无线充电系统中基于生成式表格数据增强的无传感器金属异物定位

《Results in Engineering》：Generative Tabular Data Augmentation for Sensorless Metallic Foreign Object Localization in Wireless Power Transfer Systems

　　

无线功率传输（WPT）是一种前景广阔的电动力汽车（EV）接触式充电技术。在公共WPT站点中，金属异物（MFO）可能进入磁耦合区域，降低传输效率并引起局部过热。基于硬件的异物检测（FOD）方法（如热传感器、磁探针和辅助线圈）增加了系统复杂性和成本。因此，无传感器FOD利用固有电气指标（包括负载变化和传输效率）成为有吸引力的方案。机器学习（ML）已被用于无传感器FOD，将电气特征映射为检测或定位决策。轻量级基于树的模型适用于该任务，因为它们在表格数据上表现良好且推理成本低。然而，其性能受到小型且不平衡的实验数据集的限制。在WPT系统中，在不同物体位置、负载和运行状态下收集数据成本高昂。在研究人员的前期工作中，使用结合合成少数类过采样技术（SMOTE）的基本决策树分类器建立了初步的无传感器FOD框架。该研究证明了利用效率变化进行无传感器FOD的可行性，并表明传统过采样可以缓解类别不平衡。然而，由于SMOTE通过局部线性插值生成少数类样本，当底层类条件分布高度非线性、多模态且空间重叠时，其灵活性可能受限。受此局限以及本文所考虑的更具挑战性的11类定位场景的驱动，本研究扩展了前期框架，探索了一种基于物理信息的生成式人工智能（GenAI）表格增强流水线。生成式人工智能为表格数据增强提供了更灵活的解决方案。表格生成模型不是对现有样本进行插值，而是学习测量变量和类标签的联合分布，从而从有限数据中合成新样本。本文考虑了六种代表性模型：混合密度网络（MDN）、表格去噪扩散概率模型（TabDDPM）、Copula生成对抗网络（CopulaGAN）、带梯度惩罚的Wasserstein生成对抗网络（WGAN-GP）、表格变分自编码器（TVAE）和条件表格生成对抗网络（CTGAN）。选择这些模型是因为它们涵盖了不同的生成机制，包括混合密度建模、基于去噪的扩散、潜空间生成、对抗学习和基于copula的依赖建模。因此，它们为比较不同GenAI范式如何学习有限且不平衡的WPT表格数据提供了合适的基础。然而，高统计相似性并不总能改善下游分类。对于MFO定位，合成数据必须保留类结构和决策边界，而不仅仅是边缘分布。因此，关键问题是确定哪种增强策略能为真实测试定位提供有用样本。本研究开发了一个使用表格GenAI增强的无传感器MFO定位框架，并包括SMOTE和高斯噪声增强作为传统基线。该流水线使用负载和效率测量来识别11个MFO位置。CatBoost和LightGBM用于下游分类，并使用基于Optuna的超参数优化以确保公平比较。

# 生成式表格数据增强提升无线充电系统无传感器金属异物定位性能的研究解读

## 一、研究背景与问题

无线功率传输（Wireless Power Transfer, WPT）作为一种有前景的电动车辆（Electric Vehicle, EV）接触式充电技术，近年来受到广泛关注。在公共WPT充电站中，金属异物（Metallic Foreign Object, MFO）可能进入磁耦合区域，导致传输效率下降并引发局部过热等安全隐患。传统的基于硬件的异物检测（Foreign Object Detection, FOD）方法，如热传感器、磁探针和辅助线圈等，虽然灵敏度较高，但不可避免地增加了系统复杂度与制造成本，且容易受到环境干扰和电磁噪声影响。因此，利用系统固有电气指标（如负载变化和传输效率）进行无传感器FOD成为一种有吸引力的替代方案。

