基于机器学习的高频感应电能传输系统线圈参数识别

1. 引言

高频感应电能传输（IPT）是无线充电的关键技术，具有增加传输距离、减小系统尺寸等优势。这类系统的性能在很大程度上取决于发射和接收线圈的电感（L）和品质因数（Q）。使用阻抗分析仪或网络分析仪的传统测量方法成本高昂、设备笨重，且不适用于密封产品。基于仿真的方法虽然有用，但在极高频率或复杂线圈几何结构下，由于趋肤效应和邻近效应，其计算量变得难以承受。

本文开创性地提出了一种解决此识别问题的机器学习（ML）方案。仅需将线圈图像及其工作频率输入训练好的模型，系统即可快速准确地预测L和Q值。该方法具有便携性、非侵入性，无需昂贵的硬件设备或拆解操作。

2. 高频IPT系统

本节概述IPT系统的基本结构，并分析线圈参数的关键作用。

3. 提出的机器学习方法

核心创新在于应用卷积神经网络（CNN）进行视觉参数回归。

4. 实验结果与性能

图表说明： 虽然提供的文本中没有明确详述，但典型的结果部分会包含以下图表：1）预测L值与实测L值的散点图，显示相关性和误差分布。2）预测Q值与实测Q值的类似散点图。3）比较机器学习识别与仿真（如HFSS）或物理测量所需时间的条形图，突出显示机器学习方法的速度优势。

5. 技术细节与数学公式

该问题被构建为一个监督回归任务。模型学习一个函数 $f$，将输入特征映射到目标参数：

$[\hat{L}, \hat{Q}] = f(I_{coil}, f_{operation}; \theta)$

其中 $I_{coil}$ 是线圈图像张量，$f_{operation}$ 是工作频率，$\theta$ 代表CNN的可训练参数（权重和偏置），$\hat{L}, \hat{Q}$ 是预测值。

训练期间使用的损失函数通常是预测值与通过传统测量获得的真实值之间的均方误差（MSE）或平均绝对误差（MAE）：

$\mathcal{L}(\theta) = \frac{1}{N} \sum_{i=1}^{N} \left( (L_i - \hat{L}_i)^2 + \alpha (Q_i - \hat{Q}_i)^2 \right)$

其中 $N$ 是批次大小，$\alpha$ 是用于平衡L和Q之间尺度差异的权重因子。

6. 分析框架与案例示例

非代码分析框架： 考虑无线充电器生产线中的质量控制场景。

1. 数据采集： 摄像头拍摄包含发射线圈的已封装成品充电垫的俯视图图像。
2. 预处理： 对图像进行裁剪、归一化和调整大小，以匹配CNN的输入尺寸。已知的工作频率（例如，Qi标准的6.78 MHz）作为数值特征附加。
3. 推理： 将预处理后的数据输入训练好的CNN模型。
4. 决策： 模型输出预测的L和Q值。将这些值与产品规格定义的允许公差范围进行比较。
5. 行动： 如果预测参数在公差范围内，则产品通过。如果超出公差（表明可能存在匝间短路或焊接不良等制造缺陷），则标记该产品以进行进一步检查或拒收。

该框架将复杂的电气测试转变为简单的视觉检查，从而大幅减少测试时间和成本。

7. 应用前景与未来方向

• 设备端与边缘AI： 在智能手机或嵌入式系统上部署模型的轻量级版本，供现场技术人员用于诊断电动汽车充电站或工业设备中的线圈健康状况。
• 生成式设计集成： 将识别模型与生成对抗网络（GANs）相结合，其概念类似于用于图像到图像转换的CycleGAN，不仅识别参数，还能建议最优的线圈几何调整以实现所需的L和Q值。
• 多模态学习： 通过结合额外的传感器数据（例如，来自红外摄像头的热图像以估算损耗）与视觉数据，增强模型，以实现更准确、更鲁棒的参数预测。
• 标准化与数据库： 创建大型、开源的线圈图像与实测参数配对数据集，以加速研究并提高模型准确性，类似于计算机视觉领域的ImageNet。
• 扩展参数集： 扩展模型以预测更多参数，例如从发射和接收线圈在一起的图像中预测互感（M），或估算寄生电容。

8. 参考文献

1. Kurs, A. 等人. (2007). Wireless power transfer via strongly coupled magnetic resonances. Science.
2. Sample, A. P., Meyer, D. A., & Smith, J. R. (2011). Analysis, experimental results, and range adaptation of magnetically coupled resonators for wireless power transfer. IEEE Transactions on Industrial Electronics.
3. Zhu, Q., Wang, L., & Liao, C. (2019). Compensated Topology of Inductive Power Transfer for Improving Misalignment Performance. IEEE Transactions on Power Electronics.
4. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. （关于CNN基础）
5. Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE International Conference on Computer Vision (ICCV). （CycleGAN参考）
6. ANSYS HFSS. (n.d.). High Frequency Structure Simulator. 引自 ansys.com.

9. 原创分析与专家评论