Uhamisho wa Nguvu wa Inductive ya Mzunguko wa Juu (IPT) ni teknolojia muhimu kwa ushaji wa waya, ikitoa faida kama vile kuongezeka kwa umbali wa usambazaji na kupunguzwa kwa ukubwa wa mfumo. Utendaji wa mifumo hii unategemea sana inductance (L) na sababu ya ubora (Q) ya coils za kutuma na kupokea. Mbinu za jadi za kupimia zinazotumia vichanganuzi vya impedance au mtandao ni ghali, kubwa, na hazifai kwa bidhaa zilizofungwa. Mbinu zinazotumia uigaji, ingawa zina manufaa, zinakuwa ngumu kwa hesabu katika mzunguko wa juu sana au kwa maumbo magumu ya coil kutokana na athari za ngozi na ukaribu.
Makala hii inaanzisha suluhisho la kujifunza kwa mashine (ML) kwa tatizo hili la utambuzi. Kwa kuingiza tu picha ya coil na mzunguko wake wa uendeshaji kwenye mfano uliofunzwa, mfumo unaweza kutabiri haraka na kwa usahihi thamani za L na Q. Mbinu hii ni ya kubebeka, haiingilii, na inaondoa hitaji la vifaa vya gharama kubwa au kuvunjwa.
Sehemu hii inaelezea muundo wa msingi wa mifumo ya IPT na kuchambua jukumu muhimu la vigezo vya coil.
Mfumo wa kawaida wa IPT una mbadilishaji wa mzunguko, mitandao ya fidia ya msingi na ya sekondari, na coils za kutuma (Ltx) na kupokea (Lrx) zilizounganishwa kwa njia ya mnyororo. Mbadilishaji wa mzunguko hutoa mkondo wa AC wa mzunguko wa juu, ambao hurekebishwa na mtandao wa fidia ya msingi kabla ya kupita kwenye Ltx. Nishati huhamishwa bila waya hadi Lrx, kisha hurekebishwa na mtandao wa sekondari kwa kusambazwa kwa mzigo.
Inductance L huamua mzunguko wa resonance na sifa za kuunganisha, wakati sababu ya ubora Q, inayofafanuliwa kama $Q = \frac{\omega L}{R}$, ambapo $\omega$ ni mzunguko wa angular na $R$ ni upinzani wa mfululizo sawa, huathiri moja kwa moja ufanisi wa mfumo na uwezo wa kufikia Ubadilishaji wa Voltage Sifuri (ZVS). Q ya juu ni muhimu sana kwa kupunguza hasara, haswa katika safu ya mzunguko wa MHz. Kielelezo cha majaribio kinachofanya kazi kwenye 6.78 MHz kiliundwa ili kusoma athari hizi.
Uvumbuzi mkuu ni matumizi ya Mtandao wa Neural wa Convolutional (CNN) kwa urejeshaji wa vigezo vya kuona.
Muundo wa CNN ulichaguliwa kwa ufanisi wake uliothibitishwa katika kutoa sifa za anga kutoka kwa picha. Mfano huchukua picha ya coil na mzunguko wa uendeshaji kama viingilio. Picha hupita kwenye tabaka za convolutional kwa uchimbaji wa sifa (kingo, maumbo, zamu), ikifuatiwa na tabaka za kusanyiko na tabaka zilizounganishwa kabisa ambazo huingiza data ya mzunguko ili kurejesha thamani za mwisho za L na Q.
Seti ya data tofauti ilikuwa muhimu kwa uthabiti wa mfano. Iliwemo picha za coils zilizo na na bila viini vya ferromagnetic, coils zilizo na waya za msisimko zenye unene tofauti, na coils za maumbo tofauti (mfano, spiral, solenoid). Aina hii ya tofauti inahakikisha mfano unaweza kujumlisha katika anuwai pana ya miundo halisi ya coil.