尽管机器学习（Machine Learning, ML）已被应用于无传感器FOD，但轻量级基于树的模型在WPT实际应用中面临一个关键瓶颈：实验数据集规模小且类别严重不平衡。在WPT系统中，收集不同物体位置、负载和运行状态下的数据成本高昂，且由于物理布局的固有特性，不同空间位置的样本数量差异显著，例如本文数据集中最多数类与最少数类的比例达到16:1。前期的研究虽然验证了利用效率变化进行无传感器FOD的可行性，并采用合成少数类过采样技术（Synthetic Minority Over-sampling Technique, SMOTE）缓解类别不平衡，但SMOTE通过局部线性插值生成样本，难以刻画高度非线性、多模态且空间重叠的类条件分布。因此，需要探索更为灵活的数据增强方法以应对更复杂的多类别定位任务。

## 二、研究内容与结论

针对上述问题，研究人员构建了一个基于生成式人工智能（Generative Artificial Intelligence, GenAI）的表格数据增强框架，用于无传感器MFO的空间定位。该框架以负载和传输效率作为原始测量变量，通过物理信息特征工程构建六维输入特征，利用多种生成模型合成增强样本，并结合梯度提升决策树（Gradient Boosting Decision Tree, GBDT）分类器实现11个空间位置的识别。

研究共评估了六种代表性表格生成模型：混合密度网络（Mixture Density Network, MDN）、表格去噪扩散概率模型（Tabular Denoising Diffusion Probabilistic Model, TabDDPM）、Copula生成对抗网络（CopulaGAN）、带梯度惩罚的Wasserstein生成对抗网络（Wasserstein Generative Adversarial Network with Gradient Penalty, WGAN-GP）、表格变分自编码器（Tabular Variational Autoencoder, TVAE）和条件表格生成对抗网络（Conditional Tabular Generative Adversarial Network, CTGAN），同时将SMOTE和高斯噪声增强作为传统基线。实验结果表明，数据增强并非总是带来性能提升，其有效性高度依赖于增强方法。CopulaGAN在两个分类器上均取得最一致的准确率提升，而传统SMOTE和高斯噪声增强效果有限甚至产生负面影响。在固定留出测试集上，CopulaGAN结合LightGBM取得了80.82%的最高准确率。进一步的五折分层袋外（Out-of-Fold, OOF）验证显示，CopulaGAN相对于无增强训练在CatBoost上提升2.06个百分点（95%置信区间[+0.76%, +3.43%]），在LightGBM上提升3.98个百分点（95%置信区间[+1.92%, +5.98%]），且两种分类器的精确McNemar检验p值均小于0.05，表明提升具有统计学显著性。

该研究的重要意义在于：首次系统比较了多种GenAI范式在WPT无传感器MFO定位任务中的增强效果，揭示了统计保真度与下游效用之间的不匹配现象——即全局分布匹配度高的模型不一定带来更好的分类性能，而CopulaGAN通过copula函数显式建模特征间的多元依赖结构，更好地保留了与分类决策边界相关的类条件结构，从而在实际定位任务中表现最佳。这一发现为有限且不平衡的表格数据增强策略选择提供了重要参考。

## 三、主要关键技术方法

研究人员采用了以下关键技术方法开展研究：实验数据来自自建的无线充电平台，采用串串（S-S）补偿拓扑，工作频率100 kHz，负载从额定负载的10%到100%系统变化，通过2×2、3×3、4×4和5×5四种结构化网格布局获得11个空间位置（A–K）共1,456个实测样本。在数据增强方面，使用了有界类感知增强策略动态确定各少数类的合成样本数量，六种生成模型分别基于混合密度建模、扩散去噪、变分自编码、对抗学习和copula依赖建模等不同机制。物理信息特征工程将原始的负载和效率二维测量变换为六个分类输入特征，包括负载、效率、效率偏差、效率比、负载加权损失指数和分类负载区。数据质量评估采用合成数据保险库（Synthetic Data Vault, SDV）框架的QualityScore、KS-Test和Physical Correlation指标。下游分类采用CatBoost和LightGBM两种GBDT算法，并使用Optuna框架进行超参数优化以保证公平比较。

