文章編號：2096-1472（2024）03-0042-04

DOI：10.19644/j.cnki.issn2096-1472.2024.003.009

摘"要：動態(tài)效率優(yōu)化神經(jīng)網(wǎng)絡(luò)算法（DEONN）的提出旨在提高振動能量收集設(shè)備的能量轉(zhuǎn)換效率。DEONN利用深度學(xué)習(xí)技術(shù)，結(jié)合多層感知器架構(gòu)，優(yōu)化了發(fā)電機的關(guān)鍵組件（電樞、換向器、刷子、磁場及外殼）參數(shù)，提升了能量轉(zhuǎn)換效率。開展實驗實現(xiàn)該算法預(yù)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(jīng)網(wǎng)絡(luò)，輸入轉(zhuǎn)速、負載電阻和線圈數(shù)等特征，預(yù)測不同工況下的電機效率。實驗結(jié)果表明，實測效率與預(yù)測效率具有高度一致性，預(yù)測效率為88.5%，驗證了DEONN在預(yù)測發(fā)電機的轉(zhuǎn)速、負載電阻和線圈數(shù)等關(guān)鍵性能參數(shù)方面的有效性。

關(guān)鍵詞：動態(tài)效率優(yōu)化；神經(jīng)網(wǎng)絡(luò)；能量轉(zhuǎn)換；發(fā)電機參數(shù)

中圖分類號：TP391.41""文獻標(biāo)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(dāng)前的能源收集領(lǐng)域，面臨的嚴峻挑戰(zhàn)之一是有效地轉(zhuǎn)換和利用在日常環(huán)境和工業(yè)應(yīng)用中產(chǎn)生的能量，特別是振動能量。傳統(tǒng)的能量收集方法面臨效率不高和適應(yīng)性不足的問題^［1］。因此，開發(fā)一種高效、適應(yīng)性強的能量收集和轉(zhuǎn)換方法顯得尤為重要。為此，本文提出了一種創(chuàng)新的能量收集方案，在振動能量收集過程中提高發(fā)電機的性能和效率。

本文的核心是開發(fā)和應(yīng)用一種動態(tài)效率優(yōu)化神經(jīng)網(wǎng)絡(luò)算法（DEONN）。這種基于深度學(xué)習(xí)的算法旨在優(yōu)化發(fā)電機的關(guān)鍵組件如電樞、換向器、刷子、磁場及外殼的設(shè)計和參數(shù)，從而提高能量轉(zhuǎn)換的效率。通過實驗，進一步驗證了DEONN在預(yù)測和優(yōu)化發(fā)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(jié)果驗證了DEONN模型在預(yù)測電機效率方面的準(zhǔn)確性和實用性，為發(fā)電機參數(shù)和性能的優(yōu)化提供了重要的指導(dǎo)。

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

在能量收集和轉(zhuǎn)換領(lǐng)域，近年來的研究重點是提高技術(shù)的效率和適應(yīng)性。PARINOV等^［2］強調(diào)了利用壓電材料和微型發(fā)電機在振動能量收集中的局限性，特別是在效率和環(huán)境適應(yīng)性方面。隨著深度學(xué)習(xí)和人工智能的發(fā)展，楊俊杰等^［3］展示了通過集成機器學(xué)習(xí)算法如多層感知器（MLP）和深度神經(jīng)網(wǎng)絡(luò)（DNN），優(yōu)化能量收集系統(tǒng)性能的新方法。謝志強等^［4］通過算法動態(tài)調(diào)整設(shè)備的關(guān)鍵參數(shù)，以適應(yīng)不同環(huán)境和工作條件，實現(xiàn)了設(shè)備性能的提升。徐志剛等^［5］提出了一個基于深度學(xué)習(xí)的模型，該模型專注于發(fā)電機和壓電設(shè)備的效率優(yōu)化，特別是在動態(tài)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(shù)應(yīng)用于實際的能量收集系統(tǒng)中，可以實現(xiàn)更有效的能源管理和環(huán)境可持續(xù)性。這些研究不僅提供了對現(xiàn)有技術(shù)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(shù)的進步，尤其關(guān)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(shè)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(yīng)用范圍，尤其是在山區(qū)和小流域的水能開發(fā)中，提升了機械能的收集與轉(zhuǎn)化效率。盡管這些研究致力于提高能量收集和轉(zhuǎn)換的效率，但在實際應(yīng)用中可能仍面臨效率不足或?qū)μ囟ōh(huán)境適應(yīng)性不強的問題，特別是在復(fù)雜或極端環(huán)境中，現(xiàn)有技術(shù)可能無法達到最優(yōu)性能。

