Method Article

تحسين توليد الطاقة بالطاقة البشرية باستخدام انحدار العمليات الغاوسية

DOI:

10.3791/69810

⸱

January 16th, 2026

 ,  ,  , 
1Key Laboratory of 3D Micro/Nano Fabrication and Characterization, School of Engineering, Westlake University, 2Zhejiang Engineering Research Center of Micro/Nano-Photonic/Electronic System Integration, 3Hangzhou Navigation Instrument Co., Ltd, 4Department of Electronic and Information Engineering, School of Engineering, Westlake University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يحسن هذا البروتوكول أنظمة توليد الكهرباء التي تعمل بالطاقة البشرية باستخدام الانحدار العملي الغاوسي لتحقيق كفاءة تتراوح بين 80٪-90٪ مع الحفاظ على السلامة الفسيولوجية، ويوفر طرقا قابلة للتكرار لتحويل التمارين إلى إنتاج طاقة مستدام، مع معالجة تحديات البطالة والطاقة المتجددة.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقدم هذا البروتوكول إطار عمل تحسين الانحدار الجبري (GPR) لأنظمة توليد الكهرباء التي تعمل بالطاقة البشرية لمعالجة البطالة التكنولوجية وطلبات الطاقة المتجددة في الوقت نفسه. أجرى سبعة مشاركين 112 تجربة عبر 16 تكوين، جمعت بين أربعة فولتية بطارية (12 فولت، 24 فولت، 36 فولت، 48 فولت) مع أربعة أحمال كهربائية (10 واط، 30 واط، 50 واط، 70 واط) باستخدام مولد دراجات ثابت معدل. دمج نموذج GPR نوى تحديد الصلة التلقائي (ARD) المربعة لتحديد الدواسة (ARD) لربط معلمات سرعة الدواسة والضغط والجهد والحمل بكفاءة التوليد مع قياس عدم اليقين في التنبؤ. جمع البيانات في الوقت الحقيقي عند 2 هرتز كان يلتقط المعلمات الميكانيكية والكهربائية من خلال حساسات تأثير هول، ومقاييس الإجهاد، ومحللات الطاقة باستخدام بروتوكولات اتصال مودباس. حقق النظام المحسن كفاءة نظرية قصوى تتراوح بين 80٪-90٪ مع معامل التباين (CoV) أقل من 15٪، مقارنة بكفاءة 60٪-70٪ و25٪-35٪ تباين في الأنظمة التجارية. أظهرت توقعات GPR أن R² = 0.713 مع زمن استجابة أقل من 10 مللي ثانية من خلال تقنيات تقريب متفرقة، مما أتاح التحكم في الوقت الحقيقي. تغيرت معايير التشغيل المثلى بشكل منهجي: الأحمال المنخفضة تتطلب 150-180 دورة في الدقيقة عند ضغط 50-70 نيوتن، بينما كانت الأحمال الأعلى تبلغ ذروتها عند 100-120 دورة في الدقيقة مع ضغط 100-150 نيوتن. حسن تكوين 48 فولت الكفاءة بنسبة 68٪ مقارنة بخط الأساس 12 فولت (المقاس كمؤشر كفاءة نسبي، REI، مطبع إلى الأساس = 100٪). حددت المراقبة الخاصة بالطور بداية التعب عند 35-40 دقيقة، مما أدى إلى تعديلات تحكم واعية للمخاطر بناء على عدم اليقين الخلفي. يضع البروتوكول طرقا كمية لموازنة توليد الطاقة مع القيود الفسيولوجية، مما يوفر إطارا قابلا للتكرار لنشر الأنظمة التي تعمل بالطاقة البشرية في منشآت اللياقة حيث يحدث تعادل بسعر 0.18 دولار/كيلوواط ساعة للكهرباء.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

إن تلاقي الأتمتة المدفوعة بالذكاء الاصطناعي وتغير المناخ يطرح تحديات غير مسبوقة تتطلب حلولا مبتكرة تعالج كل من البطالة التكنولوجية والتحولات المستدامة في الطاقة. تشير التحليلات التجريبية إلى ارتفاع 85 مليون نزوح وظيفي بحلول عام 2025، مع زيادة في البطالة بنسبة 2.8 نقطة مئويةفي وظائف الحاسوب والرياضيات. وفي الوقت نفسه، وصلت تركيزات ثاني أكسيد الكربون في الغلاف الجوي إلى 426.9 جزء في المليون في فبراير 2025، مما استلزم توسعا عاجلا لقدرة الطاقة المتجددة 3,4. تقدم هذه الورقة نهجا جديدا لمعالجة الأزمتين في الوقت نفسه من خلال أنظمة توليد الكهرباء الذكية التي تعمل بالطاقة البشرية (HPEG)، والتي تخلق فرص عمل مع المساهمة في إنتاج الطاقة النظيفة. من خلال تطبيق تحسين تعلم الآلة المصمم خصيصا للخصائص الفريدة للبيانات الميكانيكية الحيوية البشرية - التباين العالي والعلاقات غير الخطية والقيود الفسيولوجية5 - تم تطوير إطار عمل يمكنه تحويل العمال المهجرين إلى مساهمين منتجين في توليد الطاقة المستدامة. يتماشى هذا النهج مع التطورات الحديثة في أنظمة التوصية الذكية التي تخصص خطط التمارين البدنية والنظام الغذائي بناء على مقاييس مخصصة للمستخدم.6.

تظهر تطبيقات HPEG الحالية قيودا كبيرة تمنع الاعتماد الواسع النطاق. تظهر الأنظمة التجارية أداء غير متسق عبر سياقات تشغيلية مختلفة (الشكل 1). دراجة التمارين Eco-Power G510 (الشكل 1A) تحقق كفاءة معقولة لكنها تعاني من تقلبات في الخرج تحت الأحمال المتغيرة7. محطة عمل WeBike (الشكل 1B) توفر إخراجا مستقرا مناسبا فقط للإلكترونيات منخفضة الطاقة8. حاول نظام ReRev ReRerev (الشكل 1C) التكامل المعياري لكنه حقق كفاءة تحويل غير مثالية9. تكشف النماذج الأولية الأكاديمية عن أوجه قصور مماثلة: الدراجة المتجددة منخفضة التكلفة (الشكل 1D) تولد إنتاجا مستقرا أدنى10، بينما تلبي الأنظمة الجماعية القائمة على الصالات الرياضية (الشكل 1E) فقط طلبات طاقة هامشية في المنشأة رغم تعدد مدخلات المستخدم 11. بلاط الأرضية الكهربائي المتقدم (الشكل 1F) لا يزال غير عملي للنشر على نطاق واسع12. وجدت دراسة في جامعة كاليفورنيا بيركلي أن مصفوفات الآلات الإهليلجية الواسعة ستولد أقل من 1٪ من احتياجات الطاقة في المنشأة رغم وجود آلاف المستخدمين اليوميين13. تنبع هذه النتائج المخيبة من أوجه القصور الأساسية: غياب التحسين التكيفي، وعدم مراعاة التباين الفسيولوجي البشري، ونقص التكيف في الوقت الحقيقي لمستويات راحة المستخدم. ثلاث فجوات حرجة لا تزال غير معالجة: (1) لا توجد أنظمة HPEG سابقة تدمج قياس عدم اليقين في التحكم في الوقت الحقيقي 7,8,9,10,11، (2) علاقات الكفاءة عبر مراحل التمرين (الإحماء، الحالة المستقرة، التعب) لم ترسم بشكل منهجي 10,13، و(3) تغيب الأطر متعددة الأهداف التي تحسن توليد الطاقة والاستقرار وراحة المستخدم في الوقت نفسه. يعالج هذا العمل هذه الفجوات من خلال تنفيذ تحكم احتمالي قائم على GPR مع توصيف أداء خاص بالطور عبر 16 تكوينا، وبنية تحسين متعددة الأهداف توازن بين القيود التشغيلية المتنافسة.

figure-introduction-1
الشكل 1: تطبيقات HPEG الحالية في الأنظمة التجارية والأكاديمية. (أ) دراجة إيكو-بور G510 التجارية. (ب) محطة عمل WeBike للإلكترونيات منخفضة الطاقة. (ج) نظام إعادة التحديث ReRev للمعدات القياسية. (د) نموذج أولي لدراجة أكاديمية متجددة منخفضة التكلفة. (ه) نظام جمع الطاقة الجماعي القائم على الصالات الرياضية. (و) مفهوم بلاط الأرضية الثلاثي الكهربائي المتقدم 7,8,9,10,11,12. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

التحدي الأساسي في تحسين أنظمة HPEG يكمن في الخصائص الفريدة لبيانات الطاقة التي يولدها الإنسان. على عكس المصادر المتجددة التقليدية ذات الأنماط المتوقعة14، تظهر البيانات البيوميكانيكية البشرية تغيرا عاليا بين الأفراد، وسلوكا غير ثابت عبر مراحل التمرين، وعلاقات غير خطية معقدة بين الجهد والناتج15. تفشل أساليب التحكم التقليدية في التقاط هذه الديناميكيات، بينما لا تستطيع طرق التحسين الحتمية استيعاب عدم اليقين الكامن في أداء الإنسان16. يتطلب هيكل البيانات الزمني - الذي ينتقل عبر مراحل الإحماء، الحالة المستقرة، الشدة العالية، والإرهاق - نماذج قادرة على التقاط الأنماط المحلية والعلاقات العالمية معا. علاوة على ذلك، فإن الطبيعة متعددة الأهداف للمشكلة، التي توازن بين توليد الطاقة وراحة المستخدم وسلامتها، تتطلب أساليب نمذجة متطورة يمكنها التعامل مع القيود المتنافسة مع توفير رؤى قابلة للتفسير للتحكم في الوقت الحقيقي.

تقدم التطورات الحديثة في التعلم الآلي الاحتمالي إمكانات تحويلية لأنظمة معقدة غنية بعدم اليقين. من بين المنهجيات المتاحة، يظهر GPR مزايا قابلة للقياس لتحسين الميكانيكا الحيوية. لا يمكن لمتحكمي PID الحتمية التكيف مع التباين بين الأفراد17، وبينما أظهرت طرق مثل XGBoost وعدا في معالجة الإشارات الفسيولوجية، مثل تقدير ضغط الدم18. تتطلب الشبكات العصبية بيانات تدريب أكثر بعشرة أضعاف دون قياس كمية غير واضح، وتحسينات بايزي القياسية تواجه صعوبات مع مناظر أداء الإنسان متعددة الوسائط19. تعالج GPR متطلبات HPEG من خلال ثلاث خصائص مطابقة: (1) تمكن النماذج السابقة البايزية من التقارب مع n=112 تجربة - حرجة عندما تكون التجارب البشرية محدودة الموارد؛ (2) تلتقط نوى ARD ديناميكيات الكفاءة غير الثابتة عبر مراحل التمرين (الإحماء: 45٪-65٪، الحالة المستقرة: 75٪-95٪) مع قياس أهمية المعلمات (l voltage = 8.3vslحمل = 15.2 يكشف أن الجهد يساهم ب 1.8 ضعف أكثر); (3) عدم اليقين الخلفي σ² يؤدي إلى تقليل الحمل الواعي بالسلامة عند تجاوز 20٪ من μ التنبؤ، مما يمنع الإجهاد الفسيولوجي أثناء عدم اليقين في النموذج19,20.