Kiwango cha Hitilafu ya Utambuzi: 21.6%
Kiwango hiki cha hitilafu kinawakilisha utendaji wa mfano katika kutabiri thamani za L na Q katika seti ya data ya majaribio. Ingawa si kamili, inaonyesha uthibitisho muhimu wa dhana, ikitoa mbadala wa haraka na wa gharama nafuu kwa mbinu za jadi. Hitilafu hiyo inawezekana kutokana na mapungufu katika ukubwa wa seti ya data, usahihi wa picha, na ugumu wa asili wa kuweka sifa za kuona kwenye vigezo halisi vya umeme.
Maelezo ya Chati: Ingawa hayajaelezewa wazi katika maandishi yaliyotolewa, sehemu ya matokeo ya kawaida ingejumuisha chati kama vile: 1) Grafu ya mtawanyiko ya L Iliyotabiriwa dhidi ya L Iliyopimwa, ikionyesha uhusiano na usambazaji wa hitilafu. 2) Grafu sawa kwa Q Iliyotabiriwa dhidi ya Q Iliyopimwa. 3) Chati ya baa ikilinganisha muda uliochukuliwa kwa utambuzi wa ML dhidi ya uigaji (mfano, HFSS) au upimaji wa kimwili, ikionyesha faida ya kasi ya mbinu ya ML.
Tatizo limewekwa kama kazi ya urejeshaji inayosimamiwa. Mfano hujifunza kitendakazi $f$ kinachoweka sifa za kuingiza kwenye vigezo vya lengo:
$[\hat{L}, \hat{Q}] = f(I_{coil}, f_{operation}; \theta)$
ambapo $I_{coil}$ ni tensor ya picha ya coil, $f_{operation}$ ni mzunguko wa uendeshaji, $\theta$ inawakilisha vigezo vinavyoweza kufunzwa (uzito na upendeleo) wa CNN, na $\hat{L}, \hat{Q}$ ni thamani zilizotabiriwa.
Kitendakazi cha hasara kilichotumia wakati wa mafunzo kwa kawaida ni Hitilafu ya Mraba ya Wastani (MSE) au Hitilafu Kamili ya Wastani (MAE) kati ya utabiri na thamani za ukweli zilizopatikana kutoka kwa vipimo vya jadi:
$\mathcal{L}(\theta) = \frac{1}{N} \sum_{i=1}^{N} \left( (L_i - \hat{L}_i)^2 + \alpha (Q_i - \hat{Q}_i)^2 \right)$
ambapo $N$ ni ukubwa wa kundi na $\alpha$ ni kipengele cha uzani ili kusawazisha tofauti ya kiwango kati ya L na Q.
Mfumo wa Uchambuzi Usio na Msimbo: Fikiria hali ya udhibiti wa ubora katika mstari wa utengenezaji wa chaja za waya.
Mfumo huu hubadilisha jaribio ngumu la umeme kuwa uchunguzi rahisi wa kuona, ukipunguza sana wakati na gharama ya kujaribu.
Makala hii sio tu juu ya kupima coils; ni mabadiliko ya kimkakati kutoka kwa fizikia-kwanza hadi data-kwanza katika ubunifu na uthibitisho wa elektroni ya nguvu. Waandishi wametambua kwa usahihi kwamba kikwazo katika IPT ya mzunguko wa juu sio uelewa wa kinadharia bali uchimbaji wa vitendo wa vigezo. Kwa kuchukulia coil kama muundo wa kuona badala ya tatizo la thamani ya mpaka wa umeme-sumaku, wanaepuka utawala wa hesabu wa milinganyo ya Maxwell katika mzunguko wa MHz. Hii inakumbusha jinsi maono ya kompyuta yalivyopita uhandisi wa sifa za wazi. Hitilafu ya 21.6% sio udhaifu—ni bei ya kuingia kwa dhana inayotahidi kupunguza kwa ukubwa mkubwa wakati na gharama ya kujaribu.