2""創(chuàng)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(chǎn)生的電能，需要使用發(fā)電機和壓電材料。發(fā)電機能將機械能轉(zhuǎn)化為電能，發(fā)電機由旋轉(zhuǎn)的磁鐵和靜態(tài)的線圈構(gòu)成，當(dāng)磁鐵在線圈內(nèi)旋轉(zhuǎn)時，就會產(chǎn)生電流。電能可以儲存在電池中或為小型電子設(shè)備供電。這一方案提供了一種可持續(xù)且便攜的電源解決方案，特別適用于傳統(tǒng)電源接入有限的情況。運動能量轉(zhuǎn)換流程圖如圖1所示。

2.2""發(fā)電機內(nèi)部參數(shù)的動態(tài)優(yōu)化

在發(fā)電機的設(shè)計和運作中，每個組件的性能都會對發(fā)電機的整體效率產(chǎn)生重要影響。以下是發(fā)電機內(nèi)部的關(guān)鍵組件及其優(yōu)化潛力。

電樞：作為發(fā)電機的核心部分，電樞的設(shè)計是影響發(fā)電效率的關(guān)鍵因素。優(yōu)化電樞涉及線圈的數(shù)量、排列方式及選擇更合適的材料，可以提高電磁感應(yīng)效率。

換向器：換向器的設(shè)計是影響電流穩(wěn)定性和效率的關(guān)鍵因素。通過優(yōu)化換向器的材料和結(jié)構(gòu)，可以減少能量損失并提高電流的質(zhì)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(guān)重要。優(yōu)化刷子可以減少接觸電阻，提高電能轉(zhuǎn)移效率。

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

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

在發(fā)電機的實際應(yīng)用中，以上組件的參數(shù)可以通過DEONN進行調(diào)整和優(yōu)化。DEONN通過分析和模擬不同參數(shù)組合下的效率，指導(dǎo)設(shè)計和運營決策，從而最大限度地提升發(fā)電機效率。當(dāng)電樞旋轉(zhuǎn)時，它在變化的磁場中感應(yīng)電流，通過算法優(yōu)化的換向器和刷子將感應(yīng)電流有效地傳輸?shù)酵獠侩娐?，確保機械能高效轉(zhuǎn)化為電能。圖2展現(xiàn)了經(jīng)過優(yōu)化的發(fā)電機的工作原理及其關(guān)鍵組件。

3" 動態(tài)效率優(yōu)化神經(jīng)網(wǎng)絡(luò)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(xué)習(xí)算法設(shè)計的，旨在提高能量轉(zhuǎn)換設(shè)備的效率，特別是其收集振動能量的效率。該算法結(jié)合了多層感知器（MLP）架構(gòu)，專門用于處理和優(yōu)化復(fù)雜的能量轉(zhuǎn)換過程。

在數(shù)據(jù)處理方面，DEONN接收來自振動能量收集設(shè)備的多維輸入數(shù)據(jù)，這些數(shù)據(jù)可能包括設(shè)備的運行參數(shù)，如振動頻率、振幅、材料特性等。在效率優(yōu)化方面，DEONN通過對這些參數(shù)的深入分析，智能地學(xué)習(xí)如何提高能量轉(zhuǎn)換的效率。這涉及預(yù)測和調(diào)整不同參數(shù)下的能量收集效果。

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

3.2""DEONN在能量收集中的應(yīng)用

在本文中，DEONN主要通過深度學(xué)習(xí)方法優(yōu)化能量轉(zhuǎn)換設(shè)備（如產(chǎn)生機械能的裝置）和發(fā)電機的效率。結(jié)合前向傳播、成本函數(shù)優(yōu)化和反向傳播技術(shù)，對發(fā)電機的運行參數(shù)進行智能分析和效率預(yù)測。DEONN流程圖如圖3所示。

（1）神經(jīng)網(wǎng)絡(luò)架構(gòu)

輸入層：n個節(jié)點（對應(yīng)于發(fā)電機的n個運行參數(shù)）。

隱藏層：L層，每層有m_l個節(jié)點。

輸出層：1個節(jié)點（輸出預(yù)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(shù)

將ReLU函數(shù)用于隱藏層：

g^［l］（z）=max（0，z）（2）

（4）成本函數(shù)（均方誤差）

優(yōu)化目標(biāo)是減少預(yù)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(shù)J（W，b）對W^［l］和b^［l］的偏導(dǎo)數(shù)：