تعالج هذه الأبحاث القيود القائمة من خلال نهج قائم على البيانات يدرك ويستفيد من الخصائص الفريدة للتوليد بالطاقة البشرية. مماثل لكيفية تحسين الخوارزميات في تحسين كفاءة الطاقة في تقسيم الشبكات اللاسلكية20، يطبق هذا الإطار التحسين التكيفي لتقليل فقدان الطاقة في التحويل البيوميكانيكي. أولا، يتم تنفيذ التحسين التكيفي، مع التعلم المستمر من بيانات البيوميكانيكية عالية التغيران لتطوير ملفات توليد شخصية تحترم القيود الفسيولوجية الفردية. على عكس الأنظمة الثابتة الموضحة في الشكل 1، يتكيف النهج ديناميكيا مع الطبيعة غير الثابتة لأنماط التمارين البشرية. ثانيا، يتم تطوير إطار متعدد الأهداف يأخذ في الاعتبار في الوقت نفسه المطالب المتنافسة لتوليد الطاقة، وراحة المستخدم، واستدامة الممارسة - وهو توازن لم يتحقق حاليا من خلال التطبيقات التجارية والأكاديمية. ثالثا، يظهر كيف يمكن للنمذجة الذكية للتفاعلات بين الإنسان والآلة أن تحول HPEG من مصدر طاقة هامشي إلى حل توظيف قابل للتطبيق للعمال الذين تم تهجيرهم بسبب الأتمتة، خاصة في المناطق التي تراجع فيها التصنيع التقليدي. ينطبق الإطار على مرافق اللياقة البدنية تحت الإشراف ذات الظروف المحكومة (20-22 درجة مئوية). تشمل القيود الرئيسية: حدود الجلسة من 35 إلى 40 دقيقة قبل التعب، المشاركون الذين تتراوح أعمارهم بين 18 و65 عاما مع لياقة أساسية (أقصى سرعة لياقة صوتية >25 مل/كجم/دقيقة)، 10-70 واط لشحن البطارية، و15-20 دقيقة معايرة لكل مستخدم. تتطلب الجدوى الاقتصادية تسعير الكهرباء ≥$0.18/kWh21.

هذه القدرات التقنية تترجم إلى متطلبات نشر. يحافظ قياس عدم اليقين على سلامة المستخدم من خلال تقليل الطلبات عندما تصبح التوقعات غير موثوقة، مما يعالج مخاوف المسؤولية في الأنظمة التجارية. كفاءة العينة تتيح معايرة لمدة 20 دقيقة دون الحاجة لفريق البحث. التحسين متعدد الأهداف يحافظ على تفاعل المستخدمين خلال جلسات متكررة - وهو أمر ضروري للجدوى الاقتصادية التي فشلت التنفيذات السابقة في تحقيقها.

تتجاوز أهمية هذا العمل الابتكار التقني لتلبية الاحتياجات المجتمعية الملحة. ارتفاع البطالة في المهن المعرضة للتكنولوجيا يتطلب مسارات عمل بديلة. توفر أنظمة HPEG فرص عمل متاحة تتطلب تدريبا تقنيا محدودا، مما يجعلها مناسبة للعمال الذين تم إزاحهم من المهام الإدراكية الروتينية. بينما يكون الإنتاج الفردي متواضعا (10-70 واط)، يمكن للأنظمة المجمعة في مرافق اللياقة أن تعوض تكاليف الطاقة مع توفير فرص عمل 3,22. علاوة على ذلك، تساهم هذه الأنظمة في توسع الطاقة المتجددة، حيث ساهمت المصادر غير الأحفورية بنسبة 39.7٪ من الكهرباء العالمية في عام2024. من خلال تطوير طرق تحسين مصممة خصيصا لبيانات الإنسان الميكانيكية الحيوية، يؤسس هذا البحث أساسا لنشر أنظمة الطاقة البشرية القابل للتوسع القابل للتوسع في الاستخدام. يتناول الإطار الأهداف البيئية والاجتماعية والاقتصادية من خلال دمج توليد الطاقة المتجددة مع مسارات التوظيف.

يدفع هذا العمل تقنية HPEG عبر ثلاث قدرات GPR: (1) التباين الخلفي يتحفز تعديل الحمل عندما يتجاوز عدم اليقين 20٪ من متوسط التنبؤ، مما يمنع انخفاض الكفاءة أثناء انتقالات التعب؛ (2) تقارب النماذج مع n=112 تجربة (7 مشاركين × 16 تكوين) يتيح معايرة لمدة 15-20 دقيقة لكل مستخدم؛ (3) تحدد مقاييس طول نواة ARD أهمية المعاملات (l voltage = 8.3،l load = 15.2)، مما يكشف أن الجهد يساهم بنسبة 1.8 مرة أكثر في الكفاءة مقارنة باختيار الحمل. تقلل هذه التغيرات التشغيلية من 25٪-35٪ إلى <15٪ معامل التباين (CoV) مع الحفاظ على معدل ضربات القلب <75٪ كحد أقصى.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تضمنت هذه الدراسة اختبارات تمارين غير جراحية باستخدام دراجة ثابتة ولم تشكل خطرا أكثر من ضئيلة على المشاركين. كان جميع المشاركين من المتطوعين البالغين الأصحاء الذين قدموا موافقة شفهية مستنيرة بعد تلقي معلومات مفصلة حول الإجراءات التجريبية، وحقهم في الانسحاب في أي وقت، وسرية البيانات. اتبعت الإجراءات المبادئ الأخلاقية لإعلان هلسنكي للأبحاث التي تشمل البشر.

1. جمعية HPEG

  1. تجميع الهيكل الميكانيكي
    ملاحظة: يجب إجراء جميع التعديلات الميكانيكية في مكان عمل جيد التهوية مع معدات السلامة المناسبة، بما في ذلك نظارات السلامة وقفازات العمل. أظهرت التطورات الحديثة في أنظمة حصاد الطاقة التي تعمل بالطاقة البشرية تحسينات في الكفاءة من خلال تحسين الاقتران الميكانيكي24,25. يوضح مخطط تأثير التركيب للجزء الميكانيكي في الشكل 2.
    1. ضع إطار دراجة التمارين على طاولة عمل مستقرة وتثبيتها باستخدام أربعة مشابك C عند نقاط التثبيت الأساسية. تحقق من مستوى الإطار باستخدام مستوى روح رقمي عبر المحورين الطولي والعرضي. يؤثر محاذاة الإطار بشكل مباشر على كفاءة نقل الطاقة، حيث يقلل الانحراف في المحاذاة >2° من كفاءة النظام الكلية بنسبة 8٪-12٪26.
    2. قم بإزالة مجموعة عجلة مقاومة الاحتكاك الحالية عن طريق فصل كابل ضبط المقاومة أولا (عزم تحرير التوتر: 2.5 ± 0.5 نيوتن·متر)، ثم إزالة البراغي السداسية الأربعة M8 × 25 مم باستخدام مفتاح مفتاح مقاس 13 مم. تخزين مكونات آلية المقاومة في حاويات معلمة لإجراء تعديلات محتملة مستقبلية.
    3. فك وحدة العجلة الخلفية بالكامل. حرر آلية السيخ السريع (بتطبيق قوة 15 ± 2 نيوتن) وأزل الإطار الهوائي والأنبوب الداخلي بعناية. استخدم مقابض الإطارات (طريقة الاتصال الثلاث نقاط الأدنى) لفصل الإطار عن الجنط دون إتلاف سطح جنط الألمنيوم. أظهرت دراسة حديثة أن تكوينات الجنط فقط تحقق تسارعا زاويا أعلى بنسبة 35٪-45٪ مقارنة بمجموعات العجلات الكاملة27.
    4. نظف الحافة المكشوفة جيدا باستخدام كحول الأيزوبروبيل (نقاء 99٪، معدل التطبيق: 50 مل/م²) لإزالة أي مطاط أو مركبات لاصقة متبقية. تؤثر جودة تحضير السطح على معامل الاحتكاك بنسبة تصل إلى 20٪. تعمل الحافة النظيفة كعنصر دفع أساسي مع انخفاض القصور الذاتي الدوراني (عزم تقليل القصور الذاتي: Iالنهائي = 0.55،I الأصلي ± 5٪).
    5. تصنيع حامل تثبيت المولد من صفيحة ألمنيوم 6061-T6 (السماكة: 8 ± 0.1 مم، خشونة السطح Ra < 1.6 ميكرومتر) وفقا للمواصفات. قم بتشغيل أربعة فتحات تثبيت (القطر: 8.5+0.05/-0 مم) باستخدام آلة CNC أو مكبس مثقاب مع رؤوس حفر متدرجة (معدل التغذية: 150 مم/دقيقة، سرعة المغزل: 1200 دورة في الدقيقة (RPM))، مع الحفاظ على محاذاة عمودية ضمن ±0.5°. تطبيق سائل القطع (اللزوجة: 22 سم عند 40 درجة مئوية) أثناء التشغيل لضمان جودة السطح. نقل تصميم الحامل إلى لوح الألمنيوم باستخدام قلم تحديد (marker)، وثبت اللوح على طاولة ضغط الحفر، وحفر فتحات التثبيت باستخدام رؤوس الحفر المتدرجة عند معدل التغذية وسرعة المغزل المحددين.
    6. احسب نسب النقل المثلى باستخدام العلاقات التالية لتحقيق سرعات مولد بين 1500 - 3000 دورة في الدقيقة عند مواعيد الدواسة النموذجية (60 - 90 دورة في الدقيقة) 28
      علاقة السرعة الزاوية: figure-protocol-1.
      قس نصف قطر ذراع الدواسة r₁ = 170 ± 5 مم باستخدام الكاليبر الرقمية (الدقة: 0.01 مم)
      قس نصف قطر جنوط العجلة الخلفية r₂ = 310 ± 10 مم (تكوين الجنط فقط).
      حدد نسب التروس: حلقة السلسلة الأمامية c₁ = 48 سنا، الترس الخلفي c₂ = 16 سنا (نسبة التروس = 3:1).
      نصف قطر بكرة المولد rg = 25 ± 0.5 مم لضرب السرعة المثلى (النسبة النهائية: 12.4:1).
      كفاءة نقل الطاقة ηميكانيكية = 0.92 ± 0.03 لنظام محاذي بشكل صحيح28.29.
    7. تركيب نظام القيادة الأساسية للسلسلة باستخدام سلسلة دراجة معززة بمقاس نصف بوصة × 1/8 بوصة (الحد الأدنى لقوة الشد: 920 كجم، حد الإطالة: 0.5٪). قم بتمرير السلسلة عبر آلية الناقل إذا كانت موجودة، مع الحفاظ على خط السلسلة الصحيح (انحراف < 3 مم عن خط المركز)، أو مباشرة بين حلقة السلسلة والترس لتكوين التروس الثابتة. تختلف كفاءة السلسلة حسب التوتر: ηالسلسلة = 0.98 عند الشد الأمثل، وتنخفض إلى 0.94 عند انحراف ±30٪29.
    8. ضبط شد السلسلة عن طريق إعادة وضع مجموعة العجلة الخلفية في الفواصل الأفقية (نطاق التعديل: 25 مم). انحراف سلسلة الهدف: 12 ± 2 مم عند منتصف الامتداد عند تطبيق قوة عمودية تبلغ 10 نيوتن. الشد المناسب يطيل عمر خدمة السلسلة ويحافظ على انتقال طاقة ثابت. قم بتثبيت موضع العجلة باستخدام آلية التحرير السريع التي تم عزمها إلى 5.5 ± 0.5 نيوتن·متر باستخدام مفتاح عزم دوران معاير.
    9. قم بتصنيع محول بكرة مخصص بحزام V من ألمنيوم 6061-T6 ليتصل بمحور العجلة الخلفية. تشمل المواصفات الحرجة:
      القطر الداخلي: مطابقة لأبعاد المحور (عادة 36 ± 0.1 مم مع تحمل h7)
      أخدود البكرة الخارجي: ملف حزام V (عرض علوي 13 مم، عمق 8 مم، زاوية أخدود 38°)
      تشطيب السطح: 0.8 ميكرومتر Ra على الأخاديد لأفضل قبضة للحزام
      التوازن الديناميكي إلى درجة G2.5 حسب ISO 1940-1 (عدم التوازن المتبقي < 2.5 ج·مم/كجم)
      عزم الكتلة للقصور الذاتي: < 0.015 كجم·م² لتقليل مقاومة التسارع
    10. تركيب مولد المغناطيس الدائم (المواصفات: 24 فولت/300 واط، تكوين 12 قطبا، مغناطيسات أرضية نادرة من درجة N42) على الحامل المصنع باستخدام أربعة براغي رأس مقاس M8 × 30 مم (الدرجة 12.9) مع غسالات زنبركية (ارتفاع حر: 5 مم، ضغط: 60٪). ضع خياطة خيط متوسطة القوة (عزم الانفصال: 11 نيوتن·متر) لمنع الارتخاء الناتج عن الاهتزاز. يجب أن تتجاوز صلابة تركيب المولد 1 × 10⁶ نيوتن/متر لمنع مشاكل الرنين30.
    11. قم بمحاذاة عمود المولد مع البكرة المثبتة على العجلة باستخدام أداة محاذاة بالليزر أو أداة استقامة دقيقة. أقصى انحراف مسموح به: 0.5° زاوية، 2 مم إزاحة متوازية. يزيد عدم المحاذاة من الأحمال الحامل بنسبة تصل إلى 50٪ ويقلل من عمر الحزام بنسبة 60٪. عند استخدام أداة محاذاة ليزر، قم بتركيب الجهاز على عمود المولد، وقم بتدوير 360° مع مراقبة موقع نقطة الليزر على بكرة العجلة، وضبط وضع المولد باستخدام فتحة التثبيت حتى تبقى حركة النقطة ضمن 2 مم طوال الدوران. لمحاذاة الحافة المستقيمة، ضع حافة مستقيمة دقيقة تمتد عبر كلتا البكرات واضبط حتى تقل الفجوة عن 2 مم في جميع نقاط القياس.
    12. تركيب الحزام الثانوي V (النوع A، الطول محسوب ك figure-protocol-2، حيث C = مسافة المركز، D = قطر البكرة الكبير، d = قطر البكرة الصغير) بين بكرة العجلة وبكرة المولد. شد الحزام باستخدام ضبط فتحة تثبيت المولد لتحقيق استطالة تتراوح بين 1.0٪-1.5٪ (طريقة قوة الانحراف: قوة 16 نيوتن تنتج انحرافا بمقدار 4 مم عند منتصف الحزام الفاصل)، وهو ما يعادل تقريبا قوة شد تبلغ 350 ± 50 نيوتن لأحزمة النوع A. عتبة انزلاق الحزام تحدث عند <250 نيوتن.

