《Energies》：Hybrid Fuzzy Convolutional Neural Networks for Photovoltaic Panel Anomaly Detection and Energy Optimization
编辑推荐：
卷积神经网络(CNN)是监测系统中图像分析与识别的基础工具，尤其在光伏(PV)装置中，视觉检查与热成像在异常检测和能量优化方面起着关键作用。本出版物提出一种混合模糊卷积神经网络(HFCNN)，将利用有序模糊数(OFN)的模糊全连接层集成到CNN架构中。该架构在
卷积神经网络(CNN)是监测系统中图像分析与识别的基础工具，尤其在光伏(PV)装置中，视觉检查与热成像在异常检测和能量优化方面起着关键作用。本出版物提出一种混合模糊卷积神经网络(HFCNN)，将利用有序模糊数(OFN)的模糊全连接层集成到CNN架构中。该架构在包含2624张光伏电池电致发光(EL)图像的公开ELPV基准上得到进一步验证，其中采用最大值均值(MOM)去模糊化的HFCNN在分类质量上与CNN基线统计无差异，同时全连接层缩小为四分之一，训练速度加快两到三倍。该方法结合了传统CNN的特征提取能力与模糊逻辑的不确定性处理特性。使用MNIST数据集的实验表明，采用MOM去模糊化的HFCNN在大幅减少参数量（全连接层减少75%）的情况下达到与标准CNN相当的准确率。这一效率提升有利于在边缘计算设备上部署。本研究构成一项方法论贡献——首次确立将有序模糊数集成到CNN架构中而无需专家设计隶属度函数的可行性。尽管当前研究在MNIST上验证该方法，实际光伏应用仍需针对真实PV热成像的未来专门研究。不过，所提出的HFCNN框架有望支持光伏能量系统的实际应用，用于检测面板退化、性能异常及大规模PV装置中的自主决策。
研究背景方面，卷积神经网络(CNN)已成为光伏(PV)监测系统中图像分析的核心工具，YOLO、ResNet等架构在视觉与热成像异常检测中广泛应用，但大规模分布式PV场景对模型参数量与计算开销提出严苛限制，传统深网难以直接在边缘处理器部署；与此同时，测量端存在云层瞬变、温度波动与传感器噪声等固有不确定性，普通CNN缺乏原生的不确定度表达机制。为此，研究人员提出将有序模糊数(OFN, Ordered Fuzzy Number)算术引入CNN末端全连接层，构建混合模糊卷积神经网络(HFCNN)，在保持分类质量的前提下压缩参数量、加快训练，并规避ANFIS等传统模糊系统对专家设计隶属度函数的依赖。该研究发表于《Energies》，其意义在于首次实现OFN与CNN端到端可微集成的方法论验证，并为资源受限的PV边缘监测提供可行路径。
关键技术方法上，研究人员以MNIST手写数字子集（每轮随机抽1000训练、200测试，50次独立初始化重复）与公开ELPV电致发光基准（2624张300×300灰度图，按缺陷概率≥0.5二分为功能/缺陷类，分层抽样75/25切分，下采样至28×28与64×64两种分辨率，少数类过采样至1:1）为对象；构建三类网络——标准CNN、全连接层放大四倍的CNN4、以OFN四分量(f(0),f(1),g(0),g(1))表示权重的HFCNN，末端全连接层替换为模糊全连接层并接FOM/LOM/MOM三种去模糊化算子；反向传播推导OFN层的精确梯度与均匀分量更新规则，证明MOM等效锐化权重优于FOM/LOM源于冻结非负偏移；同时给出NumPy向量化与CuPy的GPU导向数组实现。此外引入Logistic回归、RBF-SVM、随机森林及ImageNet预训练MobileNetV3-Small微调作为对照。
研究结果部分，“混合模糊卷积神经网络与有序模糊数”一节阐明OFN定义为有序函数对(f,g)，给出加减乘除标量积商规则，并将McCulloch–Pitts神经元扩展为OFN输入输出形式，前端模糊化、末端去模糊化，深层直接用标准反向传播。“方法论”一节形式化OFN全连接层前传（四个并行仿射映射）、去模糊化线性算子Φ及其常数梯度向量d，推导均匀更新下有效锐化权重Φ(w)执行精确梯度下降且模糊跨度不变，并从初始化证明FOM与LOM位级等价、MOM仅差冻结非负偏移。“MNIST实验”显示HFCNN-MOM在50 epoch达与CNN无统计差异准确率(p=0.538)，全连接层仅25神经元（CNN为100），总参数量85615对339160（降75%），CPU占用约13%对15%，RSS约350MB对460MB，单epoch训练预测更快。“ELPV电致发光基准验证”显示28×28下HFCNN-MOM准确率75.99±4.17%对CNN 77.13±3.41%(p=0.51)，64×64下75.44±4.68%对77.59±2.16%(p=0.20)，FOM/LOM两分辨率位级一致；CNN4参数量翻16倍无显著提升；RBF-SVM以78.05%/79.57%居首，MobileNetV3-Small微调76.48±1.85%，说明二分类裂纹检测在低分辨率下偏纹理对比问题。“讨论”指出MOM兼顾OFN双斜率故最优，FOM/LOM等价性获分析与实证双重确认；数组化实现使单epoch从3.5h降至109s（约118×加速），HFCNN在28×28与64×64单epoch仅需1.3s与6.3s；局限在于未在真实PV热像、未用更深骨干、原OO实现CPU受限。“结论”翻译如下：本工作提出HFCNN——据研究所知首个将有序模糊数集成进CNN架构的方案；模糊全连接层全程OFN算术，不像ANFIS需专家隶属度函数，端到端反向传播可学；MNIST上HFCNN-MOM与CNN基线分类质量无统计差异(p=0.538)而全连接层缩为1/4，总参降75%，CPU与内存最低，MOM显著优于FOM/LOM；更小架构利于低端处理器与电池供电边缘节点；局限含仅在MNIST子集与ELPV验证、OO实现限制规模、单浅骨干；ELPV修订版补充证实HFCNN-MOM在两分辨率匹配CNN基线、FOM/LOM等价获解析与实证，但二分类下RBF-SVM仍略强，故混合架构实用优势应在资源受限部署与细粒度缺陷分类中体现。未来研究指向真实PV热/视像、GPU扩至ResNet级骨干、多模态融合、方向感知去模糊算子、边缘设备部署及可解释运维决策。