## 四、研究结果

### 1. 合成数据质量与分布分析

通过QualityScore、KS-Test和Physical Correlation三项指标评估增强数据的统计保真度，结果显示SMOTE和高斯噪声增强的统计保真度最高，QualityScore分别为0.9928和0.9891。在生成模型中，MDN和TabDDPM取得最高的统计保真度，其次是TVAE，而CTGAN和CopulaGAN与真实数据的偏差相对较大。效率分布比较和基于DCR的流形接近度分析进一步验证了这一趋势。

### 2. 下游分类性能与保真度-效用讨论

在固定留出测试集上，CopulaGAN增强在CatBoost和LightGBM上均取得最高准确率和macro-F1分数。例如，CopulaGAN增强的LightGBM达到80.82%的准确率和0.8323的macro-F1，而无增强基线仅为78.08%和0.7926。混淆矩阵分析显示，CopulaGAN增强改善了几个困难空间类别的识别，同时保持其余类别的高性能。值得注意的是，统计保真度最高的方法（如MDN和TabDDPM）并未产生最高的分类性能，表明仅追求全局分布匹配不足以指导增强策略选择，关键在于能否保留任务相关的类条件结构与决策边界。

### 3. 统计鲁棒性与袋外验证

为降低单一数据划分的敏感性，研究人员进行了五折分层袋外验证。结果表明，CopulaGAN在CatBoost和LightGBM的所有五个折中均相对于无增强基线提高了准确率，增益范围分别为约+0.69至+3.78个百分点和+0.69至+6.53个百分点。配对非参数bootstrap分析（10,000次重采样）显示，CatBoost的准确率增益95%置信区间为[+0.76%, +3.43%]，LightGBM为[+1.92%, +5.98%]，置信区间完全位于零以上。精确McNemar检验的p值分别为0.0035（CatBoost）和1.93×10^?4（LightGBM），证实了CopulaGAN增强相对于无增强训练的统计显著性。

## 五、讨论部分总结

研究讨论指出，增强方法的效果是依赖方法的，而非普遍有益。尽管SMOTE和高斯噪声等传统方法在统计保真度上表现优异，但它们未能改善甚至降低了分类性能，这表明简单的过采样或全局分布匹配不足以解决WPT数据中的多模态、重叠类条件分布问题。CopulaGAN之所以取得最佳下游性能，可能归因于其混合算法架构：在对抗训练之前利用copula函数映射连续变量的经验累积分布函数，从而解耦并分别捕获单个特征的边缘分布和特征间的依赖结构。这种能力使CopulaGAN能够保留以空间类标签为条件的物理特征之间的任务相关联合依赖模式，从而维持重要的空间决策边界信息。这一发现强调了在数据增强中不仅要考虑样本的统计相似性，还要考虑其对下游分类任务的实际效用。

## 六、研究结论翻译

本文针对无线功率传输系统中无传感器金属异物定位所面临的有限且不平衡的实验数据问题，提出了一种表格数据增强框架。研究评估了六种生成模型以及SMOTE和高斯噪声增强方法，并使用CatBoost和LightGBM进行下游多类分类。结果表明，数据增强并非普遍有益，其有效性强烈依赖于增强方法。CopulaGAN在两个分类器上提供了最一致的准确率提升，而传统的SMOTE和高斯噪声增强效果有限或不一致。五折袋外分析进一步显示，CopulaGAN相对于无增强训练在两种分类器上均取得了统计学显著的准确率提升。尽管若干方法获得了更高的全局统计保真度，但它们未必带来更高的分类效用，这凸显了保真度与效用之间的不匹配。总体而言，所提出的框架证明了在所研究的WPT运行条件下，无需额外专用FOD传感器即可改善无传感器MFO定位的可行性。