Gauss Süreç Regresyonu Kullanarak İnsan Enerjili Enerji Üretiminin Optimize Edilmesi

Summary

Bu protokol, Gauss süreç regresyonunu kullanarak insan enerjili elektrik üretim sistemlerini optimize ederek %80-90 verimlilik sağlarken fizyolojik güvenliği korur; egzersizi sürdürülebilir enerji üretimine dönüştürmek için tekrarlanabilir yöntemler sunar, hem işsizlik hem de yenilenebilir enerji sorunlarını ele alır.

Abstract

Bu protokol, teknolojik işsizlik ve yenilenebilir enerji taleplerini aynı anda karşılamak için insan gücüyle çalışan elektrik üretim sistemleri için Gauss Süreç Regresyonu (GPR) optimizasyon çerçevesini sunmaktadır. Yedi katılımcı, modifiye edilmiş sabit bisiklet jeneratörü kullanarak dört batarya voltajını (12 V, 24 V, 36 V, 48 V) ve dört elektrik yükünü (10 W, 30 W, 50 W, 70 W) birleştirerek 16 konfigürasyonda 112 deneme gerçekleştirdi. GPR modeli, pedallama hızı, basınç, voltaj ve yük parametrelerini üretim verimliliğine eşleştirmek ve tahmin belirsizliğini niceliklendirmek için otomatik alaka belirleme (ARD) kare üstel çekirdekleri içeriyordu. 2 Hz'de gerçek zamanlı veri toplama, Hall etkisi sensörleri, gerilme ölçerleri ve Modbus iletişim protokolleriyle güç analizörleri aracılığıyla mekanik ve elektriksel parametreleri yakaladı. Optimize edilmiş sistem, ticari sistemlerde %60-70 verimlilik ve %25-35 değişkenlik oranına kıyasla %15'in altında olan varyasyon katsayısı (CoV) ile teorik maksimum %80-90 oranına ulaşmıştır. GPR tahminleri, seyrek yaklaşım teknikleriyle R² = 0.713 gecikmeyle 10ms'in altında olduğunu gösterdi ve gerçek zamanlı kontrolü mümkün kıldı. Optimal çalışma parametreleri sistematik olarak değişiyordu: düşük yükler 50-70 N basınçta dakikada 150-180 devir (RPM) gerektirirken, daha yüksek yükler 100-150 N basınçta 100-120 RPM'de zirve noktasına ulaşıyordu. 48 V konfigürasyonu, 12 V taban değerine göre verimliliği %68 artırdı (göreli verimlilik endeksi, REI olarak ölçülür, temel = 100% normalleştirilir). Faz spesifik izleme, 35-40 dakika içinde yorgunluk başlangıcını tespit etti ve arka belirsizlik temelinde risk farkında kontrol ayarlamalarını tetikledi. Protokol, enerji üretimini fizyolojik kısıtlamalarla dengelemek için nicel yöntemler belirlerek, 0,18$/kWh elektrik fiyatıyla baş başa düşülen fitness tesislerinde insan gücüyle çalışan sistemlerin uygulanması için tekrarlanabilir bir çerçeve sağlar.

Introduction

Yapay zeka odaklı otomasyon ile iklim değişikliğinin birleşimi, hem teknolojik işsizliği hem de sürdürülebilir enerji geçişlerini ele alan yenilikçi çözümler gerektiren eşi benzeri görülmemiş zorluklar ortaya koyuyor. Ampirik analizler, 2025 yılına kadar 85 milyon iş kaybı öngörüyor; bilgisayar ve matematik mesleklerinde ise 2,8 puanlık işsizlik artışı^{yaşanıyor 1}. Aynı zamanda, atmosfer CO₂ konsantrasyonları Şubat 2025'te 426,9^ppm'ye ulaştı ve bu da yenilenebilir enerji^{kapasitesinin acilen genişletilmesini gerektirdi 3,4}. Bu makale, her iki krizi eşzamanlı olarak akıllı insan enerjili elektrik üretimi (HPEG) sistemleri aracılığıyla ele almak için yeni bir yaklaşım sunmaktadır; bu sistemler istihdam fırsatları yaratırken temiz enerji üretimine katkıda bulunuyor. İnsan biyomekanik verilerinin benzersiz özelliklerine uyarlanmış makine öğrenimi optimizasyonu uygulanarak—yüksek değişkenlik, doğrusal olmayan ilişkiler ve fizyolojik^{kısıtlamalar—5}, yerinden edilmiş işçileri sürdürülebilir enerji üretimine üretken katkıcılara dönüştürebilen bir çerçeve geliştirilmiştir. Bu yaklaşım, kullanıcıya özgü metriklere dayanarak fiziksel egzersiz ve diyet planlarını kişiselleştiren akıllı tavsiye sistemlerindeki son gelişmelerle^{uyumludur 6}.