figure-protocol-3
الشكل 2: إعداد مولد دراجة بمحرك جنطي. يظهر الإعداد جهاز التدريب بدون احتكاك، وحساس سرعة تأثير هول، وناقل حركة بحزام V، وتكامل مقياس الضغط. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

  1. تجميع الدوائر الإلكترونية وتكامل النظام
    1. نظام التقويم والترشيح: بناء المقوم الكامل ثلاثي الطور على لوحة دوائر مطبوعة مزدوجة الوجه (70 ميكرومتر نحاس، التوصيل الحراري: 401 واط/م· كلفن) باستخدام ستة ثنائيات استرداد فائقة السرعة (VRRM ≥ 200 V,I F(AV) ≥ 30A,trr < 35 نانوثانية). يتم تركيبه على مشتت حرارة من الألمنيوم مع مادة واجهة حرارية (λ>5 واط/م·كلفون)31. تصنيع مرشح LC باستخدام ملف حث مخصص (28± 1 دورة، 14 AWG على نواة غبار Sen: OD=47 مم، ID=24 مم، L=100 ميكروH ± 5٪ Q>50) وبنك المكثفات (4 × 1100 ميكروفاراد / 100 فولت، ESR <7 مللي أوم إجمالي، تيار تموجي > 20.8 أمبير RMS). التوصيل باستخدام سلك بولي تترا فلورو إيثيلين 12 AWG، مع الحفاظ على Rإجمالي < 10 مللي أوم. لحام الصمامات الستة على لوحة الدوائر المطبوعة ذات الجانبين في تكوين الجسر، وتطبيق المركب الحراري بين ألسنة والمشتت الحراري الألمنيوم، وتثبيته باستخدام مثبتات مناسبة. لف المحث عن طريق لف 28 دورة من السلك حول النواة الحلقية، مع الحفاظ على تباعد متساو، ثم توصيل المكثفات بشكل متوازي باستخدام أطوال أسلاك قصيرة لتقليل المقاومة المتسلسلة المكافئة.
    2. قمع التداخل الكهرومغناطيسي والامتثال: خنق وضع الرياح المشترك على النواة البلورية النانوية (μi>80,000، Bs>1.2 T) مع تقنية ثنائية الميل تحقق L_CM=15 ± 2 mH، k>0.99، CMRR>40 ديسيبل (150 كيلوهرتز-30 ميجاهرتز). تركيب مكثفات السلامة حسب IEC 60384-14: مكثفات X (2 × 0.47 ميكروفاراد / 310 تيار متردد MKP)، مكثفات Y (2 × 4.7 نانوفاراد / 300 تيار تيار متردد C0G)، مع مقاومات تفريغ 1 MΩ (τ=0.47 ثانية). حافظ على التسرب >6 مم، والمساحة >5.5 مم لبيئة التلوث من الدرجة الثانية.
    3. تنفيذ وحدة تحكم تتبع نقاط الطاقة القصوى (MPPT): STM32F334C8T6 البرنامج باستخدام خوارزمية MPPT التكيفية. تظهر وحدات التحكم الحديثة في MPPT كفاءة تتبع تتراوح بين 93٪ إلى 97٪ في ظروف التشغيل النموذجية، مع تحقيق تطبيقات متقدمة تصل إلى 99٪ في البيئات المختبرية32. خصائص الخوارزمية: اضطراب تكيفي (ΔV = α × |dP/dV|، α∈ [0.005,0.025])، فترة الملاحظة المتغيرة (Tobs = β/|( d2P) / (dV2 )|، β∈ [10 مللي ثانية، 100 مللي ثانية])، تسلق التلال مع أقصى كشف محلي، مرشح متوسط متحرك من 8 عينات (fc = 10 هرتز). تنفيذ قياس دقيق بقيمة 16 بت باستخدام مقسم مقاومة 0.1٪ (100 كيلو أوم/10 كيلو أوم، TC<25 جزء في المليون / °C) وحساس هول مع تكييف الإشارة. برمج المتحكم الدقيق عن طريق توصيله بالحاسوب عبر مبرمج قياسي، وتجميع كود خوارزمية MPPT، وتثبيت البرنامج الثابت. قم بتكوين قنوات ADC لاستشعار الجهد والتيار مع الدقة المحددة ووقت أخذ العينة، ثم ضبط مخرج مؤقت عرض النبضة (PWM) لتحقيق تردد التحويل المستهدف.
    4. تحويل الطاقة والتحكم: قم بتكوين محول تيار مستمر-تيار مستمر مع PWM عند 31.25 كيلوهرتز ± 0.1٪ (مستقر بالبلورات)، وقت ميت≥ 500 نانوثانية، التشغيل الناعم = 100 مللي ثانية، دورة العمل≤ 95٪، حد التيار = 125٪ مصنف مع وضع التقطيع. الكفاءة المستهدفة >92٪ عند حمل 50٪-100٪. إنشاء اتصال Modbus RTU (115200 بود، 8N1) لمراقبة الجهد (±0.1 فولت)، التيار (±0.1 أمبير)، القدرة (±1 واط)، الكفاءة (±1٪)، درجة الحرارة (±1 درجة مئوية) عند معدل أخذ عينات 10 هرتز مع المخزن الدائري (3600 عينة) والتحقق من CRC-1633.
    5. هيكل النظام والحماية: تركيب الإلكترونيات في حاوية IP54 (400 × 300 × 200 مم) مع تهوية مفلترة (مدخل: 100 سم²، المخرج: 120 سم²). تنفيذ حماية شاملة: TVS، قاطع إلكتروني (20 أمبير ±2٪، <استجابة 10 ميكروثانية، I²t=50 أمبير ثانية)، مراقبة حرارية، حماية القطبية العكسية. الأسلاك وفقا لمعايير IEC 60446 باستخدام مواصفات الخصرات والعزم المناسب (M4:1.2 نيوتن·متر، M6:3.0 نيوتن·متر، M8:6.0 نيوتن·متر).
      ملاحظة: مخطط الدائرة باستخدام الاستراتيجية أعلاه موضح في الشكل 3.
    6. التحقق من السلامة والتشغيل: تنفيذ فحوصات السلامة IEC 61010-1: مقاومة العزل >10 ميغاأوم عند 500 فولت تيار مستمر/60 ثانية، استمرارية الأرض <0.1 Ω عند 10 أمبير، عازل يتحمل 2500 فولت متروط/60 ثانية (<5 مللي أمبير)، توقف قاطع دائرة عطل التأريض <30 مللي ثانية عند 30 مللي أمبير. قم بالتهيئة باستخدام مزود الطاولة (24 فولت متردد، حد 5 أمبير) للتحقق من التموج <5٪ pp عند حمل 75 واط. التحقق من أداء MPPT: >97٪ كفاءة تتبع، تقارب <2 ثانية لخطوة 20٪، <1٪ تذبذب الحالة المستقرة. دوائر الحماية التي تحتوي على أعطال مضبوطة تؤكد عتبات الاستجابة الصحيحة. لاختبار مقاومة العزل، افصل جميع الأحمال، وطبق جهد الاختبار بين الأطراف الحية والأرضي باستخدام مقياس ميغا-أوم لمدة محددة، وتحقق من تجاوز القراءة الحد الأدنى. لقياس استمرارية الأرض، قم بتوصيل أومميتر منخفض المقاومة بين الطرف الأرضي والأجزاء المعدنية المكشوفة، وتطبيق تيار الاختبار، وتأكد من بقاء المقاومة أقل من القيمة القصوى المحددة.
    7. التشغيل الميكانيكي والخط الأساسي: إجراء اختبارات ميكانيكية متدرجة: المرحلة 1 - 30 دورة في الدقيقة/10 دقائق بدون تحميل (ΔT<10 °C، اهتزاز<0.5 م/ث²، ضوضاء<60 ديسيبل عند 1 متر); المرحلة الثانية - 60 دورة في الدقيقة/حمل 25 واط (تغير العزم<±5٪، منحنى قوة قياسي بين 20-90 دورة في الدقيقة)؛ المرحلة 3 - 75 دورة في الدقيقة/150 واط/30 دقيقة تحميل كامل (تثبيت درجة الحرارة ΔT<1 °C/5 دقائق). أهداف كفاءة الوثائق: >75٪ عند حمل 25٪، >85٪ عند 50٪ حمل، >88٪ عند الحمل الكامل.
    8. المعايرة ورسم خرائط الأداء: المعايرة باستخدام Fluke 8845A (دقة 0.0035٪) عند نقاط الجهد (0 فولت، 12 فولت، 24 فولت، 36 فولت، 48 فولت، 60 فولت ± 0.01 فولت) ونقاط التيار (0 أمبير، 1 أمبير، 2 أمبير، 5 أمبير، 10 أمبير، 15 أمبير، 20 أمبير ± 0.01 أمبير). برمج الحمل الإلكتروني (200 واط مستمر) لاختبار شامل عبر 25 نقطة اختبار (5 فولت × 5 I مصفوفة). تخزن معاملات المعايرة في ذاكرة قابلة للمسح كهربائيا للقراءة فقط، تنفذ Vمصحح = كسب × Vمقاس + إزاحة مع ±0.5٪ خطأ قصوى. قم بتوصيل جهاز القياس المتعدد الدقيق بالتوازي مع نقاط قياس النظام، وتطبيق سلسلة من الفولتية المرجعية والتيارات المعروفة من مصادر معايرة، وتسجيل القيم المرجعية والمقاسة لكل نقطة اختبار، ثم حساب معاملات التصحيح الخطية وتخزينها في ذاكرة المتحكم الدقيق لتحقيق دقة القياس المستهدفة.
    9. توثيق أداء النظام: توليد خرائط كفاءة (0-150 واط، دقة 5 واط) لتحديد نقطة الكفاءة القصوى (عادة مصنفة بين 70٪-80٪). تحقق من ديناميكية MPPT: 10٪ خطوة <0.5 ثانية، 50٪ خطوة <2 ثانية، 100٪ رفض حمل <3 ثانية بدون جهد زائد. تأكد من >97٪ تتبع الحالة المستقرة عبر 15-40 درجة مئوية، و30٪-85٪ رطوبة نسبية للعمل. التوازن الحراري القياسي: مشتت حرارة < 80 درجة مئوية، المكثفات < 85 درجة مئوية، المغناطيسية < 110 درجة مئوية مع -2.5 واط/°م تخفيض فوق 40 درجة مئوية (حرارة τ ≈ 15 دقيقة إلى 95٪ في النهاية النهائية).
    10. التكامل النهائي والتحقق: تكامل كامل للنظام، لضمان عمل جميع الأنظمة الفرعية ضمن المواصفات. قم بإجراء اختبار تشغيل مستمر لمدة 4 ساعات عند القدرة المقدرة، مع مراقبة جميع المعايير. توثيق الأداء المقاس مقابل أهداف التصميم، وإنشاء دليل تشغيلي مع جدول صيانة. تنفيذ تسجيل البيانات لتتبع الأداء طويل الأمد وخوارزميات الصيانة التنبؤية بناء على نماذج تدهور المكونات.

