。

本申请解决了参数数量较多，不能针对不同类型和不同用途的铁磁材料进行模型构建，模拟和预测磁滞效应的准确性低的问题。通过利用样本聚类中心的自适应寻优更新方法，可以有效地对初始磁滞模型的参数进行优化，得到更准确、更实用的磁滞模型。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供了一种铁磁材料磁滞效应仿真的模型参数优化方法流程示意图。

图2为本申请实施例提供了一种铁磁材料磁滞效应仿真的模型参数优化方法中，根据优化约束结果完成磁滞模型构建的方法流程示意图。

图3为本申请实施例提供了一种铁磁材料磁滞效应仿真的模型参数优化方法中，自适应寻优更新补偿的方法流程示意图。

图4为本申请实施例提供了一种铁磁材料磁滞效应仿真的模型参数优化系统的结构示意图。

附图标记说明：仿真电路构建模块10，模型参数更新模块20，样本集合建立模块30，映射信任值建立模块40，样本聚类结果生成模块50，磁滞模型构建模块60。

具体实施方式

本申请解决了参数数量较多，不能针对不同类型和不同用途的铁磁材料进行模型构建，模拟和预测磁滞效应的准确性低的问题。通过利用样本聚类中心的自适应寻优更新方法，可以有效地对初始磁滞模型的参数进行优化，得到更准确、更实用的磁滞模型。

为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍：

实施例一

如图1所示一种铁磁材料磁滞效应仿真的模型参数优化方法，所述方法包括：

建立铁磁材料的初始磁滞模型，并通过仿真软件构建仿真电路；

具体而言，建立铁磁材料的初始磁滞模型：将磁滞现象分解成具有摩擦效应的不可逆分量mirr和弹性可逆分量mrev。通过修改的朗之万函数描述磁化强度m与磁场强度h之间的关系，并最终获得磁感应强度b与h之间的关系。构建仿真电路：构建仿真电路，使用MATLAB或者Simulink。在该软件中，可以构建一个电路模型，该模型包括一个变压器和一个铁心绕组。在仿真过程中，可以通过调节模型中的参数来模拟不同铁磁材料的磁滞特性，并观察其对电路性能的影响。在MATLAB/Simulink中创建一个新的模型窗口。在模型窗口中添加所需的模块，例如变压器和铁心绕组。配置变压器的参数，例如变比和漏抗等。配置铁心绕组的参数，例如电阻和电感等。将初始磁滞模型与铁心绕组相连，并设置初始磁滞模型中的参数。

将所述仿真电路与所述初始磁滞模型连接，并执行铁磁材料的仿真拟合，基于仿真拟合结果更新所述初始磁滞模型的模型参数；

具体而言，将初始磁滞模型与铁心绕组相连，并设置初始磁滞模型中的参数。这些参数可以是磁滞特性方程中的系数或其他相关参数。运行仿真，观察铁心绕组的磁滞现象及电路性能的变化情况。根据仿真结果，调整初始磁滞模型中的参数，例如磁滞特性方程中的系数。重复步骤，直至得到较优的仿真结果。然后基于仿真结果更新初始磁滞模型的模型参数，通过不断更新初始磁滞模型的模型参数，可以逐渐提高模型的准确性和适用性，使其能够更好地描述铁磁材料的磁滞特性。

依据仿真拟合结果建立样本特征空间，并基于所述样本特征空间进行样本铁磁材料的磁滞样本采集，建立样本集合；

具体而言，在得到仿真拟合结果后，可以将其作为样本特征空间的基础。样本特征空间是一个由多个特征组成的向量空间，其中每个向量表示一个铁磁材料的磁滞特性。首先，需要将仿真拟合结果进行处理，提取出铁磁材料的磁滞特性参数，例如滞回曲线、矫顽力、剩磁等。这些参数可以作为样本特征空间的特征，用于描述铁磁材料的磁滞特性。接下来，基于样本特征空间进行样本铁磁材料的磁滞样本采集。可以通过实验或实际测试采集不同铁磁材料的磁滞样本，并将它们表示为样本特征空间中的向量。这些向量构成了样本集合。通过建立样本集合，可以进一步分析和研究铁磁材料的磁滞特性及其对电路性能的影响。

