基于BP神经网络与Levenberg-Marquardt算法的缺口型压电振动能量采集系统幅频响应预测研究

《Micromachines》:Data-Driven Modeling and Response Prediction of Cut-Out Type Piezoelectric Beams Mingli Bian, Wenan Jiang and Qinsheng Bi

【字体: 大 中 小 】 时间:2026年04月09日 来源:Micromachines 3

编辑推荐:

  本研究针对含限位器的缺口型压电振动能量采集系统的强非线性动力学特性,提出一种结合BP神经网络与Levenberg-Marquardt优化算法的高精度幅频响应预测方法。通过构建多源特征输入向量,实现了不同结构参数下电压与位移幅频响应的准确建模,为复杂非线性能量采集系统的性能评估与优化提供了高效可靠的计算工具,对提升能量捕获效率具有重要理论与应用价值。

  
随着微电子技术与物联网的快速发展,微型传感器、可穿戴设备等低功耗电子装置对可持续能源供给的需求日益迫切。压电振动能量采集技术可将环境机械振动转化为电能,成为解决微功率设备供能难题的理想途径之一。然而,传统线性压电能量采集器工作频带窄、能量转换效率低,难以适应宽频振动环境。为突破这一瓶颈,研究者提出引入非线性机制(如限位器冲击效应)拓宽频带,但由此产生的强非线性动力学行为(如跳跃现象、滞回效应)使系统响应预测极为困难。尤其对于结构不连续的缺口型压电梁,其与限位器的耦合作用进一步增加了动力学建模的复杂度,传统解析方法难以准确描述其幅频特性,亟需开发高效的数据驱动预测模型。
为攻克这一难题,研究人员在《Micromachines》发表了关于“基于BP神经网络与Levenberg-Marquardt算法的缺口型压电振动能量采集系统幅频响应预测”的研究。该工作聚焦含限位器的缺口型压电振动能量采集系统,旨在通过智能算法建立结构参数与系统响应间的映射关系,解决强非线性工况下的幅频响应预测问题。研究通过实验获取不同结构参数(间隙距离d、安装距离a)下的电压与位移幅频数据,构建包含多源特征(几何参数、频率、局部统计量、电压梯度等)的输入向量;设计三层BP神经网络架构,采用Sigmoid激活函数传递信号,以均方误差(MSE)为损失函数,利用Levenberg-Marquardt算法优化权重与偏置更新,最终实现对未知参数下系统电压与位移幅频响应的精准预测。结果表明,该模型能有效捕捉系统的非线性动力学特性,泛化能力强,为复杂压电能量采集系统的设计与优化提供了新思路。
关键技术方法包括:(1)实验数据采集:通过控制限位器间隙距离d(6mm、12mm)和安装距离a(63mm、83mm、103mm),测量正反向扫频下的电压与位移幅频数据;(2)特征工程:构建七维输入向量X=[d,a,f,μlocal,σlocal,?V,?2V],融合几何参数、频率、局部统计特征(均值、标准差)及电压空间梯度信息;(3)BP神经网络建模:设计输入层(7节点)、隐藏层(神经元数经试错法确定)、输出层(1节点对应电压或位移)的三层网络,前向传播通过加权求和与Sigmoid激活计算输出,误差反向传播基于链式法则计算梯度;(4)Levenberg-Marquardt优化:以MSE为损失函数,动态调整学习率η,通过雅可比矩阵近似二阶导数,实现权重wji(l)与偏置bj(l)的高效更新。

2.1 BP神经网络算法基本原理

研究详细推导了BP神经网络的数学框架。前向传播中,第l+1层第k个神经元的加权输入zk(l+1)由前一层激活输出aj(l)、连接权重wkj(l+1)及偏置bk(l+1)计算得到(式(1)),并通过激活函数f(·)(Sigmoid函数)生成激活值ak(l+1)(式(2))。输出层预测值ypred为最终隐藏层激活值的线性组合(式(4))。误差反向传播阶段,以MSE衡量预测值ypred(n)与真实值ytrue(n)的差异(式(5)),通过链式法则计算损失函数对权重与偏置的梯度,Levenberg-Marquardt算法利用近似海森矩阵加速收敛,权重更新量Δwji(l)与偏置更新量Δbj(l)分别由误差项δj(l)和前层激活值决定(式(6)-(7))。该数学框架确保了模型对非线性关系的拟合能力与训练稳定性。

2.2 数据准备与网络构建

2.2.1 实验数据收集与预处理

研究通过系统实验获取训练与验证数据。训练集覆盖d=6mm、12mm与a=63mm、83mm、103mm的组合工况,共测得正反向扫频下12组电压与位移幅频曲线;测试集则针对未训练的d=18mm及相同a取值,用于评估模型泛化性能。所有数据均来自实际能量采集系统的扫频实验,确保数据的物理真实性与多样性。

2.2.2 特征工程与样本构造

为增强模型对系统非线性动态特性的表征能力,研究创新性地构建了七维特征向量:几何参数(d,a)反映结构配置,激励频率f直接关联响应峰值位置,局部统计量(μlocal,σlocal)刻画响应序列的分布特性,一阶与二阶电压梯度(?V,?2V)捕捉空间变化趋势。该特征集有效融合了系统的物理结构与动态响应信息,为神经网络提供了高区分度的输入空间。

2.2.3 网络拓扑结构设计与超参数优化

研究采用三层前馈网络架构,输入层节点数与特征维度一致(7节点),输出层为单节点(预测电压或位移)。隐藏层神经元数量通过试错法优化,平衡模型复杂度与过拟合风险。超参数(初始学习率η、迭代次数、误差容限)依据训练过程中的损失下降速度与验证集精度动态调整,确保模型收敛到全局最优解附近。

研究结论与讨论

本研究的核心结论是:基于BP神经网络与Levenberg-Marquardt算法构建的预测模型,能够准确描述含限位器的缺口型压电振动能量采集系统的非线性幅频响应特性。模型的优势体现在三方面:其一,通过多源特征输入有效捕捉了结构参数(d,a)、频率f与局部动态统计量的耦合作用,解决了传统方法难以处理的强非线性问题;其二,Levenberg-Marquardt优化算法显著提升了训练效率与收敛稳定性,使模型在小样本条件下仍具备高精度预测能力;其三,对未知参数(d=18mm)工况的泛化测试表明,模型能准确预测电压与位移的幅频曲线(包括滞回环与跳跃现象),验证了其在实际工程中的适用性。
该研究的理论意义在于为非线性压电能量采集系统的动力学建模提供了数据驱动的新范式,突破了传统解析方法在复杂边界条件下的局限性;实践价值在于为能量采集器的结构优化与性能评估提供了高效计算工具,缩短设计周期,降低实验成本。未来工作可进一步拓展特征维度(如温度、阻尼比),探索深度学习架构(如CNN、LSTM)对时序响应的建模潜力,推动该技术在物联网边缘设备供能领域的应用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号