胶囊机器人无线供能系统优化方法、系统、装置及介质与流程

1.本发明涉及微机电系统领域，尤其涉及一种胶囊机器人无线供能系统优化方法、系统、装置及介质。


背景技术：

2.近年来，胶囊机器人逐渐成为人们进行胃肠道检测的首选工具，胶囊机器人能够克服传统肠镜在检测过程中的不足，并且，越来越多的功能也在被不断研发并加载到胶囊机器人上。为了保证胶囊机器人的发展，引入无线能量传输技术来为胶囊机器人提供安全、稳定且持久的能量供应。
3.然而，由于胶囊机器人在人体内自由运动，其姿态不固定，从而导致胶囊内的接收线圈与体外的发射线圈耦合效果不佳，使得无线供能系统的传输效率有限。因此，在胶囊机器人无线能量传输系统设计中，往往要对系统的耦合线圈以及系统其他参数进行优化，以提高系统传输效率。由于系统在高频交流的条件下工作，耦合线圈的内阻不仅受自身匝数的影响，还会因高频下的趋肤效应以及邻近效应而呈非线性变化。另一方面，两线圈之间的互感也会随着线圈自身的匝数变化而变化。
4.现有的耦合线圈参数主要通过数学解析计算，然而由于系统工作频率提高带来的邻近效应和趋肤效应会使得线圈内阻呈非线性增长，同时，线圈结构和线材的不同也使得其解析方式并不通用，从而导致在系统优化过程中，耦合线圈参数计算较为复杂，也使得系统优化过程繁琐。


技术实现要素：

5.为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于神经网络的胶囊机器人无线供能系统优化方法、系统、装置及介质。
6.本发明所采用的技术方案是：
7.一种胶囊机器人无线供能系统优化方法，包括以下步骤：
8.构建系统传输效率的数学模型；
9.构建耦合线圈参数的bp神经网络模型，对bp神经网络模型进行训练；
10.将数学模型与训练后的bp神经网络模型进行结合，获得系统优化目标函数；
11.采用粒子群优化算法对所述系统优化目标函数进行优化，获得优化后的系统参数。
12.进一步地，所述系统传输效率的数学模型的表达式为：
[0013][0014]
其中，r1表示发射线圈等效电阻，r2表示接收线圈等效电阻，m为线圈间的互感，r
l
为系统等效负载，ω表示交流电驱动角频率，ω＝2πf，f为系统工作频率。
[0015]
进一步地，所述bp神经网络模型包括：
[0016]
发射线圈bp神经网络模型，用于拟合发射线圈的内阻值；
[0017]
接收线圈bp神经网络模型，用于拟合接收线圈的内阻值；
[0018]
耦合线圈间互感bp神经网络模型，用于拟合耦合线圈间的互感值。
[0019]
进一步地，bp神经网络模型包括1个输入层、1个隐含层以及1个输出层；
[0020]
对于n维输入m维输出的三层bp神经网络，网络输入为：x＝(x1，x2，x
i
，
···
，x
n
)，网络输出为：y＝(y1，y2，y
k
，
···
，y
m
)；ω
ij
为输入层第i个节点到隐含层第j个节点之间的权值，ν
jk
表示隐含层第j个节点到输出层第k个节点间的权值，θ
j
和γ
k
则分别表示隐含层第j个节点阈值与输出层第k个节点的阈值，f1和f2分别为隐含层和输出层的传递函数；
[0021]
所述bp神经网络模型的正向计算过程：
[0022]
隐含层第j个节点的输入z
j
和输出o
j
为：
[0023][0024]
输出层第k个节点的输入p
k
和输出y
k
为：
[0025][0026]
所述bp神经网络模型的反向传播过程：
[0027]
当样本量为q时，网络的损失函数即网络的全局误差e
total
可以表示为：
[0028][0029]
式中，y
k
代表期望输出，y
k
代表实际输出；
[0030]
所述bp神经网络模型通过降低误差反向传播，修正计算结果，从而提高拟合精度，其中修正计算公式如下：
[0031]
。
[0032]
进一步地，所述对bp神经网络模型进行训练，包括：
[0033]
获取实测的线圈参数作为训练数据；
[0034]
对于发射线圈bp神经网络模型，采用发射线圈匝数n1和系统工作频率f作为输入，发射线圈内阻r1作为输出，根据训练数据对bp神经网络进行训练；
[0035]
对于发射线圈bp神经网络模型，采用发射线圈匝数n1和系统工作频率f作为输入，发射线圈内阻r1作为输出，根据训练数据对bp神经网络进行训练；
[0036]
对于接收线圈bp神经网络模型，采用接收线圈匝数n2和系统工作频率f作为输入，接收线圈内阻r2作为输出，根据训练数据对bp神经网络进行训练；
[0037]
对于耦合线圈间互感bp神经网络模型，采用发射线圈匝数n1和接收线圈匝数n2作为输入，互感m作为输出，根据训练数据对bp神经网络进行训练；
[0038]
所述bp神经网络模型的表达式如下：
[0039]
。
[0040]
进一步地，所述系统优化目标函数的表达式为：