Hoja hiyo ni ya kulazimisha kwa mstari: 1) IPT ya mzunguko wa juu ni muhimu lakini ngumu kufafanua. 2) Zana zilizopo (vichanganuzi, viigaji) ni ghali, polepole, au huvuruga. 3) Kwa hivyo, tunahitaji mbinu mpya, ya wepesi. 4) Kujifunza kwa mashine, hasa CNN zilizothibitishwa kwenye ImageNet, inatoa njia. 5) Hapa kuna mfano wetu wa uthibitisho-dhana na seti ya data. 6) Inafanya kazi na hitilafu inayokubalika. Mantiki ni sahihi, lakini kuruka kutoka "picha" hadi "inductance" kumeepukwa. Kimsingi, mfano unajifunza wakala wa mstari usio wa kawaida sana kwa uigaji wa umeme-sumaku—njia ya kuvutia lakini ya kisanduku nyeusi ambayo ingewashtusha watu wa jadi.
Nguvu: Utendaji wa vitendo haukanaiki. Mbinu hiyo ni rahisi sana kwa dhana—piga picha tu. Matumizi ya seti tofauti ya data (na/bila viini, maumbo mbalimbali) yanaonyesha utabiri mzuri wa ujumla. Kwa kulingana na mwelekeo wa kujifunza kwa mashine kwenye fizikia, wamejumuisha mzunguko wa uendeshaji kama kuingiza moja kwa moja, wakiingiza ujuzi muhimu wa kikoa kwenye mfano.
Kasoro: Kiwango cha hitilafu cha 21.6%, ingawa ni mwanzo, hakiko tayari kwa uzalishaji kwa matumizi ya usahihi. Makala hayasemi chochote kuhusu mgawanyiko wa hitilafu—hitilafu iko kwenye L au Q? Ni thabiti au inashindwa vibaya kwenye aina fulani za coil? "Kuingiza" kwa picha ni dhahania—usahihi gani, mwanga, pembe? Kama ilivyo kwa matumizi mengi ya ML, utendaji wa mfano umefungwa kwenye data yake ya mafunzo. Kwa uwezekano mkubwa itashindwa kwenye jiometri au nyenzo za coil zisizowakilishwa katika seti yake ya data, kikwazo kisichokabiliwa na viigaji vya msingi vya fizikia kama ANSYS HFSS. Pia hakuna majadiliano ya upimaji wa kutokuwa na uhakika—hitaji muhimu kwa maamuzi ya uhandisi.
Kwa watafiti: Zingatia zaidi mifano mseto. Usitumie CNN safi tu. Itumie kutabiri vigezo vya awali vya jiometri (idadi ya zamu, kipenyo), kisha vipeleke kwenye mfano wa haraka, uliorahisishwa wa uchambuzi (mfano, kulingana na fomula za Wheeler) ili kuhesabu L na Q. Hii huongeza ufafanuzi na vikwazo vya fizikia. Kwa tasnia: Jaribu hii kwa jaribio la ubora la 'enda/usende', sio kwa ubunifu wa usahihi. Akiba ya gharama kutokana na uchunguzi wa haraka wa vitengo vilivyo na kasoro itahalalisha uwekezaji hata kwa kiwango cha sasa cha hitilafu. Anza kujenga seti yako ya data ya siri ya picha za coil na vigezo vilivyopimwa sasa; hiyo mali ya data itakuwa na thamani zaidi kuliko mfano wowote mmoja. Mwishowe, shirikiana na jamii ya maono ya kompyuta. Mbinu kutoka kwa kujifunza kwa picha chache na urekebishaji wa kikoa, kama inavyoonekana katika miundo ya hali ya juu ya GAN kama CycleGAN, inaweza kuwa muhimu kufanya mfumo kuwa thabiti kwa tofauti halisi za kuona.
Kwa kumalizia, kazi hii ni hatua ya kusisimua na muhimu. Haitatui tatizo la utambuzi wa coil, lakini imeupanga upya kwa njia inayofungua mlango wa kuharakishwa kwa data. Siku zijazi hazimiliki na mbinu yenye hitilafu ndogo zaidi katika maabara, bali na ile inayotoa majibu "ya kutosha" haraka zaidi na kwa gharama nafuu zaidi kwenye sakafu ya kiwanda. Makala hii inaelekeza moja kwa moja kwenye mwelekeo huo.