Mevcut HPEG uygulamaları, yaygın benimsenmeyi engelleyen önemli sınırlamalar göstermektedir. Ticari sistemler, farklı operasyonel bağlamlarda tutarsız performans gösterir (Şekil 1). Eco-Powr G510 egzersiz bisikleti (Şekil 1A) makul verimlilik sağlar ancak değişken yükler altında çıkış dalgalanmalarından^{muzdariptir 7}. WeBike iş istasyonu (Şekil 1B), yalnızca düşük güçlü elektronik 8 için uygun stabil çıkış sağlar^. ReRev yenileme sistemi (Şekil 1C) modüler entegrasyon denedi ancak optimal olmayan dönüşüm^{verimliliği elde etti 9}. Akademik prototipler benzer eksiklikleri ortaya koymaktadır: düşük maliyetli yenileyici bisiklet (Şekil 1D) minimum istikrarlı çıkış^{üretir 10}, spor salonu tabanlı kolektif sistemler (Şekil 1E) ise çoklu kullanıcı girdilerine rağmen yalnızca marjinal tesis enerji taleplerini karşılar ¹¹. Gelişmiş triboelektrik zemin karoları (Şekil 1F) büyük ölçekli dağıtım için pratik^{değildir 12}. UC Berkeley'de yapılan bir çalışma, kapsamlı eliptik makine dizilerinin binlerce günlük kullanıcıya rağmen tesis enerji ihtiyacının %1'inden azını sağlayacağını^{ortaya koydu 13}. Bu hayal kırıklığı yaratan sonuçlar, temel eksikliklerden kaynaklanıyor: uyarlanabilir optimizasyonun eksikliği, insan fizyolojik değişkenliğinin hesaba katılmasının olmaması ve kullanıcı konforu seviyelerine gerçek zamanlı uyum sağlamama. Üç kritik eksik hâlâ giderilmemiştir: (1) önceki HPEG sistemleri gerçek zamanlı kontrole belirsizlik niceliğini entegre^etmemiştir 7,8,9,10,11, (2) egzersiz aşamaları (ısınma, dengeli durum, yorgunluk) arasındaki verimlilik ilişkileri sistematik olarak haritalanmamıştır ^10,13, ve (3) enerji üretimi, istikrar ve kullanıcı konforunu aynı anda optimize eden çok amaçlı çerçeveler^{yok 7,8,9}. Bu çalışma, 16 konfigürasyonda fazla-spesifik performans karakterizasyonu ile GPR tabanlı olasılıksal kontrol uygulayarak ve rekabet eden operasyonel kısıtlamaları dengeleyen çok amaçlı optimizasyon mimarisi uygulayarak bu boşlukları gidermektedir.