figure-protocol-4
الشكل 3: النظام الإلكتروني. يتكون المخطط من مقوم ثلاثي الطور، ودائرة مرشح LC، ومتحكم MPPT، ومحول DC-DC. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

2. التصميم التجريبي

  1. استقطاب المشاركين وتقييم الأساس
    1. تجنيد 7 متطوعين أصحاء عبر قنوات مؤسسية (5 ذكور، 2 أنثى، أعمارهم 22-30 سنة، مؤشر كتلة الجسم 22.8 ± 2.1 كجم/م²).
    2. افحص المشاركين باستخدام استبيان جاهزية النشاط البدني. لضمان السلامة، استبعد الأشخاص الذين يعانون من أمراض قلبية وعائية أو أي موانع معروفة للتمارين متوسطة الشدة. بالإضافة إلى ذلك، استبعد المشاركين الذين تعرضوا لإصابات عضلية هيكلية خلال الأشهر الستة السابقة.
    3. قم بإجراء تقييم اللياقة الأساسية باستخدام بروتوكول مقياس الإرغومتر للدورة دون الحد الأقصى من YMCA. قسم مناطق معدل ضربات القلب المستهدف إلى ثلاثة مستويات شدة: منخفضة (40٪ - 55٪ معدل ضرباتقلب قصوى)، متوسطة (55٪ - 70٪ معدل ضرباتقلب قصوى)، وعالية (70٪ - 85٪ معدل ضرباتقلب قصوى).
    4. أجر جلسة تعريف لمدة 20 دقيقة لكل مشارك. قبل جمع البيانات، قم بتعليم المشاركين وضعية ركوب الدراجات الصحيحة وقدم عرضا لأفضل تقنية للدراجة. قم بضبط المعدات لكل فرد لضمان اتساق الميكانيكا الحيوية عبر جميع التجارب.
  2. البروتوكول التجريبي
    1. صمم تجربة عاملية بحجم 4 × 4 تختبر أربعة تكوينات لحزمة البطاريات (12 فولت، 24 فولت، 36 فولت، 48 فولت) مقابل أربع ظروف حمل كهربائية (10 واط، 30 واط، 50 واط، 70 واط)، مع تحقيق 16 حالة تجريبية لكل مشارك (n = 112 تجربة إجمالية).
    2. قم بتوزيع التجارب عشوائيا باستخدام تصميم مربع لاتيني متوازن مع فترات استعادة لا تقل عن 48 ساعة بين الجلسات وتوحيد الظروف البيئية عند 20 - 22 درجة مئوية ورطوبة نسبية بين 40٪ - 50٪.
    3. نفذ كل تجربة تجريبية باتباع هذا التسلسل المنظم: قسم الجلسة التجريبية إلى خمس مراحل مميزة: تقييم أساسي (5 دقائق)، زيادة الإحماء إلى 50 دورة في الدقيقة (5 دقائق)، وفترة جمع بيانات رئيسية تتضمن دورة مستمرة عند شدة الهدف (20 دقيقة). بعد المرحلة النشطة، تأكد من أن المشاركين يخضعون لتهدئة التباطؤ التدريجي لمدة 5 دقائق. وأخيرا، قم بإجراء تقييم بعد التمرين لمدة 5 دقائق باستخدام تصنيف بورغ لمقياس الجهد المدرك.
    4. ثبت ناقل الحركة في الدراجة عند الترس الأمامي 2 والترس الخلفي 9 (نسبة التروس 0.222) بطول ذراع دواسة 174 مم للحفاظ على ميزة ميكانيكية ثابتة في جميع التجارب.
  3. نظام الأجهزة وجمع البيانات
    1. دمج نظام جمع بيانات متعدد الطبقات يتكون من طبقات المستشعر، والاتصالات، والمعالجة، والتطبيقات التي تعمل بالتوازي لتحقيق مراقبة لحظية بمعدل أخذ عينات 2 هرتز (الشكل 4).
    2. قم بتكوين طبقة المستشعر بثلاث قنوات قياس مستقلة: للمراقبة الميكانيكية، قم بتركيب حساس تأثير هول (1000 هرتز، ± 0.1 دورة في الدقيقة) على الحافة الخلفية وخلايا تحميل مقياس الإجهاد (500 نيوتن، 0.1٪ ضغط مستمر) على كلا الدواسات. يقوم بتسجيل بيانات الكهرباء في النظام باستخدام محلل طاقة متعدد القنوات، حيث يقرأ ستة معلمات عبر 10 سجلات مودباص. بالنسبة للمتغيرات الأساسية، سجل سرعات الدواسة s (دورة في الدقيقة، النطاق من 0 إلى 200)، قوة الدواسة p (شمال، النطاق من 0-500، مجمعة من كلا الدواسات عبر خلايا تحميل مقياس الإجهاد)، جهد البطارية v (V، مستويات منفصلة: 12/24/36/48)، والحمل الكهربائي l (W، مستويات منفصلة: 10/30/50/70). استخلص الكفاءة η = Pكهربائي /Pبشري × 100٪
      حيث Pالإنسان = F·r·ω (F في N، r = 0.174 م، ω بالراديادرال/ثانية). تطبيق المعالجة المسبقة مع تطبيع أدنى أقصى ل s و p باستخدام النسبة المئوية العشرين-الثمانين، والترميز المتقطع (0، 0.33، 0.67، 1.0) لل v و l، واكتشاف القيم الشاذة في IQR (Q1 ± 1.5 × حدود IQR). يحسب الميزات الزمنية (μs، μp، σs، σp) عبر نوافذ منزلقة مكونة من 10 عينات.
      ملاحظة: المتغير p يمثل إجمالي قوة الدواسة (N) المقاسة مباشرة بواسطة مقاييس الإجهاد، وليس الضغط. بينما يستخدم ضغط الدواسات بشكل غير رسمي في سياقات ركوب الدراجات، تشير جميع القياسات والتحليلات في هذه الدراسة إلى القوة بالنيترين.
    3. تنفيذ طبقة الاتصال ذات البنية الثنائية البروتوكول وقدرة التجاوز التلقائي التلقائي (الشكل 4): كان الاتصال يعتمد على واجهة RTU من Modbus عبر RS-485 التي تتحول افتراضيا إلى Modbus TCP في حال حدوث عطل تسلسلي. في بروتوكول بدء التشغيل، يجب تضمين معايرة نقطة صفرية مراقبة من قبل واجهة المستخدم الرسومية (GUI) لحساسات القوة بناء على متوسط من 10 عينات.
    4. تطوير طبقة المعالجة باستخدام لغة برمجة مفسرة مع إطار واجهة المستخدم الرسومية لإجراء جمع بيانات متزامن كل 500 مللي ثانية (الشكل 4 خط أنابيب المعالجة المركزي). حساب خرج الطاقة البشرية في الوقت الحقيقي (Pبشري) باستخدام المعادلة
      Pالإنسان = F⋅r⋅،
      حيث يثبت القطر عند 0.174 متر. تحديد نمط تشغيل النظام من خلال تقييم قطبية الجيل الحالي - موجبة للتوليد وسالبة لإمداد البطارية - والتي تحدد لاحقا صيغة حساب الطاقة الكلية المحددة. لضمان استقرار البيانات، قم بتطبيق نافذة منزلقة مكونة من 100 عينة لحساب الإحصائيات المتحركة (المتوسط، الأقصى، الأدنى) عبر جميع المعلمات.

