一种无线充电线圈类型及互感识别方法技术

本发明专利技术提出了一种无线充电线圈类型及互感识别方法，建立圆形发射线圈与圆形接收线圈模型、方形发射线圈与方形接收线圈模型，圆形发射线圈与方形接收线圈模型，方形发射线圈与圆形接收线圈模型，获取接收线圈与发射线圈的磁场云图和互感值，构建训练数据集；以线圈磁场云图的像素值为输入，以线圈类型为输出，构建线圈类型识别模型；以线圈磁场云图的像素值为输入，以发射线圈与接收线圈为输出，构建线圈互感识别模型；设置损失函数，训练线圈类型识别模型和线圈互感识别模型，用于识别无线充电线圈类型及互感。本发明专利技术实现了无线充电线圈类型及互感的识别，为无线电能传输方法研究及工程应用提供新思路。工程应用提供新思路。工程应用提供新思路。

【技术实现步骤摘要】
一种无线充电线圈类型及互感识别方法


[0001]本专利技术属于无线电能传输领域，具体涉及一种无线充电线圈类型及互感识别的方法。

技术介绍

[0002]近几年深度学习在计算机视觉领域飞速发展。深度学习方法在分类、识别和目标分割中得到了广泛的应用。深度学习方法不需要用户确定捕捉到的图像特征，相较于传统的图像处理方法，深度学习方法更准确、快速。它们可以通过网络中卷积层和池化层的自学习来提取图像中的特征。这为解决无线传输领域中通过磁场云图识别系统中相关参数的非线性问题提供了新的思路。