Şekil 1: Ticari ve akademik sistemlerde güncel HPEG uygulamaları. (A) Ticari Eco-Powr G510 bisikleti. (B) Düşük güçlü elektronikler için WeBike iş istasyonu. (C) Standart ekipman için ReRev retrofit sistemi. (D) Düşük maliyetli akademik yenileyici bisiklet prototipi. (E) Spor salonu tabanlı kolektif enerji toplama sistemi. (F) İleri triboelektrik zemin karosu^konsepti 7,8,9,10,11,12. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

HPEG sistemlerinin optimize edilmesindeki temel zorluk, insan tarafından üretilen enerji verilerinin benzersiz özelliklerindedir. Tahmin edilebilir desenlere sahip geleneksel yenilenebilir^{kaynakların aksine14}, insan biyomekanik verileri bireyler arası yüksek değişkenlik, egzersiz aşamaları boyunca sabit olmayan davranışlar ve çaba ile çıktı arasında karmaşık doğrusal olmayan ilişkiler^{sergiler 15}. Geleneksel kontrol yaklaşımları bu dinamikleri yakalamakta başarısız olurken, deterministik optimizasyon yöntemleri insan performansındaki doğal belirsizliği karşılayamaz¹⁶. Verinin zamansal yapısı—ısınma, sabit durum, yüksek yoğunluk ve yorgunluk aşamaları üzerinden geçiş—hem yerel kalıpları hem de küresel ilişkileri yakalayabilen modelleri gerektirir. Ayrıca, sorunun çok amaçlı doğası, enerji üretimini kullanıcı konforu ve güvenliğiyle dengelemek, rekabet eden kısıtlamaları aşabilen ve gerçek zamanlı kontrol için yorumlanabilir içgörüler sunan gelişmiş modelleme yaklaşımları gerektirir.

Olasılıksal makine öğrenimindeki son gelişmeler, bu karmaşık ve belirsizlik açısından zengin sistemler için dönüştürücü potansiyel sunmaktadır. Mevcut metodolojiler arasında GPR, biyomekanik optimizasyon için ölçülebilir avantajlar göstermektedir. Deterministik PID kontrolörleri bireyler arası değişkenliğe uyum^{sağlayamaz 17} ve XGBoost gibi yöntemler fizyolojik sinyal işlemede umut vaat eden bir performans göstermiş olsa da, kan basıncı tahmini¹⁸. Sinir ağları, belirsizlik niceliği olmadan 10 kat daha fazla eğitim verisi gerektirir ve standart Bayes optimizasyonu çok modlu insan performans ortamlarıyla mücadele^{eder 19}. GPR, HPEG gereksinimlerini üç eşleşen özellikle karşılar: (1) Bayes öncelikleri, insan deneyleri kaynak sınırlı olduğunda n=112 kritik denemelerle yakınsamayı sağlar; (2) ARD çekirdekleri, egzersiz aşamaları boyunca sabit olmayan verimlilik dinamiklerini yakalar (ısınma: %45-65%, sabit durum: %75-%95), parametre önemini ise niceliksel olarak ölçüler (l_voltaj = 8,3vsl_yük = 15,2, voltajın 1,8 kat daha fazla katkı sağladığını gösterir); (3) Arka belirsizlik σ², tahmin μ'nin %20'sini aştığında güvenlik farkında yük azalmasını tetikler; bu da model belirsizliği sırasında fizyolojik^{stresi önler. 19,20}.

Bu araştırma, insan gücüyle üretilen üretimin benzersiz özelliklerini tanıyan ve kullanan veri odaklı bir yaklaşımla mevcut sınırlamaları ele almaktadır. Algoritma optimizasyonunun, kablosuz ağ^{dilimlemede enerji verimliliğini artırdığı gibi,} bu çerçeve de biyomekanik dönüşümde enerji kaybını en aza indirmek için uyarlanabilir optimizasyonu uygular. İlk olarak, uyarlanabilir optimizasyon uygulanır; yüksek değişkenlikli biyomekanik verilerden sürekli öğrenerek, bireysel fizyolojik kısıtlamalara saygı gösteren kişiselleştirilmiş üretim profilleri geliştirilir. Şekil 1'de gösterilen statik sistemlerin aksine, yaklaşım insan egzersiz kalıplarının durağan olmayan doğasına dinamik olarak uyum sağlar. İkinci olarak, enerji üretimi, kullanıcı konforu ve sürdürülebilirlik gibi rekabet eden talepleri aynı anda dikkate alan çok amaçlı bir çerçeve geliştirilir - bu denge şu anda ticari ve akademik uygulamalarla sağlanamıyor. Üçüncü olarak, insan-makine etkileşimlerinin akıllı modellemesinin, HPEG'i özellikle geleneksel üretimin azaldığı bölgelerde otomasyonla yerinden edilmiş işçiler için geçerli bir istihdam çözümüne dönüştürebileceği gösterilmiştir. Çerçeve, kontrollü koşullara sahip (20-22 °C) denetimli fitness tesisleri için geçerlidir. Temel kısıtlamalar arasında: yorgunluk öncesi 35-40 dakikalık seans sınırları, 18-65 yaş arası katılımcıların temel fitness durumu (VO₂max >25 mL/kg/dakika), pil şarjı için 10-70 W çıkışı ve kullanıcı başına 15-20 dakika kalibrasyon var. Ekonomik sürdürülebilirlik için elektrik fiyatlandırması ≥$0.18/^{kWh 21} $ gerektirir.

