基于FT-WOA-MLP的全工况下LLC开关电源频率特性拟合研究

《Journal of Low Power Electronics and Applications》：Research on Frequency Characteristic Fitting of LLC Switching-Mode Power Supply Under All Operating Conditions Based on FT-WOA-MLP

　　

便携式和可穿戴传感器近年来在许多不同应用的测量中引起了广泛关注。基于电化学阻抗谱（EIS）的传感器特别具有前景，因为它们能够对被测样品产生最小扰动的情况下进行准确测量。电化学生物传感器是利用电化学技术测量目标分析物的设备。对于基于EIS的电化学生物传感器，测量的阻抗谱被拟合到等效电路的阻抗谱上，随后利用该电路的组件值来估计目标分析物的浓度。EIS数据拟合通常由在个人计算机（PC）上运行的复杂算法来执行。在本文中，研究人员评估了使用简单的人工神经网络进行EIS数据拟合的可行性，这些网络可以在通常用于便携式和可穿戴传感器的资源受限的微控制器上运行。研究人员考虑了0.1 Hz–10 kHz范围内的典型阻抗谱案例，并使用简化的Randles等效电路进行建模。分析表明，简单的ANNs可以作为一种低功耗替代方案，在内存占用约为千字节（kB）数量级、测量精度在1%至3%之间的低成本微控制器上执行EIS数据拟合。

近年来，便携式和可穿戴传感器系统在环境监测、食品质量分析、结构健康监测、远程医疗以及微生物检测等多个领域取得了强劲的市场增长并得到广泛应用。在众多传感原理中，基于电化学阻抗谱（EIS）的传感器因其能够在宽频率范围内施加低幅度测试信号以准确估计电气参数，同时最小化对被测样品的扰动而备受青睐。在基于EIS的传感器系统中，通常将测量的阻抗谱拟合成一个等效电路，并利用电路参数估计感兴趣的样品参数。然而，这种数据拟合通常依赖在个人计算机（PC）上运行的专用软件和复杂数学算法来实现。对于便携式和可穿戴传感系统而言，为最小化能耗和延长电池寿命，通常采用低功耗微控制器作为计算设备。这些资源受限的设备计算能力和内存有限，使得在设备端直接实现传统EIS数据拟合算法变得异常困难。尽管近年来已有文献探讨了使用人工神经网络估算EIS等效电路参数，但其所采用的网络结构通常较为复杂，导致大量可训练参数和高内存占用，无法在低功耗微控制器上部署。为了解决这一问题，研究人员探索了使用简单ANN结构估算EIS等效电路参数的可行性，并评估了估算精度与内存占用之间的函数关系。研究将电化学生物传感器中常用的简化Randles等效电路作为案例，测试了最多两层隐藏层的ANN结构。该研究表明，简单ANN能够在资源受限的低成本微控制器上实现EIS数据拟合，且精度可接受，为便携式传感器的本地数据处理提供了低功耗方案。该研究成果发表在《Journal of Low Power Electronics and Applications》上。

为开展此项研究，研究人员主要采用了以下关键技术方法：首先，利用LabVIEW软件开发了仿真数据集生成程序，通过向计算阻抗中添加0.1%的随机噪声模拟测量不确定性，生成了分别包含5、15和25个对数分布测试频率的三套仿真数据集，并采用了来自文献的真实EIS数据集（由Oliveira等人构建的用于检测登革病毒的18个人类血清样本队列）进行验证。其次，利用Keras框架构建并测试了11种最多包含两个隐藏层的全连接ANN结构，隐藏层采用线性整流函数激活，输出层采用线性激活，使用Adam优化器和均方误差损失函数进行训练。最后，定义了相对误差、归一化均方误差（Normalized Mean Squared Error, NMSE）和内存使用量（Memory Usage, MU）作为性能评估指标，以量化参数估计精度和存储可训练参数所需的内存开销。

等效电路与ANN结构设置
通过依据测试信号频率去除Warburg阻抗，研究人员采用了由R_s、R_ct、Q和α四个参数定义的简化Randles电路对电化学生物传感器进行建模。在构建ANN结构时，研究人员将等效电路的参数R_ct和Q作为网络输出，针对三套具有不同测试频率输入数量的数据集，分别设计了包含单隐藏层和双隐藏层的共11种网络结构。为控制内存占用，最大隐藏层数被限制为2，网络输入层神经元数量依据输入频率数设置为10至50个，输出层固定为2个神经元，并在Nucleo-L152RE开发板上估计了微控制器执行代码所需的静态随机存取存储器（SRAM）大小。

软件生成数据集的性能指标
研究发现，尽管ANN的估计精度无法媲美PC端的EIS数据拟合软件，但在估算电荷转移电阻（R_ct）时，简单ANN结构在数据集A下即可实现1%至2%的相对误差；而在更复杂结构下，误差可低于1%。对于参数Q的估算，情况稍差，仅在复杂结构下能达到2%至3%的相对误差。在内存占用方面，R_ct的估计在仅需424字节内存时即可达到1.82%的误差，而为了准确估计Q，需要超过10 kB的内存，最高需11,400字节。

所需SRAM大小讨论
研究人员详细分析了在微控制器上实现该系统所需的SRAM总大小。该内存需求由采集信号、存储阻抗组件、存储ANN可训练参数以及执行微控制器代码四个部分组成。计算表明，根据所选数据集和ANN结构的不同，系统SRAM需求范围在3,312字节至24,688字节之间。结合现有文献中各类便携设备所采用的微控制器参数，除个别仅有2 kB SRAM的设备外，大多数具有32 kB及以上SRAM的微控制器均能支持所提出的所有ANN结构和数据集的部署。

真实EIS数据集的验证
在针对检测登革病毒的真实数据集验证中，研究人员测试了内存占用分别为3,312字节的ANN_A5、6,224字节的ANN_J5以及19,488字节的ANN_K15三种网络结构。结果显示，所有测试的ANN结构均能准确区分登革病毒阳性（DF或DHF）和阴性（DN）样本。而在进一步区分登革热（DF）和登革出血热（DHF）这两个子类时，仅有较为复杂的ANN_J5和ANN_K15结构能够实现有效判别。

讨论部分翻译及研究结论
研究结论表明，本研究探讨了在资源受限的微控制器上使用简单ANN结构进行生物传感器数据分析的可行性。研究以采用简化Randles电路建模的EIS生物传感器为案例，分别使用最大包含两个隐藏层的ANN结构对三套软件生成数据集和一套真实文献数据集进行了测试，在0.1 Hz至10 kHz范围内分别以5、15和25个测试频率对阻抗谱进行采样。结果显示，虽然所达到的参数估计精度低于PC软件，但在估算电荷转移电阻时可达到约1%的相对误差，且存储网络可训练参数的内存占用仅约3 kB。该数值与具有有限SRAM大小的低成本微控制器的部署条件相兼容。在生物传感器等效电容估计中，最小相对误差较高（约3%），内存占用约在10至15 kB之间。这充分证明了在低功耗硬件上部署轻量级神经网络进行复杂数据拟合的有效性。