[0041][0042]
其中，η表示系统传输效率，r
l
为系统等效负载，ω表示交流电驱动角频率，ω＝2πf，f为系统工作频率。
[0043]
进一步地，所述采用粒子群优化算法对所述系统优化目标函数进行优化，包括：
[0044]
以发射线圈匝数n1、接收线圈匝数n2、系统工作频率f、系统等效负载r
l
为优化决策变量，设置粒子群优化算法参数；
[0045]
根据设置完参数的粒子群优化算法对系统优化目标函数进行优化，获得优化后的系统参数。
[0046]
本发明所采用的另一技术方案是：
[0047]
一种胶囊机器人无线供能系统优化系统，包括：
[0048]
系统效率模块，用于构建系统传输效率的数学模型；
[0049]
网络训练模块，用于构建耦合线圈参数的bp神经网络模型，对bp神经网络模型进行训练；
[0050]
模型结合模块，用于将数学模型与训练后的bp神经网络模型进行结合，获得系统优化目标函数；
[0051]
参数优化模块，用于采用粒子群优化算法对所述系统优化目标函数进行优化，获得优化后的系统参数。
[0052]
本发明所采用的另一技术方案是：
[0053]
一种胶囊机器人无线供能系统优化装置，包括：
[0054]
至少一个处理器；
[0055]
至少一个存储器，用于存储至少一个程序；
[0056]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
[0057]
本发明所采用的另一技术方案是：
[0058]
一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
[0059]
本发明的有益效果是：本发明通过构建耦合线圈参数的bp神经网络模型，避免数学解析的复杂计算以及长时间的有限元软件分析，简化了无线能量传输系统参数优化过程，能够实现多参数的优化，提高系统传输性能；另外，结合粒子群优化算法对无线能量传输系统进行优化，便于操作，易于实现。
附图说明
[0060]
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
[0061]
图1是本发明实施例中一种胶囊机器人无线供能系统优化方法的步骤流程图。
具体实施方式
[0062]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0063]
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0064]
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0065]
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
[0066]
对于胶囊机器人无线供能系统而言，系统的传输效率主要与系统工作频率ω、发射线圈与接收线圈的互感m、发射端内阻r1、接收端内阻r2以及等效负载电阻r
l
五个因素的影响，因此，为了提高系统传输效率，需要选取合适的耦合线圈匝数、系统工作频率以及系统等效负载。其中，耦合线圈匝数与系统工作频率共同决定了包括发射线圈与接收线圈的互感m、发射端内阻r1、接收端内阻r2在内的耦合线圈参数。现有的耦合线圈参数主要通过数学解析计算，然而由于系统工作频率提高带来的邻近效应和趋肤效应会使得线圈内阻呈非线性增长，同时，线圈结构和线材的不同也使得其解析方式并不通用，从而导致在系统优化过程中，耦合线圈参数计算较为复杂，也使得系统优化过程繁琐。
[0067]
为了便于系统优化，本实施例提出一种胶囊机器人无线供能系统优化方法，该优化方法首先利用已测得的耦合线圈参数对bp神经网络进行训练，训练样本为50～2000khz频率下测试的不同匝数线圈内阻以及不同匝数线圈间的互感，根据损失函数即误差函数进行反向调整，提高拟合精度。通过训练后的bp神经网络对耦合线圈参数有良好的拟合预测能力，从而得到系统耦合线圈参数的bp神经网络模型，利用该模型搭建系统优化目标函数，继而可以通过优化算法对系统参数进行优化选取，最终实现胶囊机器人无线供能系统的优化过程。通过上述方法，能够避免耦合线圈参数复杂的数学解析法推导计算过程或者有限元分析的长时间仿真过程，可以简化耦合线圈参数的获取过程，便于建立系统优化模型，易于系统的优化。
[0068]
如图1所述，本实施例提供一种胶囊机器人无线供能系统优化方法，包括以下步骤：
[0069]
s1、构建系统传输效率的数学模型。
[0070]
建立系统数学模型，获得系统传输效率η计算公式，其中r1，r2分别表示发射线圈等效电阻与接收线圈等效电阻，m为线圈间的互感，r
l
为系统等效负载，ω表示交流电驱动角频率，ω＝2πf，f为系统工作频率。其中，系统数学模型的表达式如下：