Bu teknik yetenekler dağıtım gereksinimlerine dönüşür. Belirsizlik niceliği, tahminler güvenilmez hale geldiğinde talepleri azaltarak kullanıcı güvenliğini korur ve ticari sistemlerdeki sorumluluk endişelerini giderir. Örnek verimliliği, araştırma personeli olmadan 20 dakikalık kalibrasyon sağlar. Çok amaçlı optimizasyon, önceki uygulamaların başaramadığı ekonomik sürdürülebilirlik için zorunlu olan tekrarlanan oturumlar boyunca kullanıcı katılımını sürdürür.

Bu çalışmanın önemi, teknik yeniliğin ötesine geçip, acil toplumsal ihtiyaçları karşılamaya kadar uzanır. Teknolojiye maruz kalan mesleklerde artan işsizlik, alternatif istihdam yolları gerektiriyor. HPEG sistemleri, minimum teknik eğitim gerektiren erişilebilir istihdam sunar ve rutin bilişsel görevlerden uzaklaştırılan çalışanlar için uygundur. Bireysel üretim mütevazı (10-70 W) olsa da, fitness tesislerindeki toplu sistemler enerji maliyetlerini dengeleyebilir ve istihdam^{sağlayabilir 3,22}. Ayrıca, bu sistemler yenilenebilir enerji genişlemesine katkıda bulunuyor; fosil olmayan kaynaklar 2024 yılında küresel elektriğin %39,7'sini oluşturuyordu²³. İnsan biyomekanik verilerine göre optimize yöntemleri geliştirerek, bu araştırma insan enerjili enerji sistemlerinin ölçeklenebilir şekilde uygulanması için temel oluşturur. Çerçeve, yenilenebilir üretimin istihdam yolları ile entegrasyonu yoluyla çevresel ve sosyoekonomik hedefleri ele alır.

Bu çalışma, HPEG'i üç GPR yeteneği ile ilerletiyor: (1) Posterior varyans, belirsizlik ortalama tahminin %20'sini aştığında yük ayarlamasını tetikler; yorgunluk geçişleri sırasında verimlilik düşüşlerini önler; (2) Model yakınsaması n=112 deneme (7 katılımcı x 16 konfigürasyon) ile kullanıcı başına 15-20 dakika kalibrasyon sağlar; (3) ARD çekirdek uzunluk ölçekleri parametre önemini nicelikle ölçerir (l_voltaj = 8.3, l_yük = 15.2), bu da voltajın yük seçiminden 1.8 kat daha fazla verimliliğe katkı sağladığını ortaya koyar. Bunlar, operasyonel değişkenliği %25-35'ten %<15 varyasyon katsayısına (CoV) indirirken, HR < %75_maksimum korunur.

Protocol

Bu çalışma, sabit bisiklet kullanılarak invaziv olmayan egzersiz testlerini içeriyordu ve katılımcılar için en az risk oluşturdu. Tüm katılımcılar, deneysel prosedürler, istedikleri zaman geri çekilme hakkı ve veri gizliliği hakkında ayrıntılı bilgi aldıktan sonra sözlü bilgilendirilmiş onay veren sağlıklı yetişkin gönüllülerdi. Prosedürler, insan özeni içeren araştırmalar için Helsinki Bildirgesi'nin etik ilkelerini takip etti.

