應用機器學習於高頻感應式電力傳輸系統嘅線圈參數識別

1. 引言

高頻感應式電力傳輸（IPT）係無線充電嘅關鍵技術，具有增加傳輸距離同縮小系統尺寸等優點。呢啲系統嘅性能極度依賴於發射同接收線圈嘅電感（L）同品質因數（Q）。傳統使用阻抗分析儀或網絡分析儀嘅測量方法成本高昂、體積笨重，對於密封產品嚟講唔切實際。基於模擬嘅方法雖然有用，但喺極高頻率或複雜線圈幾何形狀下，由於集膚效應同鄰近效應，計算量會變得難以承受。

本文率先提出一種機器學習（ML）方案嚟解決呢個識別問題。只需將線圈圖像同其工作頻率輸入到已訓練嘅模型中，系統就能快速準確地預測L同Q值。呢種方法便攜、非侵入性，並且無需昂貴嘅硬件或拆卸。

2. 高頻IPT系統

本節概述IPT系統嘅基本結構，並分析線圈參數嘅關鍵作用。

3. 提出嘅機器學習方法

核心創新在於應用卷積神經網絡（CNN）進行視覺參數回歸。

4. 實驗結果與性能

圖表描述： 雖然提供嘅文本中無明確詳細說明，但典型嘅結果部分通常會包括以下圖表：1) 預測L值與測量L值嘅散點圖，顯示相關性同誤差分佈。2) 預測Q值與測量Q值嘅類似散點圖。3) 比較ML識別與模擬（例如HFSS）或物理測量所需時間嘅柱狀圖，突顯ML方法嘅速度優勢。

5. 技術細節與數學公式

呢個問題被定義為一個監督式回歸任務。模型學習一個函數 $f$，將輸入特徵映射到目標參數：

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

其中 $I_{coil}$ 係線圈圖像張量，$f_{operation}$ 係工作頻率，$\theta$ 代表CNN嘅可訓練參數（權重同偏差），而 $\hat{L}, \hat{Q}$ 係預測值。

訓練期間使用嘅損失函數通常係預測值同傳統測量獲得嘅真實值之間嘅均方誤差（MSE）或平均絕對誤差（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 $N$ 係批次大小，$\alpha$ 係一個用於平衡L同Q之間尺度差異嘅權重因子。

6. 分析框架與案例示例

非代碼分析框架： 考慮一個無線充電器生產線中嘅質量控制場景。

1. 數據採集： 相機拍攝包含發射線圈嘅已完成、密封充電板嘅俯視圖像。
2. 預處理： 圖像被裁剪、標準化並調整大小以匹配CNN嘅輸入尺寸。已知嘅工作頻率（例如Qi標準嘅6.78 MHz）作為數值特徵附加。
3. 推理： 預處理後嘅數據被輸入到已訓練嘅CNN模型。
4. 決策： 模型輸出預測嘅L同Q值。將呢啲值同產品規格定義嘅可接受公差範圍進行比較。
5. 行動： 如果預測參數喺公差範圍內，則該單元通過。如果超出公差（表示可能存在製造缺陷，例如匝間短路或焊點不良），則標記該單元進行進一步檢查或拒收。

呢個框架將複雜嘅電氣測試轉化為簡單嘅視覺檢查，大幅減少測試時間同成本。

7. 應用前景與未來方向

• 設備端與邊緣AI： 將模型嘅輕量級版本部署喺智能手機或嵌入式系統上，供現場技術人員用於診斷電動汽車充電站或工業設備中嘅線圈健康狀況。
• 生成式設計集成： 將識別模型同生成對抗網絡（GANs）結合，概念上類似於用於圖像到圖像翻譯嘅 CycleGAN，不僅可以識別參數，仲可以建議最佳線圈幾何調整以實現所需嘅L同Q值。
• 多模態學習： 通過結合額外嘅傳感器數據（例如來自紅外相機嘅熱圖像以估算損耗）同視覺數據，增強模型以進行更準確、更穩健嘅參數預測。
• 標準化與數據庫： 創建大型、開源嘅線圈圖像與測量參數配對數據集，以加速研究並提高模型準確性，類似於計算機視覺領域嘅ImageNet。
• 擴展參數集： 擴展模型以從發射同接收線圈一齊嘅圖像中預測額外參數，例如互感（M），或估算寄生電容。

8. 參考文獻

1. Kurs, A. et al. (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. （關於CNN基礎）。
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參考）。
6. ANSYS HFSS. (n.d.). High Frequency Structure Simulator. Retrieved from ansys.com.

9. 原創分析與專家評論