figure-protocol-5
الشكل 4: سير عمل جمع البيانات اللحظي المكون من أربع طبقات. يوضح سير العمل التشغيل المتوازي لطبقات المستشعر، والاتصالات، والمعالجة، والتطبيقات. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

  1. مراقبة الجودة والتحقق من صحتها
    1. تنفيذ بنية التحقق متعددة المستويات: لضمان سلامة البيانات، قم بتحديد القيم الشاذة تلقائيا باستخدام طريقة النطاق الرباعي (IQR) مع حدود (Q1/3 ± 1.5 × IQR). إدارة استقرار الاتصال باستخدام تسلسل إعادة المحاولة المكون من ثلاث محاولات يتم تحفيزه بسبب أخطاء قبل أي تحويل للبروتوكول، بينما تم إعادة بناء فجوات البيانات القصيرة باستخدام الاستيفاء الخطي.
    2. قم بتكوين طبقة التطبيق بتصور شامل: استخدم واجهة رسومية مكونة من أربع لوحات للتصورات الفورية مع مؤشرات حالة ملونة، إلى جانب قسم مقاييس الأداء لتقييم استقرار العينة وجودة البيانات. افحص البيانات التاريخية من خلال ثلاثة أنماط جدولية مميزة: كل البيانات، تركيز القوة، وتركيز الأداء.
    3. تكوين تسجيل البيانات المستمر لملفات CSV المميزة زمنيا: الملفات المخرجة ملتزمة بالاتفاقية [Experimenter][Battery][Load]Gear[Ratio][Timestamp].csv وتتكون من 15 معلمة متزامنة. لضمان الدقة الزمنية، قم بتطبيق نظام التحكم الدقيق في التوقيت مع آلية تصحيح الانحراف التي يتم تفعيلها كل 200 دورة.
    4. تنفيذ ميزات السلامة لإنهاء الجلسة تلقائيا: تم تحديد معايير إنهاء التجربة بثلاثة حدود مميزة: عتبة فسيولوجية تبلغ 95٪ معدل ضربات قلب متوقع للعمركحد أقصى، حد حمل ميكانيكي 500 نيوتن، وحماية استقرار النظام ناتجة عن خمسة أعطال متتالية في الاتصال.
    5. تحقق من أداء النظام: تحقيق اكتمال بيانات يزيد عن 98٪ عبر جميع التجارب مع متوسط زمن استجابة 8.3 ± 2.1 مللي ثانية بين قراءة المستشعر وتحديث العرض، مما يتيح تغذية راجعة في الوقت الحقيقي للحفاظ على معلمات التمارين المستهدفة طوال كل جلسة تجريبية.

3. منهجية اختيار النماذج وتحسينها

  1. إطار اختيار النموذج
    1. اختر ثلاث خوارزميات تعلم آلي لها أسس نظرية مميزة للتحليل المقارن: الأساليب المختارة للنمذجة هنا هي النماذج الإضافية المعممة (GAM) لتفسيرها الاستثنائي عبر التحليل الجمعي34؛ انحدار العملية الغاوسية (GPR) لقدرته البايزية على قياس عدم اليقين الضروري للعمليات في الوقت الحقيقي35,36; وتعزيز المربعات الصغرى (LSBoost)36.
      ملاحظة: أظهرت مجموعات المعززة، بما في ذلك XGBoost، مؤخرا دقة تنبؤية عالية وكفاءة حسابية عالية في مهام التنبؤ المتنوعة37، مما يجعلها أساسا قويا للمقارنة. تم اختيار الأخير خصيصا لضمان المتانة ضد القيم الشاذة مع نمذجة تفاعلات المتغيرات المعقدة بفعالية.
    2. نفذ بروتوكول اختيار النموذج كما هو موضح في الملف التكميلي 1. بعد معالجة البيانات المسبقة (اكتشاف المؤشرات الشاذة في IQR وتطبيع الحد الأقصى)، قيم النماذج باستخدام تقنية التحقق المتقاطع ذات الخمسة أضعاف. أعط الأولوية لاختيار النموذج النهائي بناء على معامل التحديد لتعظيم الدقة التنبؤية.
  2. تنفيذ الخوارزمية
    1. صياغة مشكلة التحسين كبحث مقيد ضمن فضاء المعلمات رباعي الأبعاد: سرعة الدواسة s، الضغط p، الجهد v، والحمل l.
    2. حدد نطاقات تشغيلية فسيولوجية مستدامة. ربط مساحة البحث بالنسبة المئوية العشرين والثمانين من المعلمات المرصودة المحسوبة من إجمالي مجموعة المشاركين. خدم هذا القيد في تقييد التحسين إلى مجال من شدة التمارين المريحة، متجنبا المؤشرات الشاذة.
    3. تنفيذ استراتيجية البحث التكيفية الهرمية الشبكية. تقييم الكفاءة المتوقعة عبر نموذج GPR المدرب عبر شبكة موحدة 20 × 20 في فضاء السرعة والضغط المصحح ([s, p] ∈ [0, 1]²). تم دمج تغييرات بارامترية منفصلة للجهد (12، 24، 36، 48 فولت) والحمل (10، 30، 50، 70 واط) في التقييم لرسم مشهد الأداء بشكل شامل.
    4. قم بتحسين محلي في المناطق الواعدة للولادة. تم استخراج المثلى المحلية للموضوع من البحث الأولي إلى عملية تحسين حيث تم تركيز شبكة 5 × 5 على كل مرشح. إعادة تقييم توقعات الكفاءة ضمن هذه المجالات المحلية عالية الدقة.
    5. تطبيق معايير تحسين تجمع بين الكفاءة المتوقعة وعدم اليقين في النموذج. تحديد المرشحين الأمثل عن طريق تصفية قيم الكفاءة التي تزيد عن 80٪ من الحد الأقصى، مع التخلي في الوقت نفسه عن المناطق عالية عدم اليقين التي تعرف بانحراف معياري لاحق يزيد عن 20٪ من متوسط التنبؤ (عتبة عدم اليقين من تحليل بيانات التحقق).
    6. تكوين الإخراج الأمثل لكل تركيبة بطارية-حمل مع فواصل كفاءة وثقة متوقعة مقابلة.
  3. تقييم النماذج وتحليل النتائج
    1. قم بإجراء التحقق المتقاطع الطبقي الخماسي (5 أضعاف). لتقييم تعميم النموذج، قسم مجموعة البيانات إلى خمسة أقسام باستخدام تجميع على مستوى المشاركين (جميع التجارب من كل مشارك مخصصة لنفس الطبقة) لمنع تسرب البيانات داخل الموضوع. في كل تكرار، درب نموذج GPR على أربع طيات وتحقق من صحة الطيات الخامسة، وهي عملية تتكرر عبر جميع تركيبات الطيات لضمان تقييم شامل.
    2. اختر ثلاثة مقاييس تقييم بناء على متطلبات تشغيل HPEG: R² (معامل التحديد، النطاق 0-1) يحدد نسبة تباين الكفاءة التي يفسرها النموذج؛ يقيس RMSE (جذر متوسط تربيع الخطأ، بالوحدات المئوية) دقة التنبؤ لتسامح التحكم حيث يحافظ <خطأ 12٪ على استقرار النظام؛ يوفر MAE (متوسط الخطأ المطلق، بالوحدات المئوية) تقديرا قويا للخطأ أقل حساسية للقيم الشاذة خلال مراحل التعب. تعالج هذه المقاييس الانحدار التنبؤ المستمر بالكفاءة دون مخاوف تتعلق بعدم توازن الطبقات. تؤثر الدقة مباشرة على عائد الطاقة (زيادة كفاءة بنسبة 1٪ ≈ 0.02 دولار لكل جلسة عند 0.18 دولار/كيلوواط ساعة) والسلامة (>خطأ 15٪ يسبب تقليل الحمل).
    3. حساب مقاييس الأداء لكل نموذج: تقييم الأداء بناء على معامل التحديد أعطى نتائج مميزة لكل نهج نمذجة38، 39، 40. أنتجت GAM معدل R² قدره 0.58439، بينما أظهر LSBoost دقة محسنة عند 0.657. أظهر نموذج GPR أقوى توافق بمعدل R² 0.681 (متوسط التحقق المتقاطع من 5 أضعاف)40.
    4. اختر GPR كنموذج مثالي بناء على أعلى قدرة على R² وقدرة قياس عدم اليقين.
    5. تحسين معايير GPR الفائقة من خلال تعظيم الاحتمالية الحدية. قم بتكوين نموذج GPR مع المعلمات الفائقة المثالية، وتحديدا مقياس طول σl = 15.2 وتباين إشارة σf = 0.8، لضمان التنعيم المناسب وتكبير السعة.
    6. إنشاء مشهد تحسين عبر جميع تكوينات تحميل البطارية ال16 (الشكل 5)، وتحليل النتائج الرئيسية من نتائج التحسين: أظهرت الكفاءة زيادة رتيبة مع جهد البطارية، حيث بلغت ذروتها عند تكوين 48 فولت وبلغت ذروتها عند تكوين 48 فولت مع REI = 168٪ (68٪ فوق خط الأساس 12 فولت، حيث تراوحت كفاءة التحويل المطلقة بين 45٪ و95٪ عبر المراحل)، مما يمثل تحسنا بنسبة 68٪ مقارنة بخط الأساس 12 فولت. من حيث التحسين الميكانيكي، تم تحديد أنظمة مميزة: ظروف الحمل المنخفض (10 واط) فضلت استراتيجيات الوتيرة العالية (150-180 دورة في الدقيقة، 50-70 نيوتن)، بينما الأحمال الأعلى (50 واط، 70 واط) استدعت التحول نحو السرعات المنخفضة (100-120 دورة في الدقيقة) مع زيادة ضغط الدواسة (100-150 نيوتن).
    7. قم بتحليل باريتو فرونتير لمقايضة الكفاءة والراحة. لتقييم المقايضة بين أداء النظام وتجربة المستخدم، قم بربط الكفاءة بنتائج الراحة عبر جميع التكوينات التجريبية. كشف التحليل عن علاقة غير خطية تتميز بتراجع العوائد، مما يشير تحديدا إلى أن زيادة الكفاءة التي تتجاوز عتبة 3.5 وحدة أدت إلى تنازلات غير متناسبة في راحة المستخدم.
    8. دمج إطار GMM-HMM لتحديد الحالة: استنادا إلى المنهجيات المستخدمة لتحسين التعرف على النشاط البشري على مقاييس التسارع الذكية41، تنفيذ نموذج ماركوف مخفي (HMM) مع نماذج انبعاث خليط غاوسي (K=3 مكونات لكل حالة) لفك تشفير تسلسلات الميزات الزمنية (μs،μ p، σs، σp من نوافذ من 10 عينات) إلى خمس حالات تشغيلية (الإحماء، الحالة المستقرة، عالية الشدة، التعافي، التعب). يتم تدريب المعلمات باستخدام خوارزمية باوم-ويلش على 70٪ من البيانات المعنونة (n=28 جلسة، 196 مقطعا)، محققا دقة تصنيف بنسبة 87.3٪ في مجموعة التحقق. استخدم النظام احتمالات انتقال الحالة للأمامية فقط (الانتقال الذاتي ≥ 0.7) لتوقع التغيرات المستقبلية في الحالة وتعديل معايير التحكم بشكل استباقي.
    9. نستنتج أن نموذج GPR يظهر أداء متفوقا لتحسين نظام توليد الطاقة البشرية (R² = 0.681)42، مما يوفر دقة تنبؤية وقياس عدم اليقين أمران أساسيان لتصميم التحكم المتين. يؤسس هذا الإطار منهجية أساسية لأنظمة حصاد الطاقة الذكية القائمة على اللياقة، مع توافق خصائص GPR غير الخطية السلسة بشكل طبيعي مع الميكانيكا الحيوية البشرية، مع تمكين استراتيجيات تحكم واعية للمخاطر توازن بين تعظيم الكفاءة وراحة وسلامة المستخدم.

