一种异物识别模型的构建方法、装置及异物识别方法制造方法及图纸

技术编号:36564028 阅读:16 留言:0更新日期:2023-02-04 17:19
本发明专利技术公开了一种异物识别模型的构建方法、装置及异物识别方法,构建方法包括:获取仿真训练集并输入至初始神经网络模型进行迭代训练,直至达到预设训练次数或符合预设输出;初始化预设维度的粒子并根据预设粒子群公式进行全局寻优,输出更新位置后的粒子;并作为权值输入至elman循环神经网络,以使elman循环神经网络根据权值和仿真训练集进行预设运算,输出一次训练结果,当训练结果不符合预设输出时,对前一次更新位置后的粒子进行全局寻优,并将更新位置后的粒子输入至elman循环神经网络,直至输出的训练结果符合预设输出或达到预设训练次数,得到异物识别模型。本申请可以提高无线充电系统中金属异物识别的可行性和准确性。确性。确性。

【技术实现步骤摘要】
一种异物识别模型的构建方法、装置及异物识别方法


[0001]本专利技术涉及无线充电
,特别是涉及一种异物识别模型的构建方法、装置及异物识别方法。

技术介绍

[0002]无线充电是指具有电池的用电设备透过无线感应的方式取得电力而进行充电,由于不再需要为用电设备连接充电线,使得充电更为方便。无线充电采用电磁感应原理,通过电磁波来传送能量,在发送和接收端用相应的线圈来发送和接收产生感应的交流信号进行充电。无线充电通过磁场将发射线圈和接受线圈耦合,实现了电能便捷、高效、安全的传输。但如果传输区域内存在金属异物会在磁场中产生涡流,造成功率损耗或燃烧隐患。
[0003]目前针对无线充电的金属异物识别主要有功率损耗效率比对法和温度监控法。功率损耗对比法需要预先存储大量数据或进行拟合运算以测定一条对应的功率曲线,当工作状态超出功率曲线的阈值时判定存在异物。该方法工作量大步骤繁琐,且不支持一对多的设备供电,接收端的差异会导致功率损失等充电参数改变从影响异物判定。而温度监控法通过检测耦合空间的温度,当存在异常温度上升时候判定存在异物。为了实现对耦合空间的热量检测,需要额外添加温度传感器等额外装置,当耦合空间较大时还需要添加更多的传感设备以实现监控,容易造成充电系统的设备冗余,增加系统成本和占地面积。对于无线充电的金属异物识别还包括直接对当前时刻接收端和发送端的功率进行对比,但该方法容易受接收线圈偏移的影响,当耦合空间过大时,异物所在位置不同也容易对异物识别造成影响。

