運用機器學習於高頻感應式無線供電系統之線圈參數辨識

1. 緒論

高頻感應式無線供電（IPT）是無線充電的關鍵技術，具有增加傳輸距離、縮小系統尺寸等優勢。此類系統的性能關鍵取決於發射與接收線圈的電感（L）與品質因數（Q）。傳統使用阻抗分析儀或網路分析儀的量測方法成本高昂、設備笨重，且對密封產品不切實際。基於模擬的方法雖然有用，但在極高頻率或複雜線圈幾何形狀下，由於集膚效應與鄰近效應，其計算量變得難以負荷。

本文率先提出一種機器學習（ML）方案來解決此辨識問題。僅需將線圈影像及其工作頻率輸入已訓練的模型，系統即可快速且準確地預測L與Q值。此方法具有可攜性、非侵入性，且無需昂貴的硬體或拆解程序。

2. 高頻感應式無線供電系統

本節概述IPT系統的基本結構，並分析線圈參數的關鍵作用。

3. 提出的機器學習方法

核心創新在於應用卷積神經網路（CNN）進行視覺參數回歸。

4. 實驗結果與性能

圖表說明： 雖然提供的文本未明確詳述，但典型的結果章節通常會包含以下圖表：1) 預測L值與量測L值的散佈圖，顯示相關性與誤差分佈。2) 預測Q值與量測Q值的類似散佈圖。3) 比較ML辨識與模擬（例如HFSS）或實體量測所需時間的長條圖，突顯ML方法的速度優勢。

5. 技術細節與數學公式

此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 $I_{coil}$ 是線圈影像張量，$f_{operation}$ 是工作頻率，$\theta$ 代表CNN的可訓練參數（權重與偏差），而 $\hat{L}, \hat{Q}$ 是預測值。

訓練期間使用的損失函數通常是預測值與從傳統量測獲得的真實值之間的均方誤差（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 $N$ 是批次大小，$\alpha$ 是用於平衡L和Q之間尺度差異的權重因子。

6. 分析框架與案例範例

非程式碼分析框架： 考慮無線充電器生產線上的品質控制情境。

1. 資料擷取： 相機拍攝包含發射線圈的已完成、密封充電板之俯視影像。
2. 預處理： 影像經過裁剪、正規化並調整大小以符合CNN的輸入尺寸。已知的工作頻率（例如Qi標準的6.78 MHz）作為數值特徵附加。
3. 推論： 將預處理後的資料輸入已訓練的CNN模型。
4. 決策： 模型輸出預測的L和Q值。將這些值與產品規格定義的可接受公差範圍進行比較。
5. 行動： 若預測參數在公差範圍內，則該單元通過。若超出公差範圍（表示可能存在匝間短路或焊接不良等製造缺陷），則標記該單元以進行進一步檢查或拒收。

此框架將複雜的電氣測試轉變為簡單的視覺檢查，大幅降低了測試時間與成本。

7. 應用展望與未來方向

• 裝置端與邊緣人工智慧： 在智慧型手機或嵌入式系統上部署模型的輕量版本，供現場技術人員用於診斷電動車充電站或工業設備中的線圈健康狀況。
• 生成式設計整合： 將辨識模型與生成對抗網路（GANs）結合，概念類似於用於影像到影像轉換的CycleGAN，不僅能辨識參數，還能建議最佳的線圈幾何調整以達到期望的L和Q值。
• 多模態學習： 透過結合額外的感測器數據（例如來自紅外線攝影機的熱影像以估算損耗）與視覺數據來增強模型，以實現更準確、更穩健的參數預測。
• 標準化與資料庫： 建立大型、開源的線圈影像與量測參數配對資料集，以加速研究並提高模型準確性，類似於電腦視覺領域的ImageNet。
• 擴展參數集： 擴展模型以從發射和接收線圈的共同影像預測額外參數，如互感（M），或估算寄生電容。

8. 參考文獻

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. （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. 擷取自 ansys.com.

9. 原創分析與專家評論