无线充电系统中无传感器异物侦测方法之研究

无线充电新挑战：金属异物对效率的影响与智能侦测

在科技快速发展的时代，电池供电的移动与便携设备充斥于日常生活，无线充电技术已成为重要的充电解决方案。 然而，充电过程中若有金属异物存在，将可能导致充电效率下降、能量损耗增加、异常过热，甚至损坏电路，因此异物侦测技术成为确保无线充电系统安全性的关键研究课题。

本研究设计无传感器测试模型，透过金属异物对无线充电系统转换效率的影响来判定异物的存在与特性。 采用决策树分类方法，测试在相同频率下不同位置与负载条件下的金属异物对充电效率的影响，训练模型实现更精确的异物分类与位置辨识，提升无线充电系统的安全性与智能化程度。

一、无线充电系统架构设设计

本系统架构以具有高功率和高效率的全桥式主电路为主要架构，次级侧桥式整流采用对称线圈设计，但线圈与变压器的初次级侧仍存在漏感，需要设计补偿电容值以提高系统效率。 在谐振槽测试的设计中选择普遍应用的串联-串联拓扑架构，在轻载与重载情况下均能保持良好增益、且等效输入阻抗较低并具有较高效率。 考虑安全规范与电磁兼容性，谐振频率设定80kHz，依据公式计算补偿电容值以优化性能。 制作矩阵测试模型（2×2、3×3、4×4 和 5×5）以及针对区域金属异物面积大小的测试模型，研究金属异物的位置和大小对无线充电效率的影响。

图1、串联-串联无线传输转换器
 

图2、无线充电针对区域金属异物侦测测试模型

图3、无线充电针对中间金属异物侦测测试模型

二、实验结果与分析

A. 不同负载下的系统效率测试

图4、金属异物在不同情境下对无线充电效率的变化

当有金属板隔离时，无线电能传输的效率受到不同遮挡位置及遮挡面积有直接的相关性

B. 0.5A时无金属异物和金属异物在不同矩阵位置的效率影响比较

本实验通过在矩阵模型中进行测试金属异物对无线充电效率的影响即衰减程度。
以4×4矩阵模型为例，可以清楚得知，异物置于中心位置时，效率损耗最为明显，而放置于边缘位置的影响较小。
透过中间金属异物侦测的测试模型（图3）进一步研究，发现异物面积越大，其对充电效率降低越为显著（图7）。

图5、0.5A时无金属的效率图

图6、0.5A时金属异物在4×4位置的效率影响

图7、不同大小的金属异物位于线圈中心对系统传输效率和损耗影响
 

C. 决策树分类技术应用于异物检测

决策树是一种监督式机器学习方法，适用于分类与回归问题，自动识别关键影响因素，并将决策过程可视化（图8），使分类过程透明易理解，实时检测应用。 本研究通过负载与充电效率等经标准化处理的特征，采用基于基尼不纯度的特征选择与模型训练，逐层判断异物是否存在并分类，从而预测异物的大小与位置，以混淆矩阵（图9）来分析模型的准确性，数据集以80% 作为训练其余作为测试，使无传感异物检测技术具备高度的稳定性与可靠性。

图8、决策树分类示意图

图9、决策树分类结果

图 10、4×4 决策树分类结果

D. 电路实体图

系统输入电压为 60V，并运行于 80kHz 的谐振频率

该系统的发射端与接收端皆包含谐振电容与线圈电感，以实现 140W 的无线充电输出功率。

图11、发射端实体图

图12、接收端实体图

三、结论

本研究成功开发了一套基于机器学习的无感测异物侦测技术，应用于电动载具的无线电能转换系统。 透过效率建模与决策树分类，设计并测试了两种异物检测模型，分别针对充电区域及其中心进行测试，在固定负载条件下分析金属异物尺寸与位置对充电效率的影响。 研究结果清楚指出，当异物位于线圈中心时，充电效率下降最为显著，而边缘异物的影响相对较小。

决策树模型以自动学习分类规则，通过基尼不纯度选择关键特征，确保每个节点的分类对充电效率影响最大，根据决策数的分类在复杂的应用场景下也可以清楚得知金属异物的位置，运算效率高且具可视化直观特性，解决传统异物侦测方法，成本高、检测器体积庞大、辨识能力限制等问题，为无线充电安全监测提供了稳定、低成本的解决方案。

对本文章有任何疑问，都可点击此处进行询问~