[0071][0072]
s2、构建耦合线圈参数的bp神经网络模型。
[0073]
建立耦合线圈参数的bp神经网络模型，bp神经网络模型包括1个输入层、1个隐含层以及1个输出层，其结构与操作较为简单，可通过matlab工具箱实现。
[0074]
将线圈参数模型带入步骤s1中的系统传输效率η计算公式中，即可得到可以直接对线圈匝数、系统频率以及系统等效负载进行优化的系统优化目标函数。
[0075]
对于n维输入m维输出的三层bp神经网络，网络输入为：x＝(x1，x2，x
i
，
···
，x
n
)，网络输出为：y＝(y1，y2，y
k
，
···
，y
m
)，ω
ij
为输入层第i个节点到隐含层第j个节点之间的
权值，ν
jk
表示隐含层第j个节点到输出层第k个节点间的权值，θ
j
和γ
k
则分别表示隐含层第j个节点阈值与输出层第k个节点的阈值，f1和f2分别为隐含层和输出层的传递函数。其实现过程如下：
[0076]
正向计算过程：
[0077]
隐含层第j个节点的输入z
j
和输出o
j
为：
[0078][0079]
输出层第k个节点的输入p
k
和输出y
k
为：
[0080][0081]
反向传播过程：
[0082]
当样本量为q时，网络的损失函数即网络的全局误差e
total
可以表示为：
[0083][0084]
式中，y
k
代表期望输出，y
k
代表实际输出。bp神经网络通过降低误差反向传播，根据梯度下降法调整网络参数，修正计算结果，从而不断提高拟合精度。其修正方式如下：
[0085][0086]
当样本量为q时，网络的损失函数即网络的全局误差e
total
可以表示为：
[0087][0088]
式中，y
k
代表期望输出，y
k
代表实际输出。bp神经网络通过降低误差反向传播，根据梯度下降法调整网络参数，修正计算结果，从而不断提高拟合精度。
[0089]
在一些可选的实施例中，该bp神经网络模型包括：
[0090]
发射线圈bp神经网络模型，用于拟合发射线圈的内阻值；
[0091]
接收线圈bp神经网络模型，用于拟合接收线圈的内阻值；
[0092]
耦合线圈间互感bp神经网络模型，用于拟合耦合线圈间的互感值。
[0093]
系统基于bp神经网络优化模型的建立，用于优化系统各个参数。
[0094]
s3、对bp神经网络模型进行训练。
[0095]
将实测的线圈参数分为训练样本组和验证组，对bp神经网络模型进行训练以及验证。
[0096]
对于发射线圈内阻r1，发射线圈匝数n1已知，以系统工作频率f为输入，发射线圈内阻r1为输出，输入层节点数为1，输出层节点数为1，隐含层节点数为3，对神经网络进行训练；
[0097]
对于接收线圈内阻r2，以接收线圈匝数n2、系统工作频率f为输入，接收线圈内阻r2为输出，输入层节点数为2，输出层节点数为1，隐含层节点数为5，对神经网络进行训练；
[0098]
对于两线圈间互感m，其受系统工作频率影响不大，且在两线圈姿态以及传输距离一定时，只与线圈匝数相关。因此，以接收线圈匝数n2为输入，互感m为输出，输入层节点数为1，输出层节点数为1，隐含层节点数为3，对神经网络进行训练。
[0099]
最终可得到耦合线圈参数的bp神经网络模型，利用该模型对验证组中的线圈参数进行预测，并将预测的结果与验证组的实测结果进行对比，可校验模型的准确度。
[0100]
经验证，模型准确度分别在
±
6％、
±
7％、
±
4％以内，拟合结果良好。
[0101][0102]
s4、将数学模型与训练后的bp神经网络模型进行结合，获得系统优化目标函数。
[0103]
将步骤s3中的线圈参数模型带入到步骤s1中的系统传输效率计算公式中，便可以得到系统优化目标函数：
[0104][0105]
s5、采用粒子群优化算法对系统优化目标函数进行优化，获得优化后的系统参数。
[0106]
设定决策变量区间以及粒子群优化算法参数，利用粒子群优化算法对所建立的系统优化模型进行参数优化，即可得到优化后的系统参数，包括线圈匝数、系统工作频率以及系统等效负载。粒子群优化算法是在目标空间初始化一群粒子作为初始的随机解，每个粒子都有速度v
i
和自身的位置x
i
，粒子个体所经历的最优位置记为pbest
i
，粒子群体所经历的最有位置记为gbest，每个粒子会不断更新自身的速度以及位置，从而在目标空间搜索更优的解，通过迭代寻求空间的最优解。粒子速度与位置具体更新方式如下：
[0107]
v
′
i
＝ω
×
v
i
c1×
rand()
×
(pbest
i
‑
x
i
) c2×
rand()
×
(gbest
‑
x
i
)
[0108]
x
i
′
＝x
i
v
i
′
[0109]