对所述样本集合进行样本信任分析，建立样本集合中每一样本的映射信任值；

具体而言，对样本集合进行样本信任分析，可以通过一种信任评估方法来实现。确定样本特征空间的特征指标，例如滞回曲线、矫顽力、剩磁等。为每个特征指标分配一个权重，表示其在信任评估中的重要性程度。针对每个样本，根据其特征指标值和相应的权重，权重的分配需要根据实际情况进行合理调整，以反映不同特征指标在信任评估中的重要性。计算其信任值。采用模糊综合评价方法，综合考虑每个样本的多个特征指标，计算其综合信任值。根据综合信任值对每个样本进行排序或分类，以建立样本集合中每一样本的映射信任值。通过建立样本集合中每一样本的映射信任值，可以更好地了解样本集合中各个样本的信任程度。

对所述样本集合进行样本聚类，生成样本聚类结果，聚类特征包括样本的控制参数特征、磁滞结果特征和信任值特征；

具体而言，对样本集合进行聚类，先提取特征：从每个样本中提取控制参数特征、磁滞结果特征和信任值特征。这些特征可以包括控制电流、控制磁场强度、磁滞回线的形状参数、饱和磁感应强度、剩余磁感应强度等。然后预处理数据：对提取的特征进行必要的预处理，如缺失值填充、异常值处理、标准化等，以保证数据的一致性和有效性。再构建特征向量：将每个样本的所有特征组合成一个特征向量，形成一个特征矩阵。聚类算法选择：选择适合的聚类算法，如K-means、层次聚类、DBSCAN等。这里以K-means为例。运行聚类算法：将特征矩阵作为输入，运行K-means算法进行聚类。根据需要选择合适的聚类数量K。评估聚类结果：评估聚类结果的优劣，可以使用各种指标，如轮廓系数、Calinski-Harabasz指数等。通过以上步骤，可以对样本集合进行聚类，并生成包含控制参数特征、磁滞结果特征和信任值特征的样本聚类结果。这有助于更好地了解和掌握铁磁材料的性质和行为，为实际应用中的材料选择和优化提供指导。

以所述样本聚类结果的聚类中心进行模型参数的自适应寻优更新，根据自适应寻优更新结果完成初始磁滞模型的模型参数优化，完成磁滞模型构建。

具体而言，在得到样本聚类结果后，可以进一步利用聚类中心进行模型参数的自适应寻优更新，以优化初始磁滞模型的参数，完成磁滞模型的构建。提取聚类中心：从每个聚类中提取出样本的平均值或中位数作为该聚类的中心。这些中心可以看作是该聚类中样本的代表。定义优化目标函数：定义一个目标函数，用于评估模型参数的优劣。目标函数可以根据实际需求进行定义，例如可以是预测误差的平方和、绝对值的和等。初始化模型参数：将初始磁滞模型的参数进行初始化，可以随机赋值或根据先验知识进行设置。迭代寻优：通过迭代的方式，不断调整模型参数，并计算目标函数的值。在每次迭代中，根据目标函数的值来判断模型参数的优劣，并更新模型参数。更新模型参数：根据目标函数的值和一定的优化策略（如梯度下降、遗传算法等），更新模型参数。判断停止条件：在每次迭代后，检查停止条件是否满足。停止条件可以是目标函数的值达到预设的最小阈值、达到预设的最大迭代次数等。优化完成：当停止条件满足时，结束迭代寻优，得到优化后的模型参数。构建磁滞模型：将优化后的模型参数应用到初始磁滞模型中，构建完成后的磁滞模型可以用于铁磁材料的磁滞特性预测和仿真。通过利用样本聚类中心的自适应寻优更新方法，可以有效地对初始磁滞模型的参数进行优化，得到更准确、更实用的磁滞模型。这有助于更好地理解和预测铁磁材料的磁滞特性，为实际应用中的材料选择、设计和优化提供有力的支持。