1. HPEG'nin Montajı

1. Mekanik yapı montajı
   NOT: Tüm mekanik değişiklikler, uygun güvenlik ekipmanlarıyla iyi havalandırılan bir çalışma alanında yapılmalıdır; bunlar arasında güvenlik gözlüğü ve çalışma eldivenleri de var. İnsan gücü ile çalışan enerji toplama sistemlerindeki son gelişmeler, optimize edilmiş mekanik bağlantı sayesinde verimlilik artışlarını göstermiştir^24,25. Mekanik parçanın montaj etki diyagramı şu şekilde gösterilmiştir Şekil 2.
   1. Egzersiz bisikleti çerçevesini sabit bir çalışma tezgahına yerleştirin ve taban montaj noktalarında dört C-kelepçeyle sabitleyin. Hem boyuna hem de enine eksenlerde dijital bir ruh seviyesi kullanarak kare seviyesini doğrulayın. Çerçeve hizalanması doğrudan güç iletim verimliliğini etkiler; yanlış hizalanma >2°, genel sistem verimliliğini %8-%12 oranında ^düşürür.
   2. Mevcut sürtünme direnci tekerlek montajını, önce direnç ayarlama kablosunu (gerilim serbest bırakma torku: 2.5 ± 0.5 N·m) çıkararak çıkarın, ardından dört M8 x 25 mm altıgen cıvatayı 13 mm soket anahtarıyla çıkarabilirsiniz. Direnç mekanizması bileşenlerini, gelecekteki olası değişiklikler için etiketli kaplarda saklayın.
   3. Arka tekerlek ünitesini tamamen sökül. Hızlı serbest bırakma şiş mekanizmasını (15 ± 2 N kuvveti uygulayarak) serbest bırakın ve pnömatik lastiği ve iç lastiği dikkatlice çıkarın. Alüminyum jant yüzeyine zarar vermeden lastiği janttan ayırmak için lastik kolları (minimum 3 noktalı temas yöntemi) kullanın. Yakın tarihli bir çalışma, sadece jantlı konfigürasyonların, tam tekerlek montajlarına kıyasla %35-%45 daha yüksek açısal ivme^{sağladığını göstermiştir 27}.
   4. Açık jantı, izopropil alkol (%99 saflık, uygulama hızı: 50 mL/m²) ile iyice temizleyin ve kalan kauçuk veya yapışkan bileşenleri çıkarabilirsiniz. Yüzey hazırlık kalitesi, sürtünme katsayısını %20'ye kadar etkiler. Temizlenmiş jant, döndürme ataletini azaltan birincil tahrik elemanı olarak hizmet eder (atalet anı azalması: I_final = 0.55, I_orijinal ± %5).
   5. Jeneratör montaj braketini 6061-T6 alüminyum plakadan (kalınlığı: 8 ± 0,1 mm, yüzey pürüzlüğü Ra < 1,6 μm) spesifikasyonlara göre üretin. Dört montaj deliği (çap: 8,5+0,05/-0 mm) CNC frezesi veya matkap presi ile basamaklı matkap uçlarıyla (besleme hızı: 150 mm/dakika, mil hızı: 1200 devir/dakika (RPM)) ve dik hizalanmayı ±0,5° içinde koruyun. Yüzey kalitesini sağlamak için işleme sırasında kesme sıvısı (viskozite: 40 °C'de 22 cSt) uygulayın. Braket tasarımını bir işaretleyici kullanarak alüminyum plakaya aktarın, plakayı matkap makinesi masasına sabitleyin ve belirlenen besleme hızı ve mil hızında basamaklı matkap uçlarıyla montaj deliklerini delin.
   6. Aşağıdaki ilişkileri kullanarak tipik pedallama hızlarında (60 - 90 RPM) jeneratör hızlarına ulaşmak için optimum aktarım oranlarını hesaplayın
      Açısal hız ilişkisi: .
      Pedal krank yarıçapını r₁ = 170 ± 5 mm dijital kaliperlerle ölçün (çözünürlük: 0.01 mm)
      Arka jant yarıçapını r₂ = 310 ± 10 mm (sadece jant konfigürasyonu) ölçün.
      Vites oranlarını seçin: ön zincir halkası c₁ = 48 diş, arka dişli c₂ = 16 diş (dişli oranı = 3:1).
      Jeneratör kasnak yarıçapı r_g = 25 ± optimal hız çarpımı için 0,5 mm (nihai oran: 12,4:1).