技术实现思路

[0004]本申请提供了一种异物识别模型的构建方法、装置及异物识别方法,用于提高金属异物识别的可行性和准确性。
[0005]第一方面,本申请提供了一种异物识别模型的构建方法,包括:
[0006]获取仿真训练集;其中,所述仿真训练集内包含若干仿真训练样本和每一所述仿真训练样本对应的异物识别结果,每一所述仿真训练样本内包含预设数量的连续的发射功率-接收功率对;
[0007]将所述仿真训练集输入至初始神经网络模型进行迭代训练,直至达到预设训练次数或符合预设输出,得到异物识别模型;其中,所述初始神经网络模型为elman循环神经网络;
[0008]在对所述初始神经网络进行迭代训练时,
[0009]初始化预设维度的粒子并根据预设粒子群公式对所述粒子进行全局寻优,输出更新位置后的粒子;
[0010]将更新位置后的所述粒子作为权值输入至所述elman循环神经网络,以使所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算,输出一次训练结果,当
所述训练结果符合预设输出时,得到所述异物识别模型;
[0011]当所述训练结果不符合预设输出时,根据所述预设粒子群公式对前一次更新位置后的粒子进行全局寻优,并将更新位置后的粒子作为权值输入至所述elman循环神经网络,直至所述elman循环神经网络输出的训练结果符合预设输出或达到预设训练次数,得到所述异物识别模型。
[0012]本申请提供一种异物识别模型的构建方法,在进行异物模型构建时,区别于现有技术中简单的通过发射端和接收端的功率差作为异物识别样本,采用预设数量连续的发射功率-接收功率对作为仿真训练样本,获取连续时间内发射端和接收端内的功率幅度变化,避免因线圈位置变化导致异物识别结果失误。进一步的,在异物识别模型中引入elman循环神经网络和粒子算法进行深度学习,通过不断将仿真训练样本输入elman循环神经网络进行迭代训练,使得整个网络结构具有适应时间序列的应变能力。通过粒子群算法对前一次位置更新后的粒子进行全局寻优并将更新位置后的粒子作为elman循环神经网络的权值不断进行迭代训练,粒子群算法利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得各个粒子的最优解,从而提高异物识别的准确率。
[0013]在一种实现方式中,所述获取仿真训练集,具体包括:
[0014]在无线充电系统的耦合区域内随机放置金属样本或不放置金属样本;
[0015]控制发射系统采用预设时长且每秒以预设幅度增强的发射功率;
[0016]采集在所述预设时长内所述发射系统的发射功率和接收系统对应的接收功率作为一个仿真训练样本。
[0017]在一种实现方式中,所述初始化预设维度的粒子,具体为:
[0018]根据所述elman循环神经网络各个层级的神经元数量确定输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的偏置值;其中,所述elman循环神经网络包含输入层、隐含层、输出层;
[0019]根据所述权值和偏置值的数量初始化对应维数的粒子。
[0020]在一种实现方式中,所述根据预设粒子群公式对所述粒子进行全局寻优,输出更新位置后的粒子,具体包括:
[0021][0022][0023]其中,为第d次迭代时第i个粒子的速度;w为速度的惯性权重;c1为粒子的个体学习因子;为到第d次迭代时第i个粒子经过的最好的位置;为第d次迭代时,第i个粒子所在的位置;c2为粒子的社会学习因子;为第d次迭代时所有粒子经过的最好的位置;为第d次迭代时第i个粒子的速度;w、c1、r1、c2、r2、a为自定义参数。
[0024]在一种实现方式中,所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算,输出一次训练结果,具体包括:
[0025]基于所述elman循环神经网络中输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的偏置值,依次建立第一矩阵、第二矩阵、第三矩阵和第四矩阵;
[0026]在所述仿真训练集中任意选取一个仿真训练样本并将所述仿真训练样本与所述第一矩阵进行矩阵乘法运算,输出第一运算结果;
[0027]将所述第一运算结果与所述第二矩阵进行矩阵加法运算,输出第二运算结果;
[0028]将所述第二运算结果与所述第三矩阵进行矩阵乘法运算,输出第三运算结果;
[0029]将所述第三运算结果与所述第四矩阵进行矩阵加法运算,输出本次训练结果。
[0030]在一种实现方式中,所述根据所述预设粒子群公式对前一次更新位置后的粒子进行全局寻优,还包括根据预设公式更新下一次全局寻优时所述粒子群公式中的惯性权重,具体为:
[0031][0032]其中,‖‖为范数运算符,A为所述elman循环神经网络进行预设运算后输出的前一次训练结果;a为前一次预设运算中选取的仿真训练样本对应的异物识别结果;distance 1为当前粒子与最优粒子的距离;distance 2为当前粒子与次最优粒子的距离。
[0033]在一种实现方式中,所述异物识别模型的构建方法还包括根据预设条件在全局寻优时自适应调节粒子移动步伐,具体为:
[0034]将本次训练结果与采用的仿真训练样本对应的异物识别结果进行均方差运算,当均方差运算结果大于预设范围时调整全局寻优时的粒子移动步伐。
[0035]第二方面,本申请提供一种异物识别模本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种异物识别模型的构建方法,其特征在于,包括:获取仿真训练集;其中,所述仿真训练集内包含若干仿真训练样本和每一所述仿真训练样本对应的异物识别结果,每一所述仿真训练样本内包含预设数量的连续的发射功率-接收功率对;将所述仿真训练集输入至初始神经网络模型进行迭代训练,直至达到预设训练次数或符合预设输出,得到异物识别模型;其中,所述初始神经网络模型为elman循环神经网络;在对所述初始神经网络进行迭代训练时,初始化预设维度的粒子并根据预设粒子群公式对所述粒子进行全局寻优,输出更新位置后的粒子;将更新位置后的所述粒子作为权值输入至所述elman循环神经网络,以使所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算,输出一次训练结果,当所述训练结果符合预设输出时,得到所述异物识别模型;当所述训练结果不符合预设输出时,根据所述预设粒子群公式对前一次更新位置后的粒子进行全局寻优,并将更新位置后的粒子作为权值输入至所述elman循环神经网络,直至所述elman循环神经网络输出的训练结果符合预设输出或达到预设训练次数,得到所述异物识别模型。2.如权利要求1所述的一种异物识别模型的构建方法,其特征在于,所述获取仿真训练集,具体包括:在无线充电系统的耦合区域内随机放置金属样本或不放置金属样本;控制发射系统采用预设时长且每秒以预设幅度增强的发射功率;采集在所述预设时长内所述发射系统的发射功率和接收系统对应的接收功率作为一个仿真训练样本。3.如权利要求1所述的一种异物识别模型的构建方法,其特征在于,所述初始化预设维度的粒子,具体为:根据所述elman循环神经网络各个层级的神经元数量确定输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的偏置值;其中,所述elman循环神经网络包含输入层、隐含层、输出层;根据所述权值和偏置值的数量初始化对应维数的粒子。4.如权利要求1所述的一种异物识别模型的构建方法,其特征在于,所述根据预设粒子群公式对所述粒子进行全局寻优,输出更新位置后的粒子,具体包括:群公式对所述粒子进行全局寻优,输出更新位置后的粒子,具体包括:其中,为第d次迭代时第i个粒子的速度;w为速度的惯性权重;c1为粒子的个体学习因子;为到第d次迭代时第i个粒子经过的最好的位置;为第d次迭代时,第i个粒子所在的位置;c2为粒子的社会学习因子;为第d次迭代时所有粒子经过的最好的位置;为第d次迭代时第i个粒子的速度;w、c1、r1、c2、r2、a为自定义参数。
5.如权利要求1所述的一种异物识别模型的构建方法,其特征在于,所述elman循环神经网络根据所述权值和所述仿真训练集进行预设运算,输出一次训练结果,具体包括:基于所述elman循环神经网络中输入层到隐含层的权值、隐含层的偏置值、隐含层到输出层的权值和输出层的偏置值,依次建立第一矩阵、第二矩阵、第三矩阵和第四矩阵;在所述仿真训练集中任意选取一个仿真训练样本并将所述仿真训练样本与所述第一矩阵进行矩阵乘法运算,输出第一运算结果;将所述第一运算结果与所述第二矩阵进行矩阵加法运算,输出第二运算结果;...

【专利技术属性】
技术研发人员:王锐李建军莫军王亚波
申请(专利权)人:广芯微电子广州股份有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1