式中，ω为惯性权重、c1为个体加速度系数、c2为群体加速度系数、rand()为[0,1]的随机数。
[0110]
粒子群优化算法通过matlab编程实现，其参数设置为：惯性权重ω为0.7298、粒子最大速度系数v
max
为20％、个体加速度系数c1为1.4962、群体加速度系数c2为1.4962、粒子群规模m为100、最大迭代次数m为200。
[0111]
在本实施例的优化过程中，将胶囊机器人无线能量传输系统中接收线圈匝数n2，系统等效负载r
l
以及系统工作频率f作为决策变量，以获得尽可能高的系统传输效率。根据上述的分析，分别设置决策变量n2，r
l
，f的约束区间为[20，160]，[5，120]，[50000，1000000]，系统优化模型如下：
[0112][0113][0114]
优化前决策变量分别为[60，250000，15]，传输效率为2.6％，运行优化算法，可以得到优化后决策变量分别为[160，5264000，14.6]，传输效率为8.75％。
[0115]
综上所述，本实施例方法相对于现有技术，具有如下有益效果：
[0116]
(1)相比传统耦合线圈参数分析方法，本实施例方法通过建立线圈参数模型的方式更为简易，避免了数学解析的复杂计算以及长时间的有限元软件分析。
[0117]
(2)本实施例方法简化了无线能量传输系统参数优化过程，能够实现多参数的优化，提高系统传输性能。
[0118]
(3)本实施例方法利用bp神经网络建立系统优化模型，结合粒子群优化算法对无线能量传输系统进行优化，便于操作，易于实现。
[0119]
本实施例还提供一种胶囊机器人无线供能系统优化系统，包括：
[0120]
系统效率模块，用于构建系统传输效率的数学模型；
[0121]
网络训练模块，用于构建耦合线圈参数的bp神经网络模型，对bp神经网络模型进行训练；
[0122]
模型结合模块，用于将数学模型与训练后的bp神经网络模型进行结合，获得系统优化目标函数；
[0123]
参数优化模块，用于采用粒子群优化算法对所述系统优化目标函数进行优化，获得优化后的系统参数。
[0124]
本实施例的一种胶囊机器人无线供能系统优化系统，可执行本发明方法实施例所提供的一种胶囊机器人无线供能系统优化方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0125]
本实施例还提供一种胶囊机器人无线供能系统优化装置，包括：
[0126]
至少一个处理器；
[0127]
至少一个存储器，用于存储至少一个程序；
[0128]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现图1所示方法。
[0129]
本实施例的一种胶囊机器人无线供能系统优化装置，可执行本发明方法实施例所提供的一种胶囊机器人无线供能系统优化方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0130]
本技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
[0131]
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种胶囊机器人无线供能系统优化方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0132]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0133]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0134]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0135]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设
备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0136]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0137]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0138]
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0139]
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0140]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。