进一步而言，如图2所示，本申请方法还包括：

基于所述样本特征空间确定样本极值，并生成需求数据，所述需求数据为搭建磁滞模型的模型精度需求；

依据所述样本极值和所述需求数据配置步长约束，并依据所述样本极值和所述步长约束分布认证节点；

在所述认证节点设定节点参数优化极限值，通过所述参数优化极限值进行所述模型参数优化的优化约束；

根据优化约束结果完成磁滞模型构建。

具体而言，基于样本特征空间确定样本极值，并生成需求数据，然后依据样本极值和需求数据配置步长约束，再依据样本极值和步长约束分布认证节点，在认证节点设定节点参数优化极限值，通过参数优化极限值进行模型参数优化的优化约束，可以完成磁滞模型构建。基于样本特征空间确定样本极值：通过对样本特征空间进行分析，可以确定每个特征的最大值和最小值，即样本极值。这些样本极值可以反映样本集合中各个样本的特征分布和范围。生成需求数据：根据实际需求和目标，生成搭建磁滞模型的模型精度需求。这些需求可以包括预测误差的平方和、绝对值的和等。配置步长约束：根据样本极值和模型精度需求，可以确定在优化过程中使用的步长约束。步长约束可以保证在优化过程中，每次更新模型参数时都不会超过设定的范围。分布认证节点：根据样本极值和步长约束，可以确定在哪些节点上进行参数优化。这些节点可以看做是优化过程中的关键点，需要在这些节点上进行参数认证和优化。设定节点参数优化极限值：在认证节点上，可以设定节点参数优化的极限值。这些极限值可以保证在优化过程中，不会因为过度优化而导致模型过拟合或不稳定。进行模型参数优化的优化约束：根据设定的参数优化极限值，可以对模型参数进行优化约束。即在优化过程中，限制模型参数的变化范围，避免超过设定的极限值。完成磁滞模型构建：根据优化约束的结果，可以完成磁滞模型的构建。将优化后的模型参数应用到磁滞模型中，可以用于铁磁材料的磁滞特性预测和仿真。通过上述步骤，可以基于样本特征空间确定样本极值，并生成需求数据，然后依据样本极值和需求数据配置步长约束，再依据样本极值和步长约束分布认证节点，在认证节点设定节点参数优化极限值，通过参数优化极限值进行模型参数优化的优化约束，最终完成磁滞模型的构建。这有助于更好地理解和预测铁磁材料的磁滞特性，为实际应用中的材料选择、设计和优化提供有力的支持。

进一步而言，如图3所示，本申请方法还包括：

通过所述认证节点调用所述聚类中心，执行关联匹配；

基于节点参数优化极限值进行关联匹配结果对应聚类中心的认证节点冲破分析，生成冲破值；

通过所述冲破值进行临近区域的辐射分析，基于辐射分析结果生成参数优化补偿；

通过所述参数优化补偿执行模型参数的自适应寻优更新补偿。

具体而言，通过认证节点调用聚类中心：现在可以通过认证节点来调用聚类中心，以进行关联匹配。执行关联匹配：通过认证节点和聚类中心之间的关联关系，进行匹配分析。可以借助相似度度量、分类算法等方法来评估样本与聚类中心之间的相似程度，进而进行匹配。基于节点参数优化极限值进行关联匹配结果对应聚类中心的认证节点冲破分析：在得到关联匹配结果后，可以基于节点参数优化极限值来评估匹配结果的有效性和可行性。这里的节点参数优化极限值是指在进行参数优化时设定的参数变化范围。如果某个认证节点的参数超过了设定的极限值，那么这个认证节点就被认为是冲破了参数优化极限。生成冲破值：对于每个冲破的认证节点，可以计算其冲破值。冲破值可以反映该节点对整个磁滞模型的贡献程度，也可以用于后续的补偿分析。通过冲破值进行临近区域的辐射分析：对于每个冲破的认证节点，可以以其为中心，向临近区域进行辐射分析。这里的临近区域可以是指物理空间上的相邻区域，也可以是指参数空间上的相邻区域。通过辐射分析，可以找出与冲破节点相关的其他节点，并评估其对整个磁滞模型的影响程度。基于辐射分析结果生成参数优化补偿：根据辐射分析的结果，可以为每个冲破的认证节点生成相应的参数优化补偿。这里的参数优化补偿可以是用于调整模型参数的增量或修正量，也可以是根据冲破值和其他因素综合计算得出的补偿值。通过参数优化补偿执行模型参数的自适应寻优更新补偿：将生成的参数优化补偿应用到磁滞模型的相应参数上，然后再次进行模型的自适应寻优更新。这里的自适应寻优更新是指根据新的参数优化补偿来重新优化模型的参数，以使模型更好地拟合实际数据。通过上述步骤，可以通过认证节点调用聚类中心并执行关联匹配，然后基于节点参数优化极限值进行关联匹配结果对应聚类中心的认证节点冲破分析并生成冲破值。接着通过冲破值进行临近区域的辐射分析并基于辐射分析结果生成参数优化补偿，最后通过参数优化补偿执行模型参数的自适应寻优更新补偿。这样可以进一步优化磁滞模型的参数，提高其拟合效果和预测精度。