技术实现思路

[0003]本专利技术的目的在于提供一种无线充电线圈类型及互感识别方法。
[0004]实现本专利技术目的的技术方案：一种无线充电线圈类型及互感识别方法，包括如下步骤：
[0005]步骤1，数据集制作：建立圆形发射线圈与圆形接收线圈模型、方形发射线圈与方形接收线圈模型，圆形发射线圈与方形接收线圈模型，方形发射线圈与圆形接收线圈模型，获取接收线圈与发射线圈的磁场云图和互感值，构建训练数据集；
[0006]步骤2，线圈类型识别模型构建：以线圈磁场云图的像素值为输入，以线圈类型为输出，构建线圈类型识别模型；
[0007]步骤3，线圈互感识别模型构建：以线圈磁场云图的像素值为输入，以发射线圈与接收线圈为输出，构建线圈互感识别模型；
[0008]步骤4，模型训练：设置损失函数，训练线圈类型识别模型和线圈互感识别模型，用于识别无线充电线圈类型及互感。
[0009]进一步的，步骤1，数据集制作，具体方法为：
[0010]在有限元仿真软件中建立圆形发射线圈与圆形接收线圈模型、方形发射线圈与方形接收线圈模型，圆形发射线圈与方形接收线圈模型，方形发射线圈与圆形接收线圈模型；
[0011]在距离发射线圈下方一定高度的位置选取与发射线圈尺寸相同的第一正方形平面，在距离接收线圈上方一定高度的位置选取与接收线圈尺寸相同的第二正方形平面，在第一正方形平面和得到发射线圈的磁场云图，在第二正方形平面和得到接收线圈的磁场云图，同时获得发射线圈与接收线圈的互感值大小，据此构建训练数据集。
[0012]进一步的，步骤2，线圈类型识别模型构建，具体方法为：
[0013]线圈类型识别模型输入为磁场云图像素值，第一层包含一个卷积核大小为3*3，个数为128个，激活函数为Relu的卷积层、标准化BN层、Dropout层；第二层包含一个卷积核大小为128*128，个数为128，激活函数为Relu的卷积层、标准化BN层、最大池化层；第三层包含一个卷积核大小为64*64，个数为256，激活函数为Relu的卷积层、标准化BN层、最大池化层；
第四层包含一个卷积核大小为32*32，个数为256，激活函数为Relu的卷积层、标准化BN层、最大池化层；第五层包含一个卷积核大小为16*16，个数为512，激活函数为Relu的卷积层、标准化BN层、最大池化层、Flatten层；第六层一个输出特征个数为512，激活函数为Relu的全连接层、标准化BN层、Dropout层；第七层为输出2个参数，激活函数为Softmax的全连接层；
[0014]经过五层卷积层的输出数据拉平后，通过一层神经节点数为512的全连接层，再接一层神经节点数为2的全连接层，通过Softmax激活函数输出线圈为圆形线圈或方形线圈的概率。
[0015]进一步的，步骤2，线圈互感识别模型构建，具体方法为：
[0016]线圈互感识别模型输入为磁场云图像素值，第一层包含一个卷积核大小为3*3，个数为128个，激活函数为Relu的卷积层、标准化BN层、Dropout层；第二层包含一个卷积核大小为128*128，个数为128，激活函数为Relu的卷积层、标准化BN层、最大池化层；第三层包含一个卷积核大小为64*64，个数为256，激活函数为Relu的卷积层、标准化BN层、最大池化层；第四层包含一个卷积核大小为32*32，个数为256，激活函数为Relu的卷积层、标准化BN层、最大池化层；第五层包含一个卷积核大小为16*16，个数为512，激活函数为Relu的卷积层、标准化BN层、最大池化层、Flatten层；第六层包含一个输出特征个数为1024，激活函数为Relu的全连接层、标准化BN层、Dropout层；第七层包含一个输出特征个数为512，激活函数为Relu的全连接层、标准化BN层、Dropout层；第八层包含一个输出特征个数为128，激活函数为Relu的全连接层、标准化BN层、Dropout层；第九层包含一个输出特征个数为64，激活函数为Relu的全连接层、标准化BN层、Dropout层；第十层包含一个输出特征个数为64，激活函数为Relu的全连接层、标准化BN层、Dropout层；第十一层为输出1个参数，激活函数为Softmax的全连接层；
[0017]经过五层卷积层的输出数据经过一个展开层，再经过层数分别为1024、512、128、64的全连接层，再接一层神经节点数为1的全连接层，通过Softmax激活函数输出发射线圈和接收线圈的互感值。
[0018]进一步的，步骤4，模型训练，具体方法为：
[0019]训练模型过程中，将Batch_size设置为10，固定训练30个epoch，初始学习率设置为0.001，动态调整学习率，线圈识别模型训练过程中设置损失函数为交叉熵损失函数，互感识别模型训练过程中设置损失函数为均方差误差函数，使用Tensorboard监测网络的损失值和准确率。
[0020]一种无线充电线圈类型及互感识别系统，基于所述的线充电线圈类型及互感识别方法，实现无线充电线圈类型及互感的识别。
[0021]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，基于所述的线充电线圈类型及互感识别方法，实现无线充电线圈类型及互感的识别。
[0022]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，基于所述的线充电线圈类型及互感识别方法，实现无线充电线圈类型及互感的识别。
[0023]本专利技术与现有技术相比，其显著优点在于：获取的磁场云图后，通过训练神经网络可得到无线电能传输系统中的相关参数，例如：线圈类型、发射线圈与接收线圈的互感，避
免大量的系统参数计算，能够快速准确识别线圈类型及互感值。
附图说明
[0024]图1是无线充电线圈类型及互感的识别方法的流程图。
[0025]图2是线圈类型识别模型网络结构示意图。
[0026]图3是线圈互感识别模型网络结构示意图。
[0027]图4是圈类型识别训练准确率曲线图。
[0028]图5是线圈类型识别训练损失值曲线图。
[0029]图6是线圈类型识别测试准确率曲线图。
[0030]图7是线圈类型识别测试损失值曲线图。
[0031]图8是线圈互感识别训练准确率曲线图。
[0032]图9是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无线充电线圈类型及互感识别方法，其特征在于，包括如下步骤：步骤1，数据集制作：建立圆形发射线圈与圆形接收线圈模型、方形发射线圈与方形接收线圈模型，圆形发射线圈与方形接收线圈模型，方形发射线圈与圆形接收线圈模型，获取接收线圈与发射线圈的磁场云图和互感值，构建训练数据集；步骤2，线圈类型识别模型构建：以线圈磁场云图的像素值为输入，以线圈类型为输出，构建线圈类型识别模型；步骤3，线圈互感识别模型构建：以线圈磁场云图的像素值为输入，以发射线圈与接收线圈为输出，构建线圈互感识别模型；步骤4，模型训练：设置损失函数，训练线圈类型识别模型和线圈互感识别模型，用于识别无线充电线圈类型及互感。2.根据权利要求1所述的无线充电线圈类型及互感识别方法，其特征在于，步骤1，数据集制作，具体方法为：在有限元仿真软件中建立圆形发射线圈与圆形接收线圈模型、方形发射线圈与方形接收线圈模型，圆形发射线圈与方形接收线圈模型，方形发射线圈与圆形接收线圈模型；在距离发射线圈下方一定高度的位置选取与发射线圈尺寸相同的第一正方形平面，在距离接收线圈上方一定高度的位置选取与接收线圈尺寸相同的第二正方形平面，在第一正方形平面和得到发射线圈的磁场云图，在第二正方形平面和得到接收线圈的磁场云图，同时获得发射线圈与接收线圈的互感值大小，据此构建训练数据集。3.根据权利要求1所述的无线充电线圈类型及互感识别方法，其特征在于，步骤2，线圈类型识别模型构建，具体方法为：线圈类型识别模型输入为磁场云图像素值，第一层包含一个卷积核大小为3*3，个数为128个，激活函数为Relu的卷积层、标准化BN层、Dropout层；第二层包含一个卷积核大小为128*128，个数为128，激活函数为Relu的卷积层、标准化BN层、最大池化层；第三层包含一个卷积核大小为64*64，个数为256，激活函数为Relu的卷积层、标准化BN层、最大池化层；第四层包含一个卷积核大小为32*32，个数为256，激活函数为Relu的卷积层、标准化BN层、最大池化层；第五层包含一个卷积核大小为16*16，个数为512，激活函数为Relu的卷积层、标准化BN层、最大池化层、Flatten层；第六层一个输出特征个数为512，激活函数为Relu的全连接层、标准化BN层、Dropout层；第七层为输出2个参数，激活函数为Softmax的全连接层；经过五层卷积层的输出数据拉平后，通过一层神经节点数为512的全连接层，再接一层神经节点数为2的全连接层，通过Softmax激活函数输出线圈为圆形线圈或方形线圈的概率。4.根据权利要求1所述的无线充电线圈类型及互感识别方法，其特征在于，步骤2，线圈互感识别模型构建，具体方法为：线圈互感识别模型输入为磁场云图像素值，第一层...

【专利技术属性】
技术研发人员：李竞雯，闻枫，张大上，张翔，王浩霖，袁韬然，刘嘉明，李强，马建行，王磊，尧智军，梁硕，陈泽，张润茂，张硕麟，张轩赫，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：