      _Mekanik η güç aktarım verimliliği = 0.92 ± doğru hizalanmış bir sistem için 0.03^28,29.
   7. Birincil zincir tahrik sistemini, güçlendirilmiş 1/2 inç x 1/8 inç bisiklet zinciri kullanarak takın (minimum çekme dayanımı: 920 kgf, uzalma sınırı: %0,5). Eğer varsa, zinciri aktarıcı mekanizmasından geçirin, doğru zincir hattını koruyarak (merkez hattından sapma < 3 mm) veya sabit dişli konfigürasyonu için doğrudan zincir ile dişli arasında geçirilir. Zincir verimliliği gerilimle değişir: η_zincir optimal gerilimde = 0.98, %±30^{sapma 29'da} 0.94'e düşer.
   8. Arka tekerlek düzenini yatay dropoutlarda yeniden konumlandırarak zincir gerilimini ayarlayın (ayar aralığı: 25 mm). Hedef zinciri sapması: 10 N dik kuvvet uygulandığında orta açıklıkta 12 ± 2 mm. Doğru gerilim, zincir hizmet ömrünü uzatır ve tutarlı güç iletimi sağlar. Tekerlek pozisyonunu, kalibre edilmiş tork anahtarı ile 5.5 ± 0.5 N·m olarak sıkılmış hızlı bırakma mekanizmasıyla kilitleyin.
   9. 6061-T6 alüminyumdan özel bir V-kayış kasnak adaptörü yaparak arka tekerlek göbeğiyle arayüz oluşturun. Kritik özellikler şunlardır:
      İç çap: göbek boyutlarına göre eşleştirilir (genellikle 36 ± 0.1 mm ve h7 toleranslı)
      Dış kasnak oluğu: V-belt profili (13 mm üst genişlik, 8 mm derinlik, 38° oluk açısı)
      Yüzey kaplaması: Optimum kemer tutuşu için oluk yüzeylerinde 0.8 μm Ra
      ISO 1940-1 (kalıntı dengesizlik < 2.5 g·mm/kg) olarak G2.5 derecesine dinamik dengeleme
      Atalet kütle momenti: < 0.015 kg·m² ivme direncini en aza indirmek için
   10. Kalıcı mıknatıs jeneratörü (teknik özellikler: 24 V/300 W, 12 kutup konfigürasyonu, nadir toprak mıknatısları NdFeB sınıfı N42) dört adet M8 x 30 mm yuva başlığı vidaları (sınıf 12.9) ve yaylı aldayanlarla (serbest yükseklik: 5 mm, sıkıştırma: %60) monte edin. Titreşimden gevşemeyi önlemek için orta güçlü diş kilitleyicisi (kırılan tork: 11 N·m) uygulayın. Jeneratör montaj sertliği rezonans sorunlarını önlemek için 1 x 10⁶ N/m'yi aşmalıdır³⁰.
   11. Jeneratör milini tekerlek üzerine kurulu kasnak ile lazer hizalama aracı veya hassas straightedge kullanarak hizalayın. Maksimum izin verilen hizalama bozukluğu: 0,5° açı, 2 mm paralel kayma. Hizalama yanlışlığı, rulman yükünü %50'ye kadar artırır ve kayış ömrünü %60 azaltır. Lazer hizalama aracı kullanıldığında, cihazı jeneratör miline monte edin, tekerlek kasnakındaki lazer nokta konumunu gözlemleyerek 360° döndürün ve montaj yuvası kullanarak jeneratör konumunu ayarlayın, böylece nokta hareketi dönüş boyunca 2 mm içinde kalsın. Düz kenar hizalanması için, her iki kasnakı da kesin bir straightedge yerleştirin ve tüm ölçüm noktalarında boşluk 2 mm'den küçük olana kadar ayarlayın.
   12. Tekerlek kasnağı ile jeneratör kasnak arasına ikincil V-kemer (Tip A, uzunluğu olarak hesaplanır, burada C = merkez mesafesi, D = büyük kasnak çapı, d = küçük kasnak çapı) takın. Jeneratör montaj yuvası ayarıyla kemer gerilerek %1,0-1,5 uzamallık elde edilir (sapma kuvveti yöntemi: 16 N kuvvet, kayış orta açıklığında 4 mm sapma sağlar), bu da Tip A kamarlar için yaklaşık 350 ± 50 N gerilim kuvvetine karşılık gelir. Kemer kayma eşiği <250 N geriliminde gerçekleşir.