进一步而言，本申请方法还包括：

对所述控制参数特征分割，确定真实控制参数和其它控制参数，其中，所述真实控制参数为仿真拟合的控制参数；

以所述真实控制参数进行所述样本集合的数据割裂，生成初始数据割裂集；

在每个所述初始数据割裂集中进行聚类中心搜索，依据聚类中心搜索结果进行样本聚类，生成所述样本聚类结果。

具体而言，对控制参数特征分割：首先，对提取出的控制参数特征进行分割。这可以通过特征选择、特征变换或机器学习算法来实现。目的是将控制参数特征划分为真实控制参数和其他控制参数两部分。真实控制参数是指对仿真拟合具有重要影响的参数，而其他控制参数则可能对仿真拟合的影响较小或存在其他相关性较弱的参数。确定真实控制参数和其他控制参数：在完成特征分割后，可以确定真实控制参数和其他控制参数。真实控制参数通常具有较为显著的影响，对仿真结果产生重要影响。其他控制参数可能对仿真结果的影响较小或存在其他相关性较弱的参数。以真实控制参数进行样本集合的数据割裂：利用真实控制参数对样本集合进行数据割裂，生成初始数据割裂集。每个初始数据割裂集包含了一组具有相似真实控制参数的样本。在每个初始数据割裂集中进行聚类中心搜索：在每个初始数据割裂集中，进行聚类中心搜索。聚类中心搜索通常采用K-means等聚类算法，寻找每个初始数据割裂集中的聚类中心。依据聚类中心搜索结果进行样本聚类：根据聚类中心搜索的结果，将每个初始数据割裂集中的样本进行聚类。这可以采用相同的聚类算法对每个初始数据割裂集进行聚类，也可以采用不同的聚类算法对不同的初始数据割裂集进行聚类。生成样本聚类结果：完成样本聚类后，可以得到样本聚类结果。每个聚类表示了一组具有相似特征的样本，可以用于后续的模型构建和优化。通过上述步骤，可以完成对控制参数特征的分割，确定真实控制参数和其他控制参数，并以真实控制参数进行样本集合的数据割裂，生成初始数据割裂集。然后在每个初始数据割裂集中进行聚类中心搜索，依据聚类中心搜索结果进行样本聚类，生成样本聚类结果。这些结果可以用于后续的模型构建和优化等任务。

进一步而言，本申请方法还包括：

对所述其它控制参数的参数波动值计算，根据参数波动值计算结果、所述信任值特征通过预定分布权重进行附加特征计算，生成附加特征计算结果，所述附加特征计算结果与所述磁滞结果特征具有映射关系；

通过所述附加特征计算结果进行磁滞结果特征的特征透明弱化，根据特征透明弱化结果确定聚类中心搜索结果。

具体而言，对其他控制参数的参数波动值计算：首先，对其他控制参数的参数波动值进行计算。这可以通过计算控制参数的方差、标准差或其他相关指标来实现。参数波动值可以反映其他控制参数的波动情况，对磁滞特性的影响具有一定的重要性。根据参数波动值计算结果和信任值特征通过预定分布权重进行附加特征计算：将参数波动值计算结果和信任值特征作为输入，通过预定分布权重进行附加特征计算。预定分布权重可以是一种预设的权重分配方式，用于平衡两种特征在附加特征计算中的贡献。生成附加特征计算结果：根据参数波动值计算结果和信任值特征的输入，以及预定分布权重的分配，生成附加特征计算结果。附加特征计算结果可以是一种综合了两种特征的新特征，用于表征样本的磁滞特性。附加特征计算结果与磁滞结果特征具有映射关系：确保附加特征计算结果与磁滞结果特征之间存在一定的映射关系。即附加特征计算结果的改变可以反映磁滞结果特征的变化，有助于提高模型预测的准确性和稳定性。通过附加特征计算结果进行磁滞结果特征的特征透明弱化：利用附加特征计算结果对磁滞结果特征进行特征透明弱化处理。这可以降低磁滞结果特征的复杂性，提高模型的泛化能力。根据特征透明弱化结果确定聚类中心搜索结果：根据特征透明弱化结果，可以重新确定聚类中心搜索的结果。聚类中心搜索通常采用K-means等聚类算法，根据新的特征透明弱化结果对样本进行重新聚类，得到更准确的聚类中心。通过上述步骤，可以实现对其他控制参数的参数波动值计算，并根据参数波动值计算结果和信任值特征通过预定分布权重进行附加特征计算，生成附加特征计算结果。附加特征计算结果可以用于降低磁滞结果特征的复杂性，提高模型的泛化能力。同时，通过特征透明弱化处理，可以重新确定聚类中心搜索的结果，进一步优化模型性能。