figure-protocol-6
الشكل 5: مشهد تحسين GPR. يظهر المشهد توزيعات الكفاءة عبر 16 إعداد جهد وحمل جهدي، إلى جانب تحليل باريتو الحدودي للكفاءة والراحة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

4. منهجية الانحدار العملي الغاوسي ل HPEG

  1. الإطار النظري وبناء النموذج
    1. تعريف كفاءة تحويل الطاقة كعملية غاوسية43
      figure-protocol-7
    2. حدد فضاء الإدخال رباعي الأبعاد x = [s,p,v,l]T : تكونت معالجة البيانات المسبق تتضمن استراتيجيات تكبير مميزة للمعاملات المستمرة والمتقطعة. لسرعة الدواسة والضغط المطبق، قم بإجراء تطبيع الحد الأدنى لأقصى لإزالة التفاوت في المقياس. بالنسبة لمعاملات التحكم المتقطعة، قم بترميز جهد البطارية والحمل الكهربائي لربط تكويناتهم التصنيفية على مقياس رقمي مماثل.
    3. اعتمد دالة متوسطة صفرية m(x)=0 للدالة السابقة44,45، معتمدة على هيكل التغاير لالتقاط مشهد الكفاءة46.
    4. اختر نواة ARD المربعة الأسية (ARD-SE) من خلال التقييم التجريبي المنهجي كما هو موضح في الصيغة (2). لتمكين الاكتشاف التلقائي لأهمية المعلمات، حدد مقاييس طول مستقلة (ld) لكل بعد إدخال داخل بنية النواة. علاوة على ذلك، قم بتعديل النموذج بتباين إشارة (σ2f) لتحكم سعة تغيرات الدوال، إلى جانب مصطلح تباين الضوضاء (σ2n) لتفسير عدم اليقين في القياس بشكل صريح.
      figure-protocol-8
    5. تحسين متجه المعامل الفائق θ = (σf, l₁, l₂, l₃, l₄, σn) عبر تعظيم الاحتمالية الحدية:
      figure-protocol-9
      حيث figure-protocol-10 يمثل I مصفوفة التغاير المعززة بالضوضاء47.
    6. استخدم طرقا قائمة على التدرج باستخدام المشتقات التحليلية لضمان الكفاءة الحسابية مع الحفاظ على الاستقرار العددي48. يتدرج تعقيد الحوسبة ك O(n³) للتدريب (تفكيك تشوليسكي ل Ky) وO(n²) لكل توقع بعد تحليل التخزين المؤقت، مما يتطلب تهيئة 47 ± 3 مللي ثانية و8.3 ± 2.1 مللي ثانية للاستنتاج ل n=112 على STM32F334. يتم تحقيق التقارب خلال 15 ± 3 تكرارات (Δlogp < 10-4). تنظيم مقايضة التحيز والتباين من خلال مقاييس الطول: حيث توازن القيم المحسنة (جهد l = 8.3،الحمل الزائد = 15.2) المرونة ضد التركيب الزائد، بينما يمنع σn = 0.15 التركيب مع ضوضاء المستشعر. يؤكد التحقق المتقاطع عدم اليقين المعاير مع 94.8٪ من الملاحظات خلال فترات 2-σ.
  2. بنية التحسين متعددة الأهداف
    1. تطوير بنية GPR متكاملة تتكون من ثلاثة مكونات نموذجية مترابطة لتحسين كفاءة توليد الطاقةفي نفس الوقت، واستقرار التمارين، وراحة المستخدم50,51.
    2. احسب التوزيع التنبؤي لنقاط الإدخال الجديدة x* كما هو موضح في الصيغة (4). لكل نقطة تقييم، ابدأ أولا باتشاق متجه التغاير k* بالنسبة لبيانات التدريب52. يوفر التوزيع التنبؤي الناتج المتوسط اللاحق μ* كتقدير تشغيلي أساسي53، إلى جانب التباين figure-protocol-11اللاحق . استخدم الأخير بشكل صريح لقياس عدم اليقين، مما يمكن تنفيذ استراتيجيات السيطرة الواعية للمخاطر.54.
      figure-protocol-12
    3. عزز مساحة الميزات مع خصائص زمنية لتوقع حالة التمرين كما هو موضح في الصيغة (5). لتسهيل التمييز بين مراحل التمرين (الإحماء، الحالة المستقرة، الشدة العالية، والتعافي)، قم بمعالجة البيانات الخام لاستخراج المؤشرات الزمنية الرئيسية. على وجه التحديد، يتم حساب المتوسطات المتحركة ذات النوافذ (μث، μp) ومقاييس التباين المحلية (σث، σp) باستخدام نافذة منزلقة مكونة من 10 عينات لتوصيف تقلبات الإشارة.
      figure-protocol-13
    4. صيغ دالة مركبة متعددة الأهداف توازن الأهداف المتنافسة، كما هو موضح في الصيغة (6). اعتمد قياس الأداء على مقياس استقرار φالاستقرار (x) =1/(1 +std(Phuman(x))) ومقياس راحة يعتمد على تقييم سريع للطرف العلوي ψالراحة(x). ثم، اضبط معلمات الوزن α,β,γ مع قيود α + β + γ = 1 و α,β,γ ≥ 0 لتمكين التكيف المرن مع تفضيلات المستخدم الفردية.
      figure-protocol-14
    5. حدد الحلول المثالية من حيث الباريتو التي تمثل مقايضات مختلفة بين كفاءة حصاد الطاقة، واستقرار التمرين، وراحة المستخدم باستخدام خوارزميات تحسين متعددة الأهداف فعالة تم تكييفها لنماذج العمليات البديلة55.
  3. استراتيجية التنفيذ والتحسين الحاسوبي
    1. معالجة القيود الحسابية للتحكم في الوقت الحقيقي: تأخير التنبؤ بالهدف أقل من 100 مللي ثانية للتحكم الفعال في الحلقة المغلقة (زمن الاستجابة البيوميكانيكية البشرية: 100 - 300 مللي ثانية)56.
    2. تنفيذ تخزين مؤقت لتحليل تشوليسكي لتقليل العبء الحسابي: بينما تطلب تهيئة النموذج تفكيك تشوليسكي O(n3)، تم تحسين بنية النظام للاستدلال السريع. من خلال تخزين مصفوفات التحليل مؤقتا، خفض التكلفة الحسابية للعمليات التنبؤية المستقبلية إلى تعقيد خطي تربيعي مقداره O(n2). إجراء اختبارات الأداء على متحكم دقيق STM32F334C8T6 (ARM Cortex-M4، 72 ميجاهرتز، 64 كيلوبايت SRAM، معدن عاري) باستخدام m = 30 نقطة تحفيز، محققا متوسط زمن استجابة توقع 8.3 ± 2.1 مللي ثانية يقاس عبر مؤقت الأجهزة خلال 100 دورة استنتاج.
    3. تطبيق تقريب العمليات الغاوسية المتناثرة باستخدام نقاط التحفيز لمجموعات بيانات كبيرة، كما هو موضح في الصيغة (7). لمعالجة قابلية التوسع الحاسوبية، استخدم استراتيجية تقريب متفرقة عن طريق اختيار مجموعة من m نقاط محفزة (m ≪ n). في هذه الصيغة، figure-protocol-15 يمثل التغاير العكسي بين النقاط التحفيزية، بينما Λ يلتقط عدم اليقين التقريبي. نجح هذا النهج في تقليل تعقيد التدريب الحسابي والتنبؤ إلى O(m2).
      figure-protocol-16
    4. استخدم البحث التكيفي الهرمي للشبكة لتحديد التكوينات الأمثل: ابدأ بروتوكول البحث بتقييم الكفاءة المتوقعة على شبكة خشنة بحجم 20 × 20 تمتد عبر المجال الحركي المعياري والتكوينات الكهربائية المحددة. لتحسين دقة الحل، قامت الخوارزمية لاحقا بتحسين مساحة البحث بنشر شبكات محلية بحجم 5 × 5 حول المثالية المحلية التي تم اكتشافها في التمريرة الأولى.
    5. تقييد مساحة البحث إلى مناطق فسيولوجية قابلة للتطبيق. تحديد قيود تشغيلية من خلال حساب النسبة المئوية العشرين والثمانين من البيانات التي تم جمعها من مجموعة مستخدمين متنوعة. تحديد نقاط التشغيل في النظام إلى هذا النطاق بين النسبة المئوية، مما يحافظ على شدة التمارين ضمن حدودمريحة تجريبيا 57.
    6. تنفيذ سياسة تحكم واعية للمخاطر تعدل سلوك النظام تلقائيا بناء على ثقة النموذج، كما هو موضح في الصيغة (8). استخدم معامل تجنب المخاطر λالخطر > 0 لتنظيم سلوك النظام58. القيم الأعلىلمخاطر λ تعطي استجابات محافظة تجاه عدم اليقين، بينما الحالة المحددةلمخاطر λ = 0 تتماشى مع تعظيم المنفعة المتوقعةالقياسية 59.
      figure-protocol-17
  4. إطار عمل التحقق وتقييم الأداء
    1. قم بإجراء تحقق متقاطع طبقي بخمس أبعاد مصمم خصيصا لبيانات العوامل البشرية. إجراء تقسيم البيانات للحفاظ على سلامة المتغيرات الرئيسية في التوزيع المشترك، مع ضمان تمثيل متوازن للديموغرافيا ومستويات اللياقة عبر الطيات59. امتد هذا التصنيف إلى ظروف التشغيل، مما ضمن تعرضا موحدا لحالات النظام المختلفة ضمن كل دورة تحقق60.
    2. تنفيذ طرق الأساس للتقييم المقارن: تضمنت مرحلة النمذجة تنفيذ أربع خوارزميات مميزة: GAM، LSBoost، SVR، وRandom ForestRegression 61. درب هذه النماذج معا لوضع معايير أداء أساسية.
    3. حساب مقاييس الانحدار القياسية: اعتمد التقييم الكمي على ثلاثة مقاييس رئيسية: معامل التحديد (R²) لقياس تفسير التباين، إلى جانب متوسط المربع الخطأ (MSE) والخطأ المطلق المتوسط (MAE) لتقدير خطأ التنبؤ.
    4. حساب المقاييس الاحتمالية الخاصة ب GPR: حساب كثافة التنبؤ باللوغاريتمية السالبة للتقييم الاحتمالي.
    5. تقييم الأداء الحاسوبي عبر مقاييس المشكلات المختلفة. لتقييم قابلية التوسع الحاسوبية، وقياس مدة التدريب وبصمة الذاكرة عبر أحجام متزايدة لمجموعات البيانات. بالإضافة إلى ذلك، يختبر زمن الاستجابة بدقة لضمان أن النظام يحقق باستمرار الهدف المطلوب تحت 10 مللي ثانية لتطبيقات التحكم في الوقت الحقيقي62.
    6. اختبار المقارنة على الأنظمة المدمجة النموذجية لأجهزة اللياقة البدنية القابلة للارتداء لضمان قابلية النشر العملية62,63.
    7. دمج قدرات التعلم عبر الإنترنت لتكييف النماذج المستمر: يستخدم النظام آلية تحديث متكررة لدمج البيانات الواردة الخاصة بالمستخدم في الوقت الحقيقي، مما يتجاوز فعليا الحاجة إلى إعادة تدريب شاملة. هذا النهج يحقق توازنا حرجا، محافظا على الكفاءة الحاسوبية مع ضمان تحسين مستمر لدقة النموذج63.
    8. تحقق من تحقيق أهداف التصميم. التحقق من التحسينات الاستراتيجية للحفاظ على زمن الاستجابة في التنبؤ أقل من 10 مللي ثانية على المعالجات المدمجة، لضمان الاستجابة الفورية. علاوة على ذلك، نجح البحث التكيفي في الشبكة في تحديد التكوينات المثلى التي تعظم كفاءة توليد الطاقة مع الالتزام الصارم بمعايير التشغيل الآمنة فسيولوجيا وقيود راحة المستخدم.
    9. وضع منهجية شاملة لأنظمة جمع الطاقة الذكية القائمة على اللياقة البدنية التي تدمج بسلاسة جمع الطاقة مع النشاط البدني المعزز للصحة (الشكل 6).

