振動能量收集中的動態效率優化神經網絡算法應用

文章編號：2096-1472（2024）03-0042-04

DOI：10.19644/j.cnki.issn2096-1472.2024.003.009

摘"要：動態效率優化神經網絡算法（DEONN）的提出旨在提高振動能量收集設備的能量轉換效率。DEONN利用深度學習技術，結合多層感知器架構，優化了發電機的關鍵組件（電樞、換向器、刷子、磁場及外殼）參數，提升了能量轉換效率。開展實驗實現該算法預測不同運行條件下的電機效率，具體為通過建立一個包含隱藏層的神經網絡，輸入轉速、負載電阻和線圈數等特征，預測不同工況下的電機效率。實驗結果表明，實測效率與預測效率具有高度一致性，預測效率為88.5%，驗證了DEONN在預測發電機的轉速、負載電阻和線圈數等關鍵性能參數方面的有效性。

關鍵詞：動態效率優化；神經網絡；能量轉換；發電機參數

中圖分類號：TP391.41""文獻標志碼：A

Application of Dynamic Efficiency Optimization Neural Network Algorithm in Vibration Energy Collection

QI Bin， ZHANG Qingbo

（School of Electronic Information， Zhejiang Business Technology Institue， Ningbo 315010， China）

qibingood@gmail.com; 305372820@qq.com

Abstract： The proposal of Dynamic Efficiency Optimization Neural Network （DEONN） algorithm aims to enhance energy conversion efficiency of vibration energy collection equipment. With deep learning technology and a multi-layer perceptron architecture， DEONN optimizes parameters of key components of the generator （armature， commutator， brush， magnetic field， and casing）， improving energy conversion efficiency. Experiments are conducted to achieve the algorithm's prediction of motor efficiency under different operating conditions. Specifically， it is to establish a neural network containing hidden layers and input features such as rotational speed， load resistance， and coil count， to predict motor efficiency under different operating conditions. The experiment results show a high consistency between the actual efficiency and the predicted efficiency， with a predicted efficiency of 88.5%. This validates its effectiveness in predicting key performance parameters such as rotational speed， load resistance， and coil count.

Key words： dynamic efficiency optimization; neural network; energy conversion; generator parameters

0""引言（Introduction）

在當前的能源收集領域，面臨的嚴峻挑戰之一是有效地轉換和利用在日常環境和工業應用中產生的能量，特別是振動能量。傳統的能量收集方法面臨效率不高和適應性不足的問題^［1］。因此，開發一種高效、適應性強的能量收集和轉換方法顯得尤為重要。為此，本文提出了一種創新的能量收集方案，在振動能量收集過程中提高發電機的性能和效率。

本文的核心是開發和應用一種動態效率優化神經網絡算法（DEONN）。這種基于深度學習的算法旨在優化發電機的關鍵組件如電樞、換向器、刷子、磁場及外殼的設計和參數，從而提高能量轉換的效率。通過實驗，進一步驗證了DEONN在預測和優化發電機效率方面的有效性，特別是在不同運行條件下的電機效率。實驗結果驗證了DEONN模型在預測電機效率方面的準確性和實用性，為發電機參數和性能的優化提供了重要的指導。

1""國內外研究綜述（Review of domestic and international research）

在能量收集和轉換領域，近年來的研究重點是提高技術的效率和適應性。PARINOV等^［2］強調了利用壓電材料和微型發電機在振動能量收集中的局限性，特別是在效率和環境適應性方面。隨著深度學習和人工智能的發展，楊俊杰等^［3］展示了通過集成機器學習算法如多層感知器（MLP）和深度神經網絡（DNN），優化能量收集系統性能的新方法。謝志強等^［4］通過算法動態調整設備的關鍵參數，以適應不同環境和工作條件，實現了設備性能的提升。徐志剛等^［5］提出了一個基于深度學習的模型，該模型專注于發電機和壓電設備的效率優化，特別是在動態效率方面的改進。崔寶珍等^［6］的研究表明，通過國際合作項目將先進技術應用于實際的能量收集系統中，可以實現更有效的能源管理和環境可持續性。這些研究不僅提供了對現有技術的重要改進，還為未來的能量收集方法和策略提供了新的視角。VODAPALLY等^［7］探討了太陽能光伏技術的進步，尤其關注提高光伏電池效率和降低制造成本。吳柏慧等 ^［8］通過改進能量收集裝置中的葉片形狀和材料增加能量捕獲效率，并降低噪音。潘海鵬等^［9］設計了一種新型水輪機，能在低水頭條件下工作，擴展了水能資源的應用范圍，尤其是在山區和小流域的水能開發中，提升了機械能的收集與轉化效率。盡管這些研究致力于提高能量收集和轉換的效率，但在實際應用中可能仍面臨效率不足或對特定環境適應性不強的問題，特別是在復雜或極端環境中，現有技術可能無法達到最優性能。