进一步而言，本申请方法还包括：

以所述聚类中心搜索结果作为基准点，执行样本搜索聚类；

以磁滞结果特征的特征距离作为长度约束，根据长度约束结果获得所述样本聚类结果，其中，所述样本聚类结果带有聚类稳定值标识。

具体而言，以聚类中心搜索结果作为基准点，执行样本搜索聚类：利用聚类中心搜索结果作为基准点，对样本集合进行搜索聚类。这可以通过计算样本与聚类中心之间的距离或相似度来实现，将样本分配到与其最接近的聚类中心所在的聚类中。以磁滞结果特征的特征距离作为长度约束：在执行样本搜索聚类时，将磁滞结果特征的特征距离作为长度约束条件。特征距离可以是一种相似度度量或距离度量，用于衡量样本之间的相似程度或距离。通过设定合适的长度约束条件，可以限制样本聚类的范围和规模。根据长度约束结果获得样本聚类结果：根据设定的长度约束条件，对样本进行聚类操作。在每个聚类中，样本之间的特征距离应满足长度约束条件的要求。样本聚类结果带有聚类稳定值标识：在获得样本聚类结果后，为每个聚类分配一个聚类稳定值标识。聚类稳定值可以是一种评估聚类结果的稳定性和质量的指标，可以根据实际情况选择合适的评估方法。例如，可以计算每个聚类内部的样本数量、样本之间的平均特征距离或其他相关指标来评估聚类的稳定性。通过上述步骤，可以以聚类中心搜索结果作为基准点，执行样本搜索聚类，并以磁滞结果特征的特征距离作为长度约束，根据长度约束结果获得样本聚类结果。该样本聚类结果带有聚类稳定值标识，可以用于评估聚类结果的稳定性和质量。

进一步而言，本申请方法还包括：

建立自适应优化单元，并将所述自适应优化单元拟合至所述磁滞模型；

当所述自适应优化单元接收新增数据时，执行所述新增数据和所述样本集合的数据比对；

当数据比对结果满足预设阈值，则将所述新增数据暂存至更新空间；

若所述更新空间内数据量满足预设数据阈值，则执行更新空间与样本集合的样本替换，完成所述磁滞模型参数重构。

具体而言，建立自适应优化单元：自适应优化单元是一种可以根据数据动态调整模型参数的机制。它可以是一种算法、模型或模块，根据数据的特征和分布进行自我调整和优化。将自适应优化单元拟合至磁滞模型：将自适应优化单元集成到磁滞模型中，以便根据数据的变化动态调整磁滞模型的参数。这可以通过将自适应优化单元与磁滞模型进行训练和优化来实现。接收新增数据并执行数据比对：当自适应优化单元接收到新增数据时，它会将新增数据与样本集合进行数据比对。这可以通过计算新增数据与样本集合之间的相似度、距离或其他相关指标来实现。暂存满足预设阈值的新增数据至更新空间：如果新增数据与样本集合之间的相似度、距离或其他相关指标满足预设阈值，则将新增数据暂存至更新空间。预设阈值可以根据实际需求进行设置，用于判断新增数据是否足够相似或相关以进行模型更新。检查更新空间内的数据量是否满足预设数据阈值：在暂存新增数据至更新空间后，检查更新空间内的数据量是否满足预设数据阈值。预设数据阈值可以根据实际需求进行设置，用于确定何时需要进行模型更新。执行更新空间与样本集合的样本替换并完成磁滞模型参数重构：如果更新空间内的数据量满足预设数据阈值，则执行更新空间与样本集合的样本替换。这可以通过选择一部分旧样本从样本集合中替换为更新空间中的新样本来实现。完成样本替换后，重新训练和优化磁滞模型，以实现磁滞模型参数的重构。

