Группа японских исследователей использовала машинное обучение для разработки беспроводной системы питания, которая остается стабильной при любой нагрузке, открывая путь для более быстрой, эффективной и беспроводной зарядки.
Подвижные диски.
YouTube/Stanford Energy
Группа исследователей из Университета Тиба разработала метод, основанный на машинном обучении, для проектирования систем беспроводной передачи энергии, которые сохраняют стабильность выходной мощности независимо от изменений нагрузки. Это свойство также известно как работа, не зависящая от нагрузки.
Системы беспроводной передачи энергии используются в смартфонах, электрических зубных щётках и датчиках Интернета вещей. Они используют электромагнитные поля для беспроводной передачи электроэнергии без физических разъёмов; они существуют ещё со времён Николы Теслы.
Важность независимости нагрузки
Традиционные системы беспроводной передачи энергии (WPT) требуют точных номиналов компонентов катушек индуктивности и конденсаторов для обеспечения стабильной работы. Эти значения обычно определяются на основе сложных аналитических уравнений, основанных на идеализированных условиях.
Такие факторы, как паразитная ёмкость, производственные допуски и условия окружающей среды, могут негативно повлиять на эти расчёты в реальных условиях. Это приводит к нестабильности выходного напряжения и потере коммутации при нулевом напряжении (ZVS), которая считается критическим фактором эффективности.
Независимая от нагрузки работа позволяет поддерживать ZVS и выходное напряжение стабильными даже при изменении нагрузки.
Новое решение с использованием машинного обучения
Профессор Хироо Сэкия, возглавляющий исследовательскую группу в Университете Тиба, предложил метод проектирования на основе машинного обучения для проектирования системы беспроводной передачи электроэнергии с работой, независимой от нагрузки (НН).
Этот подход описывает схему WPT с помощью дифференциальных уравнений, которые отражают изменение напряжений и токов в системе. При этом учитываются характеристики реальных компонентов.
Эти уравнения решаются численно, шаг за шагом, до тех пор, пока система не достигнет стационарного состояния. Затем оценочная функция оценивает работу системы по ключевым показателям: стабильности выходного напряжения, КПД и коэффициенту гармонических искажений.
Затем генетический алгоритм корректирует параметры схемы для улучшения результата. Этот алгоритм представляет собой тип машинного обучения, основанный на естественном отборе. Цикл оптимизации повторяется до тех пор, пока система не будет соответствовать требованиям к работе LI.
Тестирование метода
Исследователи применили свой подход к проектированию системы беспроводного питания класса EF, которая объединяет инвертор класса EF и выпрямитель класса D. В обычной конфигурации инвертор класса EF может поддерживать ZVS только в номинальной рабочей точке. Изменение нагрузки обычно приводит к отказу ZVS и снижению эффективности.
Система LI, разработанная с использованием машинного обучения, ограничила колебания напряжения до менее 5% при различных изменениях нагрузки. Этот показатель значительно ниже 18%-ного колебания, достигаемого в традиционных системах.
Система также успешно справилась с ZVS и высокой эффективностью при различных нагрузках, обеспечив мощность 23 Вт с КПД 86,7% на частоте 6,78 МГц. Производительность системы улучшилась даже при малых нагрузках благодаря точному моделированию паразитной ёмкости диода.
Подробный анализ потерь мощности показал, что потери в передающей катушке оставались практически постоянными при различных нагрузках — признак того, что система поддерживала стабильный выходной ток, что является ключевым фактором эффективности.
Больший охват
Заглядывая в будущее, исследователи уверены, что результаты их работы могут легко выйти за рамки беспроводной передачи сигналов.
«Мы уверены, что результаты этого исследования являются значительным шагом на пути к полностью беспроводному обществу», — сказал профессор Секия, описывая свое общее видение беспроводной связи.
«Более того, благодаря использованию LI, система беспроводной электропередачи может быть построена просто, что снижает её стоимость и размеры. Наша цель — сделать беспроводную электропередачу повсеместной в течение следующих 5–10 лет», — продолжил он.
Исследование демонстрирует, как ИИ может помочь автоматизировать и оптимизировать проектирование оборудования, сочетая точное физическое моделирование с эволюционными алгоритмами.
Исследование было опубликовано в онлайн-журнале IEEE Transactions on Circuits and Systems I: Regular Papers.
Sourse: interestingengineering.com