（6）重復(fù)訓(xùn)練

重復(fù)執(zhí)行前向傳播和反向傳播，直至成本函數(shù)J（W，b）達到預(yù)設(shè)的最小值或者迭代次數(shù)達到上限。

4""實驗與結(jié)果（Experiments and results）

本次實驗的目的主要是實現(xiàn)DEONN預(yù)測不同運行條件下的電機效率。實驗中構(gòu)建了一個包含一個隱藏層的神經(jīng)網(wǎng)絡(luò)，輸入特征為轉(zhuǎn)速、負載電阻和線圈數(shù)。通過大量實驗數(shù)據(jù)的訓(xùn)練，網(wǎng)絡(luò)學(xué)習(xí)了這些特征與電機效率之間的關(guān)系。

4.1""數(shù)據(jù)采集

為了驗證DEONN模型預(yù)測效率的準(zhǔn)確性，采集了一組數(shù)據(jù)，如表1所示。表1數(shù)據(jù)反映了發(fā)電機在不同運行狀態(tài)下的效率，包含轉(zhuǎn)速、負載電阻、線圈數(shù)以及相應(yīng)的實測效率。

表1中，轉(zhuǎn)速代表發(fā)電機的運行速度。負載電阻代表發(fā)電機負載的電阻大小。線圈數(shù)代表發(fā)電機內(nèi)部的線圈數(shù)量。實測效率代表在給定條件下預(yù)測的能量轉(zhuǎn)換效率。為了評估影響電機效率的關(guān)鍵因素，首先確定數(shù)據(jù)變量，其中輸出變量為電機效率，輸入變量包括轉(zhuǎn)速、負載電阻和線圈數(shù)；其次收集數(shù)據(jù)，使用設(shè)備在實際工作環(huán)境中測量發(fā)電機的轉(zhuǎn)速、負載電阻和線圈數(shù)，同時通過功率分析儀記錄發(fā)電機的實測效率。通過以上數(shù)據(jù)，可以用表1的數(shù)據(jù)預(yù)測在給定條件下發(fā)電機的能量轉(zhuǎn)換效率。

4.2""實驗過程

根據(jù)上述數(shù)據(jù)選擇表1中“序號2”的數(shù)據(jù)進行計算。

（1）輸入層：節(jié)點數(shù)量為3個；對應(yīng)變量為轉(zhuǎn)速、負載電阻、線圈數(shù)。

（2）隱藏層：節(jié)點數(shù)量為2個；偏置為由訓(xùn)練過程確定的隱藏層偏置。

（3）輸出層：節(jié)點數(shù)量為1個；對應(yīng)變量為效率；權(quán)重為由訓(xùn)練過程確定的輸出層權(quán)重；偏置為由訓(xùn)練過程確定的輸出層偏置。

發(fā)電機各項參數(shù)預(yù)測表如表2所示。

4.3""實驗結(jié)果與分析

從表2中的數(shù)據(jù)可以觀察到，實測效率與預(yù)測效率非常接近，表明DEONN能很好地捕捉到影響效率的關(guān)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(yù)測電機效率方面表現(xiàn)較好，并且能夠為發(fā)電機的設(shè)計和性能優(yōu)化提供重要的信息。然而，實測效率和預(yù)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(huán)境變化、設(shè)備老化等，需要經(jīng)過后續(xù)的研究進行論證。同時，為了進一步提高模型的準(zhǔn)確性和實用性，后續(xù)實驗中需要采集更多的數(shù)據(jù)和進行更多的模型迭代。

5""結(jié)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(yù)測的有效性和實用性。該算法的動態(tài)優(yōu)化能力為實時應(yīng)用和變化環(huán)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(yōu)化算法結(jié)構(gòu)、擴展到更多應(yīng)用場景以及探索算法在大規(guī)模數(shù)據(jù)集上的性能。此外，后續(xù)將研究如何將DEONN與現(xiàn)有的工業(yè)控制系統(tǒng)集成，以實現(xiàn)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(fā)電機基礎(chǔ)研究和技術(shù)創(chuàng)新進展［J］. 科技導(dǎo)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(jiān)測傳感節(jié)點［J］. 壓電與聲光，2022，44（5）：791-795，800.

［4］ 謝志強，周偉，余澤睿. 動態(tài)調(diào)整設(shè)備維護開始時間的綜合調(diào)度算法［J］. 機械工程學(xué)報，2021，57（4）：240-246.

［5］ 徐志剛，李金龍，趙祥模，等. 智能公路發(fā)展現(xiàn)狀與關(guān)鍵技術(shù)［J］. 中國公路學(xué)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(jié)構(gòu)設(shè)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(fēng)力機葉片被動流動控制技術(shù)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(lǐng)域：大數(shù)據(jù)，人工智能。

張青波（1973-），男，博士，教授。研究領(lǐng)域：無線通信，嵌入式系統(tǒng)。

收稿日期：2023-06-14