【科技友瘋狂】無線充電系統中無感測器異物偵測方法之研究

無線充電新挑戰：金屬異物對效率的影響與智能偵測

在科技快速發展的時代，電池供電的移動與便攜設備充斥於日常生活，無線充電技術已成為重要的充電解決方案。然而，充電過程中若有金屬異物存在，將可能導致充電效率下降、能量損耗增加、異常過熱，甚至損壞電路，因此異物偵測技術成為確保無線充電系統安全性的關鍵研究課題。

本研究設計無感測器測試模型，透過金屬異物對無線充電系統轉換效率的影響來判定異物的存在與特性。採用決策樹分類方法，測試在相同頻率下不同位置與負載條件下的金屬異物對充電效率的影響，訓練模型實現更精確的異物分類與位置辨識，提升無線充電系統的安全性與智能化程度。

一、無線充電系統架構設設計

本系統架構以具有高功率和高效率的全橋式主電路為主要架構，次級側橋式整流採用對稱線圈設計，但線圈與變壓器的初次級側仍存在漏感，需要設計補償電容值以提高系統效率。在諧振槽測試的設計中選擇普遍應用的串聯-串聯拓撲架構，在輕載與重載情況下均能保持良好增益、且等效輸入阻抗較低並具有較高效率。考慮安全規範與電磁相容性，諧振頻率設定80kHz，依據公式計算補償電容值以優化性能。製作矩陣測試模型（2×2、3×3、4×4 和 5×5）以及針對區域金屬異物面積大小的測試模型，研究金屬異物的位置和大小對無線充電效率的影響。

圖1、串聯-串聯無線傳輸轉換器

圖2、無線充電針對區域金屬異物偵測測試模型

圖3、無線充電針對中間金屬異物偵測測試模型

二、實驗結果與分析

A.   不同負載下的系統效率測試
圖4、金屬異物在不同情境下對無線充電效率的變化
當有金屬板隔離時，無線電能傳輸的效率受到不同遮擋位置及遮擋面積有直接的相關性

B. 0.5A時無金屬異物和金屬異物在不同矩陣位置的效率影響比較

本實驗通過在矩陣模型中進行測試金屬異物對無線充電效率的影響即衰減程度。
以4×4矩陣模型為例，可以清楚得知，異物置於中心位置時，效率損耗最為明顯，而放置於邊緣位置的影響較小。
透過中間金屬異物偵測的測試模型(圖3)進一步研究，發現異物面積越大，其對充電效率降低越為顯著(圖7)。

圖5、0.5A時無金屬的效率圖

圖6、0.5A時金屬異物在4×4位置的效率影響

圖7、不同大小的金屬異物位於線圈中心對系統傳輸效率和損耗影響

C. 決策樹分類技術應用於異物檢測

決策樹是一種監督式機器學習方法，適用於分類與回歸問題，自動識別關鍵影響因素，並將決策過程可視化(圖8)，使分類過程透明易理解，即時檢測應用。本研究通過負載與充電效率等經標準化處理的特徵，採用基於基尼不純度的特徵選擇與模型訓練，逐層判斷異物是否存在並分類，從而預測異物的大小與位置，以混淆矩陣(圖9)來分析模型的準確性，數據集以80%作為訓練其餘作為測試，使無感測異物檢測技術具備高度的穩定性與可靠性。

圖8、決策樹分類示意圖


圖9、決策樹分類結果

圖 10、4×4 決策樹分類結果                                                                       
   
D.   電路實體圖

系統輸入電壓為 60V，並運行於 80kHz 的諧振頻率

該系統的發射端與接收端皆包含諧振電容與線圈電感，以實現 140W 的無線充電輸出功率。

圖11、發射端實體圖

圖12、接收端實體圖

三、結論

本研究成功開發了一套基於機器學習的無感測異物偵測技術，應用於電動載具的無線電能轉換系統。透過效率建模與決策樹分類，設計並測試了兩種異物檢測模型，分別針對充電區域及其中心進行測試，在固定負載條件下分析金屬異物尺寸與位置對充電效率的影響。研究結果清楚指出，當異物位於線圈中心時，充電效率下降最為顯著，而邊緣異物的影響相對較小。
決策樹模型以自動學習分類規則，透過基尼不純度選擇關鍵特徵，確保每個節點的分類對充電效率影響最大，根據決策數的分類在複雜的應用場景下也可以清楚得知金屬異物的位置，運算效率高且具可視化直觀特性，解決傳統異物偵測方法，成本高、檢測器體積龐大、辨識能力限制等問題，為無線充電安全監測提供了穩定、低成本的解決方案。