Şekil 2: Jant-tahrikli bisiklet jeneratörü kurulumu. Kurulum, sürtünmesiz trenörü, Hall etkisi hız sensörü, V-kemer şanzımanı ve basınç göstergesi entegrasyonunu gösteriyor. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

2. Elektronik devre montajı ve sistem entegrasyonu
   1. Düzleştirme ve filtreleme sistemi: Üç fazlı tam köprülü doğrultucu, altı ultrahızlı geri kazanma diyotu (V_RRM ≥ 200 V,I_F(AV) ≥ 30A,t_RR < 35 ns) kullanarak çift taraflı bir basılı devre kartı üzerinde inşa edin. Termal arayüz malzemesi (λ>5 W/m·K)³¹ ile alüminyum soğutucu üzerine monte edilsin. LC filtresini özel bir indüktör (28± 1 tur, Sen toz çekirdeğinde 14 AWG: OD=47 mm, ID=24 mm, L=100 μH ±% 5%, Q>50) ve kondansatör bankası (4 x 1100 μF/100 V, ESR <7 mΩ toplam, dalgalanma akımı > 20.8 A RMS) kullanarak üretin. 12 AWG Politetrafloroetilen tel ile bağlayın, R_toplamını 10 mΩ < tutarak. Altı diyotu çift taraflı basılı devre kartına köprü konfigürasyonunda lehimleyin, diyot sekmeleri ile alüminyum soğutucu arasına termal bileşik uygulayın ve uygun bağlantı elemanlarıyla sabitleyin. Indüktörü, toroidal çekirdeğin etrafına 28 tur tel sararak eşit aralık tutarak, ardından kondansatörleri kısa kablo uzunluklarıyla paralel bağlayarak eşdeğer seri direncini en aza indirin.
   2. Elektromanyetik girişimin bastırılması ve uyumu: Bifilar teknikle nanokristalin çekirdekte (μ_i>80.000, Bs>1.2 T) rüzgar ortak mod boğucu ile L_CM=15 ± 2 mH, k>0.99, CMRR>40 dB (150 kHz-30 MHz) elde edilir. IEC 60384-14 uyarınca güvenlik kapasitörleri takın: X-caps (2 x 0.47 μF/310 VAC MKP), Y-caps (2 x 4.7 nF/300 VAC C0G), 1 MΩ deşarj direnci (τ=0.47 s). Kirlilik derece 2 ortam için >6 mm, boşluk >5,5 mm korun.
   3. Maksimum güç noktası izleme (MPPT) kontrolcüsü uygulaması: Uyarlanabilir bir MPPT algoritması ile STM32F334C8T6 programlayın. Modern MPPT kontrolörleri, tipik çalışma koşullarında %93 ila %97 arasında takip verimliliği gösterirken, gelişmiş uygulamalar laboratuvar ortamlarında %99'a kadar^{ulaşır 32}. Algoritma özellikleri: uyarlanabilir pertürbasyon (ΔV = α × |dP/dV|, α∈ [0.005,0.025]), değişken gözlem süresi (T_obs = β/|( d²P) / (dV² )|, β∈ [10ms,100ms]), yerel maksimum algılama ile yokuş tırmanışı, 8 örnekli hareketli ortalama filtresi (fc =10 Hz). %0,1 dirençli bölücü (100 kΩ/10 kΩ, TC<25 ppm/°C) ve sinyal koşullandırmalı Hall sensörü kullanarak 16-bit hassas ölçüm uygulanın. Mikrodenetleyiciyi standart bir programcı aracılığıyla bir bilgisayara bağlayarak, MPPT algoritma kodunu derleyerek ve firmware'i flaşlayarak programlayın. ADC kanallarını belirlenen çözünürlük ve örnekleme süresiyle gerilim ve akım algılama için yapılandırın, ardından hedef anahtarlama frekansına ulaşmak için Darbe Genişliği Modülasyonu (PWM) zamanlayıcı çıkışını ayarlayın.
