Оптимизация генерации энергии на человеческом движении с помощью регрессии гауссовского процесса

Qirui Ding; Ying Zeng; Changhui Song; Weicheng Cui

doi:10.3791/69810

Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Методическая статья

Оптимизация генерации энергии на человеческом движении с помощью регрессии гауссовского процесса

395 просмотров

⸱

DOI:

10.3791/69810

⸱

16 января 2026 г.

Qirui Ding¹^,² , Ying Zeng³ , Changhui Song¹^,² , Weicheng Cui¹^,²^,⁴

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

В этой статье

Краткое содержание

Этот протокол оптимизирует системы генерации электроэнергии с использованием регрессии по гауссовскому процессу для достижения эффективности 80%–90% при сохранении физиологической безопасности, предоставляя воспроизводимые методы преобразования физических упражнений в устойчивое производство энергии, решая проблемы безработицы и возобновляемой энергии.

Аннотация

Этот протокол представляет собой рамочную рамку оптимизации Гауссовой регрессии процессов (GPR) для систем генерации электроэнергии, работающих на человеке, чтобы одновременно решать технологическую безработицу и потребность в возобновляемой энергии. Семь участников провели 112 испытаний в 16 конфигурациях, сочетая четыре напряжения батареи (12 В, 24 В, 36 В, 48 В) с четырьмя электрическими нагрузками (10 Вт, 30 Вт, 50 Вт, 70 Вт) с использованием модифицированного стационарного велосипедного генератора. Модель GPR включала автоматическое определение значимости (ARD) квадратные экспоненциальные ядра для отображения скорости педалей, давления, напряжения и параметров нагрузки на эффективность генерации, одновременно количественно оценивая неопределённость прогнозов. Сбор данных в реальном времени на частоте 2 Гц фиксировал механические и электрические параметры с помощью датчиков эффекта Холла, тензодатчиков и анализаторов мощности с протоколами связи Modbus. Оптимизированная система достигла теоретически максимальной эффективности 80%-90% с коэффициентом вариации (CoV) ниже 15%, по сравнению с эффективностью 60%-70% и изменчивостью 25%-35% в коммерческих системах. Прогнозы GPR показали R² = 0,713 с задержкой менее 10 мс с помощью разреженных приближённых методов, что позволило управлять в реальном времени. Оптимальные рабочие параметры варьировались систематически: при низких нагрузках требовалось 150-180 оборотов в минуту (RPM) при давлении 50-70 Н, тогда как более высокие нагрузки достигали пика 100-120 об/мин при давлении 100-150 Н. Конфигурация 48 В улучшила эффективность на 68% по сравнению с базовым уровнем 12 В (измеряется как индекс относительной эффективности, REI, нормализованный до базового = 100%). Фазово-специфический мониторинг выявил начало усталости через 35–40 минут, что приводило к корректировкам контроля с учётом риска на основе постериорной неопределённости. Протокол устанавливает количественные методы баланса между генерацией энергии и физиологическими ограничениями, предоставляя воспроизводимую основу для внедрения систем с ручным приводом в движение в фитнес-комплексах, где выход в ноль достигается по цене 0,18 доллара за кВт·ч.

Введение

Слияние автоматизации, основанной на искусственном интеллекте, и изменения климата создаёт беспрецедентные вызовы, требующие инновационных решений, решающих как технологическую безработицу, так и устойчивые энергетические переходы. Эмпирические анализы прогнозируют 85 миллионов рабочих мест к 2025 году, при этом компьютерные и математические профессии достигнут роста безработицы на 2,8 процентных^{пункта. 1}. Одновременно концентрация CO₂ в атмосфере достигла 426,9 ppm в феврале^{2025 года, что} потребовало срочного расширения мощностей возобновляемой^{энергетики} ^3,4....