figure-protocol-18
الشكل 6: منهجية GPR ثلاثية الأطوار. يوضح مخطط الانطلاق بناء النموذج، وتحسين النواة، والبنية متعددة الأهداف. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تشير الكفاءة إلى كفاءة التحويل الديناميكي الحراري (0-100٪). يشير مؤشر الكفاءة النسبية إلى مؤشر الكفاءة النسبية، المحسوب بأنه (مرصود/أساسي) × 100٪، والذي يمكن أن يتجاوز 100٪. لمقارنة الإعدادات غير المتجانسة، يستخدم مؤشر الكفاءة النسبية، والذي يحسب بقسمة الكفاءة المرصودة على تكوين أساسي ثابت (12 V-70 W)، يقاس تحت نفس خط الأنابيب. لذا، فإن REI = 110٪ يدل على زيادة بنسبة 10٪ مقارنة بالقاعدة الأساسية، وليس كفاءة ديناميكية حرارية تتجاوز 100٪. ما لم يكن مؤشر REI، تشير الكفاءة إلى كفاءة التحويل ...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعتمد التنفيذ الناجح للتحسين القائم على GPR لأنظمة HPEG بشكل حاسم على دقة الاقتران الميكانيكي والكفاءة الحسابية28. ثبت أن تكوين الجنط فقط كان ضروريا، حيث أن مجموعات العجلات الكاملة أدت إلى انخفاض كفاءة التتبع بنسبة 35٪-45٪ من خلال تغيرات القصور الذاتي الدوراني27. ظهر معايرة شد الحزام إلى 350 ± 50 نيوتن كانحرافات حرجة بشكل خاص أدت إما إلى فشل مبكر أو خسائر طفيلية مفرطة، مما أثر مباشرة على دقة توقع GPR. بينما أدخل ناقل الحركة بحزام V ~8٪ خسائ...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون أنهم لا يملكون أي انتماءات أو مشاركة في أي منظمة أو جهة ذات أي مصلحة مالية في الموضوع أو المواد التي نوقشت في هذه المخطوطة.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم تمويل هذا البحث من قبل مشروع تمويل البحث العلمي التابع لجامعة ويستليك بمنحة رقم WU2024A001. يشكر المؤلفون بصدق المشاركين التجريبيين: يوتشي جيانغ، ليلي زينغ، لووكيان إيمو، بين يانغ، زيهان تشين، يوهانغ لي، وسوكرون أمين على مساهماتهم القيمة في جمع البيانات.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
وحدة مخرج التيار المتردد (صيني، نوع اللوحة GB/T)10/16 أمبير، شريط كاسيت مدمج، مصاريع حماية الأطفالمقبس تيار متردد مكتبي بخمسة فتحات (أسود) وانيو
حزام V بولي يوريثان قابل للتعديلنوع ABCZM، حزام PU مفصلحزام بولي يوريثان على شكل V مفصل عالمي ABCZM (مع وبدون أعمدة / وبدون مسامير / —
مفتاح ربط قابل للتعديل6 إنش، مقياس ليزرمفتاح قابل للتعديل بطول 6 إنش مفتوح الفك، ومقبض مصقول 250006 روينينغ
المولد، مغناطيس دائم ثلاثي الطور300 واط، 24 فولت (كما هو مذكور)300– مولد دائم مغناطيسي ثلاثي الطور ثلاثي الطور بقدرة 400 واط، 300 واط 24 فولت ؛جيونيان
حزمة بطارية، محطة طاقة محمولةوحدة محمولة بسعة كبيرة بقوة 2400 واطمحطة طاقة احتياطية محمولة بقدرة 2400 واط، تخزين طاقة شمسية متعددة الوظائف / &
سلسلة دراجات1/2" &مرة؛ 1/8"، قوة شد 920 كجم، حد استطالة 0.5٪KMC X101
كمبيوتر الدراجات (لاسلكي)مقاوم للماء، إضاءة خلفية ليلية، عداد السرعة/المسافةكمبيوتر دراجة لاسلكي بشاشة كبيرة، مقاوم للماء، إضاءة خلفية / وmdash؛
مدرب دراجات (بكرة مغناطيسية، قابلة للطي)مقاومة مغناطيسية، دولاب موازنة مهوا، مقابض مزدوجة القفلمدرب بكرة مقاومة مغناطيسية، قابلة للطي / &
دراجة هوائية، طريق (700 درجة مئوية)عجلات 700C، مزودة بتروسدراجة هوائية للطريق الهوائي 700C، متعددة السرعات إلى الأبد، يونغجيو
وحدة تحكم الشحن، MPPT (12/24 فولت)أوتوماتيكي 12/24 فولت، 20 أمبير (كما هو مذكور)وحدة تحكم شحن شمسية MPPT 12/24V 20 A لانشينغ
حساس التيار الكهربائي، تأثير هول± 100 أمبير، 20 مللي فولت/أمبير وأكثر؛ 0.5٪, BW=120kHzACS758LCB-100B
ديود (حجب) — تحقق من الجهاز الدقيققائمة المكسات ديود شوتكي / ثنائي الاتجاه TRIAC / IXFN132N50P3IXFN132N50P3 (تدعي أن ديود شوتكي وترياك ثنائي الاتجاه) / —
ديود، استرداد فائق السرعة200 فولت V_RRM، 30 أمبير I_F(AV)، < 35 نانوان t_rrRHRG30120
الشريط الكهربائي (PVC)لفة 9 أمتارشريط كهربائي ET6 9 م ثور
حمل إلكتروني، قابل للبرمجة200 واط مستمر، 0--500 فولت، 0--120 أمبيرBK بريسيجن 8500
متحكم دقيق، 32-بتARM Cortex-M4، 72 ميجاهرتز، ADC@5MSPS 12-بتSTM32F334C8T6
MOSFET، قناة PRDS(on)< 10mΩ، 200V، -12AIRFP9240
المقياس المتعدد، الرقميإضاءة خلفية، محمية من التحميل الزائدمقياس متعدد رقمي DEM23، إضاءة خلفية، مضاد للاحتراق ديليكسي
المقياس المتعدد، الدقة6.5 أرقام ودقة DCV 0.0035٪فلوك 8845Aحظ
مضخم تشغيلي، رباعيالسكك الحديدية إلى السكك الحديدية، فوس< 2 مللي فولت، 1 ميجاهرتز GBWMCP6004
مولد المغناطيس الدائممغناطيسات N42 بقوة 24 فولت/300 واط، 12 قطب،YC-FD300
قاطع دائرة قابل لإعادة التعيين (الضغط لإعادة الضبط)3– سلسلة 50 A (كما هو مدرج)قاطع دائرة إعادة ضبط الحرارة 88/98 السلسلة/AR 3– 50 A كويوه
مجموعة مفكات البراغي (فيليبس/فلات)6× 100 مم، رؤوس مغناطيسية، قطعتينمجموعة مفكات مغناطيسية مسطحة 6 × 100 مم (2 قطعة) فيليبس
البرمجيات، لغة البرمجةالإصدار 3.8، مع إطار عمل GUIبايثون
كتلة طرفية، وضعية واحدة (DIN/لوحة)IN-100BK، فئة 130 A (كما هو مدرج)كتلة نهاية سكة DIN IN-100BK، موقع واحد وnbsp;ويليان دون
كتلة طرفية، وضعية واحدة (DIN/لوحة)IN-411S، فئة 60 A (كما هو مدرج)كتلة نهاية سكة DIN IN-411S، موقع واحد وnbsp;ويليان دون
رافعات الإطارات (زوج)12 بوصة (30 سم)، 2 قطعةرافعات الإطارات 12 بوصة (زوج) تشنغتشو
دايود TVSتثبيت 135 فولت، ذروة 1500 واط، < استجابة 1ps1.5KE100A
موصلات الأسلاك، الفصل السريع (الرصاصة)1.5– 2.5 مم & sup2;، نايلون، أزرق، 100 مجموعةموصلات أسلاك الفصل السريع للرصاص، زرقاء (100 مجموعة) جوتويلي
مزيل الأسلاك/الكابح7 إنش، متعددة الوظائفمزيل أسلاك متعدد الوظائف بحجم 7 إنش DL902200 ديلي
سلك، سيليكون (12 AWG &asymp؛ 3.4 مم وزيادة في السوق)عزل السيليكون عالي الحرارة، 1 مترسلك سيليكون 12 AWG (&a_عرض؛ 3.4 مم وزيادة 2;) 1 م لانجيانغ