2""創新能量收集方案（Innovative energy collection solution）

2.1""能量收集流程

為了捕獲和儲存能量收集裝置產生的電能，需要使用發電機和壓電材料。發電機能將機械能轉化為電能，發電機由旋轉的磁鐵和靜態的線圈構成，當磁鐵在線圈內旋轉時，就會產生電流。電能可以儲存在電池中或為小型電子設備供電。這一方案提供了一種可持續且便攜的電源解決方案，特別適用于傳統電源接入有限的情況。運動能量轉換流程圖如圖1所示。

2.2""發電機內部參數的動態優化

在發電機的設計和運作中，每個組件的性能都會對發電機的整體效率產生重要影響。以下是發電機內部的關鍵組件及其優化潛力。

電樞：作為發電機的核心部分，電樞的設計是影響發電效率的關鍵因素。優化電樞涉及線圈的數量、排列方式及選擇更合適的材料，可以提高電磁感應效率。

換向器：換向器的設計是影響電流穩定性和效率的關鍵因素。通過優化換向器的材料和結構，可以減少能量損失并提高電流的質量。

刷子：刷子作為電樞和外部電路的連接點，其材料和接觸效率對電能的傳輸至關重要。優化刷子可以減少接觸電阻，提高電能轉移效率。

磁場：磁場的強度和均勻性直接影響電能的產生。通過選擇適合的永磁體或電磁鐵，可以優化磁場，從而提高發電效率。

外殼：外殼主要起保護作用，外殼的設計需要考慮其散熱性和維護便利性，以提高整機的穩定性和耐用性。

在發電機的實際應用中，以上組件的參數可以通過DEONN進行調整和優化。DEONN通過分析和模擬不同參數組合下的效率，指導設計和運營決策，從而最大限度地提升發電機效率。當電樞旋轉時，它在變化的磁場中感應電流，通過算法優化的換向器和刷子將感應電流有效地傳輸到外部電路，確保機械能高效轉化為電能。圖2展現了經過優化的發電機的工作原理及其關鍵組件。

3" 動態效率優化神經網絡算法（Dynamic efficiency optimization Neural Network algorithm）

3.1""DEONN概述

為了在能量收集裝置中提高能量收集效率，本文提出了DEONN，它是基于深度學習算法設計的，旨在提高能量轉換設備的效率，特別是其收集振動能量的效率。該算法結合了多層感知器（MLP）架構，專門用于處理和優化復雜的能量轉換過程。

在數據處理方面，DEONN接收來自振動能量收集設備的多維輸入數據，這些數據可能包括設備的運行參數，如振動頻率、振幅、材料特性等。在效率優化方面，DEONN通過對這些參數的深入分析，智能地學習如何提高能量轉換的效率。這涉及預測和調整不同參數下的能量收集效果。

DEONN特別適用于振動能量收集領域，例如收集汽車行駛過高架橋橋面時產生的振動能量。DEONN能優化壓電材料或微型發電機的性能，最大限度地將振動能轉換為電能。DEONN能分析振動能量收集設備的運行參數，可以自動調整參數使設備獲得最佳的能量轉換效率。

3.2""DEONN在能量收集中的應用

在本文中，DEONN主要通過深度學習方法優化能量轉換設備（如產生機械能的裝置）和發電機的效率。結合前向傳播、成本函數優化和反向傳播技術，對發電機的運行參數進行智能分析和效率預測。DEONN流程圖如圖3所示。

（1）神經網絡架構

輸入層：n個節點（對應于發電機的n個運行參數）。

隱藏層：L層，每層有m_l個節點。

輸出層：1個節點（輸出預測的效率值）。

（2）前向傳播

第l層的激活值：

a^［l］=g^［l］（W^［l］a^［l-1］+b^［l］）（1）

（3）激活函數

將ReLU函數用于隱藏層：

g^［l］（z）=max（0，z）（2）

（4）成本函數（均方誤差）

優化目標是減少預測效率和實際效率之間的差異：

（5）反向傳播（梯度下降）

對于每一層l，計算成本函數J（W，b）對W^［l］和b^［l］的偏導數：

（6）重復訓練

重復執行前向傳播和反向傳播，直至成本函數J（W，b）達到預設的最小值或者迭代次數達到上限。

4""實驗與結果（Experiments and results）

本次實驗的目的主要是實現DEONN預測不同運行條件下的電機效率。實驗中構建了一個包含一個隱藏層的神經網絡，輸入特征為轉速、負載電阻和線圈數。通過大量實驗數據的訓練，網絡學習了這些特征與電機效率之間的關系。