实施例二

基于与前述实施例一种铁磁材料磁滞效应仿真的模型参数优化方法相同的发明构思，如图4所示，本申请提供了一种铁磁材料磁滞效应仿真的模型参数优化系统，所述系统包括：

仿真电路构建模块10，所述仿真电路构建模块10用于建立铁磁材料的初始磁滞模型，并通过仿真软件构建仿真电路；

模型参数更新模块20，所述模型参数更新模块20用于将所述仿真电路与所述初始磁滞模型连接，并执行铁磁材料的仿真拟合，基于仿真拟合结果更新所述初始磁滞模型的模型参数；

样本集合建立模块30，所述样本集合建立模块30用于依据仿真拟合结果建立样本特征空间，并基于所述样本特征空间进行样本铁磁材料的磁滞样本采集，建立样本集合；

映射信任值建立模块40，所述映射信任值建立模块40用于对所述样本集合进行样本信任分析，建立样本集合中每一样本的映射信任值；

样本聚类结果生成模块50，所述样本聚类结果生成模块50用于对所述样本集合进行样本聚类，生成样本聚类结果，聚类特征包括样本的控制参数特征、磁滞结果特征和信任值特征；

磁滞模型构建模块60，所述磁滞模型构建模块60是以所述样本聚类结果的聚类中心进行模型参数的自适应寻优更新，根据自适应寻优更新结果完成初始磁滞模型的模型参数优化，完成磁滞模型构建。

进一步地，该系统还包括：

需求数据生成模块，是基于所述样本特征空间确定样本极值，并生成需求数据，所述需求数据为搭建磁滞模型的模型精度需求；

步长约束配置模块，用于依据所述样本极值和所述需求数据配置步长约束，并依据所述样本极值和所述步长约束分布认证节点；

约束优化模块，用于在所述认证节点设定节点参数优化极限值，通过所述参数优化极限值进行所述模型参数优化的优化约束；

模型构建模块，用于根据优化约束结果完成磁滞模型构建。

进一步地，该系统还包括：

关联匹配执行模块，用于通过所述认证节点调用所述聚类中心，执行关联匹配；

冲破值生成模块，是基于节点参数优化极限值进行关联匹配结果对应聚类中心的认证节点冲破分析，生成冲破值；

参数优化补偿生成模块，用于通过所述冲破值进行临近区域的辐射分析，基于辐射分析结果生成参数优化补偿；

补偿更新模块，用于通过所述参数优化补偿执行模型参数的自适应寻优更新补偿。

进一步地，该系统还包括：

特征分割模块，用于对所述控制参数特征分割，确定真实控制参数和其它控制参数，其中，所述真实控制参数为仿真拟合的控制参数；

割裂集生成模块，用于以所述真实控制参数进行所述样本集合的数据割裂，生成初始数据割裂集；

样本聚类结果生成模块，用于在每个所述初始数据割裂集中进行聚类中心搜索，依据聚类中心搜索结果进行样本聚类，生成所述样本聚类结果。

进一步地，该系统还包括：

附加特征计算结果生成模块，用于对所述其它控制参数的参数波动值计算，根据参数波动值计算结果、所述信任值特征通过预定分布权重进行附加特征计算，生成附加特征计算结果，所述附加特征计算结果与所述磁滞结果特征具有映射关系；

聚类和中心搜索结果确定模块，用于通过所述附加特征计算结果进行磁滞结果特征的特征透明弱化，根据特征透明弱化结果确定聚类中心搜索结果。

进一步地，该系统还包括：

搜索聚类执行模块，用于以所述聚类中心搜索结果作为基准点，执行样本搜索聚类；

聚类结果获取模块，用于以磁滞结果特征的特征距离作为长度约束，根据长度约束结果获得所述样本聚类结果，其中，所述样本聚类结果带有聚类稳定值标识。

进一步地，该系统还包括：

优化单元建立模块，用于建立自适应优化单元，并将所述自适应优化单元拟合至所述磁滞模型；

数据比对模块，用于当所述自适应优化单元接收新增数据时，执行所述新增数据和所述样本集合的数据比对；

空间更新模块，用于当数据比对结果满足预设阈值，则将所述新增数据暂存至更新空间；

参数重构模块，是若所述更新空间内数据量满足预设数据阈值，则执行更新空间与样本集合的样本替换，完成所述磁滞模型参数重构。

说明书通过前述一种铁磁材料磁滞效应仿真的模型参数优化方法的详细描述，本领域技术人员可以清楚地知识本实施例中一种铁磁材料磁滞效应仿真的模型参数优化系统，对于实施例公开的系统而言，由于其与实施例公开装置相对应，所以描述得比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其他实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。