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Nartey, J. AI job displacement analysis (2025-2030). 5316265, SSRN. (2025).
  2. Kozhagulov, S., et al. Trends in atmospheric emissions in central asian countries since 1990 in the context of regional development. Climate. 13 (9), 176(2025).
  3. Ding, Q., Li, R., Liu, Q., Cui, W. Human-powered electricity generation: Current technologies, challenges, and potential application in sustainable society construction. Energy Convers Manag X. 101239, (2025).
  4. Sovacool, B. K., et al. Equity, technological innovation and sustainable behaviour in a low-carbon future. Nat Hum Behav. 6 (3), 326-337 (2022).
  5. Halmich, C., et al. Data augmentation of time-series data in human movement biomechanics: A scoping review. PLoS One. 20 (7), e0327038(2025).
  6. Hafizha, M. I., Baizal, Z. Diet and physical exercise recommendation system using a combination of k-means and random forest. Indones J Comput. 9 (2), 83-96 (2024).
  7. Wiedenhofer, D., et al. The circular economy and climate change: The state of national and global evidence on mitigation potential. Annu Rev Environ Resour. 50, 1-28 (2025).
  8. Khalin, A., Lalande, J. F., Bourdais, R. Detecting Energy Theft Attacks on an Off-Grid Charging Station. Proceedings of the 16th ACM international conference on future and sustainable energy systems, , ACM. (2025).
  9. Albar, J., et al. ReRev. , Available from: https://www.rerrev.com/ (2024).
  10. De Sa, A., et al. L'expérience vélo & énergie. , Available from: https://univ-angers.matomo.cloud/ (2024).
  11. Tu, X., et al. 3.5 MWh of electricity generated by gym members. , Available from: https://www.energylivelook.com/view/22462.html (2022).
  12. Jiang, D., et al. Harvesting human-motion energy through a piezoelectric floor tile with a force amplification mechanism. Energy. 188, 116-130 (2019).
  13. Normile, D. Study finds gyms are only good for one kind of energy: Human. Science. , Available from: https://www.science.org/content/article/study-finds-gyms-are-only-good-one-kind-energy-human (2016).
  14. Panteli, M., De Marco, F. Power system resilience to extreme weather: Fragility modeling, probabilistic impact assessment, and adaptation measures. IEEE Trans Power Syst. 38 (3), 2667-2680 (2022).
  15. Moska, W., Łebkowski, A. Microgeneration of electricity in gyms. Manag Prod Eng Rev. 7 (4), 58-63 (2016).
  16. Liu, Z., et al. Wearable and implantable triboelectric nanogenerators. Adv Funct Mater. 29 (20), 1808820(2019).
  17. Berkenkamp, F., Schoellig, A. P., Krause, A. Safe controller optimization for quadrotors with Gaussian processes. IEEE international conference on robotics and automation (ICRA), , 491-496 (2016).
  18. Rahmawan, A. M., et al. Video extraction into PPG signal to identify blood pressure with XGBoost method. Indones J Comput. 9 (2), 72-81 (2024).
  19. Shahriari, B., et al. Taking the human out of the loop: A review of bayesian optimization. Proc IEEE, 104 (1), 148-175 (2015).
  20. Prakoso, D., Nuha, H. H., Utomo, R. G. Energy efficiency analysis of network slicing algorithm on WiFi network. Indones Bayesian J Comput. 7 (2), 25-34 (2022).
  21. World energy outlook 2022. , International Energy Agency. Paris, France. (2022).
  22. Yeboah, D., Annor, B. D. Synergyfit energy recovery framework for human-centric power generation in multi-modal fitness environments. Sci Rep. 15 (1), 37451(2025).
  23. Marbaix, P., et al. Climate change risks illustrated by the intergovernmental panel on climate change "burning embers". Earth Syst Sci Data. 17 (1), 317-349 (2025).
  24. Li, J., et al. Body-area powering with human body-coupled power transmission and energy harvesting ICs. IEEE Trans Biomed Circuits Syst. 14 (6), 1263-1273 (2020).
  25. Portilla, L., et al. Wirelessly powered large-area electronics for the internet of things. Nat Electron. 6 (1), 10-17 (2023).
  26. Han, C. G., et al. Giant thermopower of ionic gelatin near room temperature. Science. 368 (6495), 1091-1098 (2020).
  27. Zou, Y., Raveendran, V., Chen, J. Wearable triboelectric nanogenerators for biomechanical energy harvesting. Nano Energy. 77, 105303(2020).
  28. Maharjan, P., et al. High performance cycloid inspired wearable electromagnetic energy harvester for scavenging human motion energy. Appl Energy. 256, 113987(2019).
  29. Wang, Z. L. Triboelectric nanogenerators as new energy technology and self-powered sensors-principles, problems and perspectives. Faraday Discuss. 176, 447-458 (2014).
  30. Sharma, R., et al. Nanoscale spin rectifiers for harvesting ambient radiofrequency energy. Nat Electron. 7 (8), 653-661 (2024).
  31. Duan, P., et al. Moisture-based green energy harvesting over 600 hours via photocatalysis-enhanced hydrovoltaic effect. Nat Commun. 16 (1), 239(2025).
  32. Siddique, M. A. B., et al. Performance validation of global MPPT for efficient power extraction through PV system under complex partial shading effects. Sci Rep. 15 (1), 17061(2025).
  33. Tang, Z., Yang, Y., Blaabjerg, F. Power electronics: The enabling technology for renewable energy integration. CSEE J Power Energy Syst. 8 (1), 39-52 (2021).
  34. Vinuesa, R., Brunton, S. L. The potential of machine learning to enhance computational fluid dynamics. arXiv. arXiv:2110.02085, (2021).
  35. Khalid, S., et al. A review of human-powered energy harvesting for smart electronics: Recent progress and challenges. Int J Precis Eng Manuf Green Technol. 6 (4), 821-851 (2019).
  36. Qinghe, Z., et al. Optimised extreme gradient boosting model for short term electric load demand forecasting of regional grid system. Sci Rep. 12 (1), 19282(2022).
  37. Ramadhan, N. G., Putrada, A. G. XGBoost for predicting airline customer satisfaction based on computational efficient questionnaire. Int J Inf Commun Technol. 9 (2), 120-136 (2023).
  38. Khamma, T. R., et al. Generalized additive models: An efficient method for short-term energy prediction in office buildings. Energy. 213, 118834(2020).
  39. Muqtadir, A., et al. Nowcasting the next hour of residential load using boosting ensemble machines. Sci Rep. 15 (1), 7157(2025).
  40. Gioia, D. G., et al. Data-driven control of a pendulum wave energy converter: A gaussian process regression approach. Ocean Eng. 253, 111191(2022).
  41. Putrada, A. G., et al. Human activity recognition improvement on smartphone accelerometers using CIMA. Tektrika. 8 (2), 75-83 (2023).
  42. Yao, Z., et al. Machine learning for a sustainable energy future. Nat Rev Mater. 8 (3), 202-215 (2023).
  43. Deringer, V. L., et al. Gaussian process regression for materials and molecules. Chem Rev. 121 (16), 10073-10141 (2021).
  44. Williams, C. K. I., Rasmussen, C. E. Gaussian processes for machine learning. , MIT Press. Cambridge, MA. (2006).
  45. Najibi, F., et al. Enhanced performance gaussian process regression for probabilistic short-term solar output forecast. Int J Electr Power Energy Syst. 130, 106916(2021).
  46. Lubbe, F., Maritz, J., Harms, T. Evaluating the potential of gaussian process regression for solar radiation forecasting: A case study. Energies. 13 (20), 5509(2020).
  47. Stein, M. L. Interpolation of spatial data: Some theory for kriging. , Springer. New York, NY. (1999).
  48. Feng, Y., et al. Data-driven personal thermal comfort prediction: A literature review. Renew Sustain Energy Rev. 161, 112357(2022).
  49. Zhang, X., et al. Multi-task learning for intention and trajectory prediction in human-robot collaborative disassembly tasks. J Comput Inf Sci Eng. 25 (5), 051002(2025).
  50. Zahedi, F., Lee, H. Biomechanics-based user-adaptive variable impedance control for enhanced physical human-robot interaction using Bayesian optimization. Adv Intell Syst. 7 (2), 2400333(2025).
  51. Belli, I., et al. Biomechanics-aware trajectory optimization for navigation during robotic physiotherapy. arXiv. arXiv:2411.03873, (2024).
  52. Berkenkamp, F., et al. Bayesian optimization with safety constraints: Safe and automatic parameter tuning in robotics. Mach Learn. 112 (10), 3713-3747 (2023).
  53. Halilaj, E., et al. Machine learning in human movement biomechanics: Best practices, common pitfalls, and new opportunities. J Biomech. 81, 1-11 (2018).
  54. Aydin, Y., et al. A computational multicriteria optimization approach to controller design for physical human-robot interaction. IEEE Trans Robot. 36 (6), 1791-1804 (2020).
  55. McClenny, L. D., Braga-Neto, U. M. Self-adaptive physics-informed neural networks. J Comput Phys. 474, 111722(2023).
  56. Shan, G. Applied biomechanics. , MDPI. Basel, Switzerland. (2024).
  57. Burt, D. R., et al. Convergence of sparse variational inference in gaussian processes regression. J Mach Learn Res. 21 (131), 1-63 (2020).
  58. Ozemek, C., et al. ACSM's guidelines for exercise testing and prescription. , Lippincott Williams & Wilkins. Philadelphia, PA. (2025).
  59. Garnett, R. Bayesian optimization. , Cambridge University Press. Cambridge, UK. (2023).
  60. Jordan, A., Krüger, F., Lerch, S. Evaluating probabilistic forecasts with scoring rules. J Stat Softw. 90, 1-37 (2019).
  61. Huang, Y., et al. A novel prediction approach for short-term renewable energy consumption in China based on improved Gaussian process regression. Energies. 12 (21), 4181(2019).
  62. Ding, T., et al. Resource-efficient cooperative online scalar field mapping via distributed sparse gaussian process regression. IEEE Robot Autom Lett. 9 (3), 2295-2302 (2024).
  63. Sun, Y., Zhang, C. Efficient and safe robotic autonomous environment exploration using integrated frontier detection and multiple path evaluation. Remote Sens. 13 (23), 4881(2021).
  64. Firouzi, V., et al. Biomechanical models in the lower-limb exoskeletons development: A review. J Neuroeng Rehabil. 22 (1), 12(2025).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Human Powered EnergyGaussian Process RegressionEnergy Generation OptimizationStationary Bicycle GeneratorReal Time Data AcquisitionPedaling EfficiencyElectrical Load TestingHall Effect SensorsStrain GaugesRenewable Energy Systems
Video Coming Soon

Related Articles