4.1""數據采集

為了驗證DEONN模型預測效率的準確性，采集了一組數據，如表1所示。表1數據反映了發電機在不同運行狀態下的效率，包含轉速、負載電阻、線圈數以及相應的實測效率。

表1中，轉速代表發電機的運行速度。負載電阻代表發電機負載的電阻大小。線圈數代表發電機內部的線圈數量。實測效率代表在給定條件下預測的能量轉換效率。為了評估影響電機效率的關鍵因素，首先確定數據變量，其中輸出變量為電機效率，輸入變量包括轉速、負載電阻和線圈數；其次收集數據，使用設備在實際工作環境中測量發電機的轉速、負載電阻和線圈數，同時通過功率分析儀記錄發電機的實測效率。通過以上數據，可以用表1的數據預測在給定條件下發電機的能量轉換效率。

4.2""實驗過程

根據上述數據選擇表1中“序號2”的數據進行計算。

（1）輸入層：節點數量為3個；對應變量為轉速、負載電阻、線圈數。

（2）隱藏層：節點數量為2個；偏置為由訓練過程確定的隱藏層偏置。

（3）輸出層：節點數量為1個；對應變量為效率；權重為由訓練過程確定的輸出層權重；偏置為由訓練過程確定的輸出層偏置。

發電機各項參數預測表如表2所示。

4.3""實驗結果與分析

從表2中的數據可以觀察到，實測效率與預測效率非常接近，表明DEONN能很好地捕捉到影響效率的關鍵因素，對于不同的工況也能夠給出接近實際情況的效率估計。

DEONN在預測電機效率方面表現較好，并且能夠為發電機的設計和性能優化提供重要的信息。然而，實測效率和預測效率也存在微小的偏差，這種偏差可能由多種因素引起，例如測量誤差、環境變化、設備老化等，需要經過后續的研究進行論證。同時，為了進一步提高模型的準確性和實用性，后續實驗中需要采集更多的數據和進行更多的模型迭代。

5""結論（Conclusion）

綜合分析證明了本文提出的DEONN在振動能量收集中對電機效率預測的有效性和實用性。該算法的動態優化能力為實時應用和變化環境下的效率管理提供了強有力的工具。未來的工作將集中在進一步優化算法結構、擴展到更多應用場景以及探索算法在大規模數據集上的性能。此外，后續將研究如何將DEONN與現有的工業控制系統集成，以實現更廣泛的能效提升。

參考文獻（References）

［1］ 蒲雄，王杰，王中林. 摩擦納米發電機基礎研究和技術創新進展［J］. 科技導報，2023，41（19）：29-42.

［2］ PARINOV I A，CHERPAKOV A V. Overview： state-of-the-art in the energy harvesting based on piezoelectric devices for last decade［J］. Symmetry，2022，14（4）：765-813.

［3］ 楊俊杰，徐大誠. 基于壓電振動能量采集器的無線監測傳感節點［J］. 壓電與聲光，2022，44（5）：791-795，800.

［4］ 謝志強，周偉，余澤睿. 動態調整設備維護開始時間的綜合調度算法［J］. 機械工程學報，2021，57（4）：240-246.

［5］ 徐志剛，李金龍，趙祥模，等. 智能公路發展現狀與關鍵技術［J］. 中國公路學報，2019，32（8）：1-24.

［6］ 崔寶珍，王浩楠，彭智慧，等. 智能軸承自供電結構設計及仿真分析［J］. 軸承，2023（1）：17-22.

［7］ VODAPALLY S N，ALI M H. A comprehensive review of solar photovoltaic （PV） technologies，architecture，and its applications to improved efficiency［J］. Energies，2022，16（1）：319-336.

［8］ 吳柏慧，李春，朱海天，等. 風力機葉片被動流動控制技術研究進展［J］. 熱能動力工程，2019，34（9）：24-40.

［9］ 潘海鵬，吳小峰，雷美珍. 基于改進獅群算法的最大功率跟蹤控制研究［J］. 軟件工程，2023，26（10）：5-10.

作者簡介：

祁"斌（1991-），男，碩士，助教。研究領域：大數據，人工智能。

張青波（1973-），男，博士，教授。研究領域：無線通信，嵌入式系統。

收稿日期：2023-06-14