   4. Güç dönüşümü ve kontrolü: PWM ile DC-DC dönüştürücüyü 31,25 kHz ± %0,1 (kristal stabilizeli), ölü zaman≥ 500 ns, yumuşak başlatma=100 ms, çalışma döngüsü≤ %95, akım limiti=%125 kesinti modunda derecelendirilmiştir. Hedef verimliliği >%50-%100 yükte %92 %92. Voltaj (±0.1 V), akım (±0.1 A), güç (±1 W), verimlilik (±1%), sıcaklık (±1 °C) ve 10 Hz örnekleme hızında dairesel tampon (3600 örnek) ve CRC-16 doğrulama³³ gerçek zamanlı izleme için Modbus RTU iletişimi (115200 baud, 8N1) kurun.
   5. Sistem koruması ve koruması: Elektronikleri IP54 muhafaza (400 x 300 x 200 mm) filtreli havalandırma ile (giriş: 100 cm², çıkış: 120 cm²) monte edin. Kapsamlı koruma uygulanır: TVS diyot, elektronik kesici (20 A ±2%, <10 μs yanıt, I²t=50A²s), termal izleme, ters kutup koruması. IEC 60446 standartlarına uygun ferrul ve tork spesifikasyonları (M4:1.2 N·m, M6:3.0 N·m, M8:6.0 N·m) kullanılarak tel yapılabilir.
      NOT: Yukarıdaki stratejiyi kullanan devre diyagramı Şekil 3'te gösterilmiştir.
   6. Güvenlik doğrulama ve devreye alma: IEC 61010-1 güvenlik kontrollerini yürütün: yalıtım direnci >10 MΩ 500 VDC/60 saniyede, toprak sürekliliği <0.1 Ω 10 A'da, dielektrik dayanıklılığı 2500 VAC/60 s (<5 mA sızıntı), toprak arızası devre kesicisi <30 ms 30 mA'da atlama. 75 W yükte <%5pp dalgalanma doğrulayan tezgah besleme (24 VAC, 5 A limit) ile başlatın. MPPT performansını doğrulamak: %>97 takip verimliliği, %20 adım için <2 saniyelik yakınsama, %<1 sabit durum titreşimi. Kontrol edilen arızalarla koruma devrelerini test etmek ve doğru yanıt eşiklerini doğrulamaktır. İzolasyon direnci testi için tüm yükleri ayırın, canlı terminaller ile toprak arasındaki test voltajını belirtilen süre boyunca megaohmmetre kullanarak uygulayın ve ölçümün minimum eşiği aştığından emin olun. Toprak sürekliliği ölçümü için, toprak terminali ile açık metal parçalar arasında düşük dirençli bir ohmmetre bağlayın, test akımı uygulanır ve direncin belirlenen maksimum değerin altında kalmasını teyit edin.
   7. Mekanik girişi ve temel durum: Kademeli mekanik testler yapılabilir: Faz 1 - 30 RPM/10 dakika yüksüz (ΔT<10 °C, titreşim<0,5 m/s², gürültü<60 dB 1 m'de); Faz 2 - 60 RPM/25 W yük (tork değişimi<±%5, 20-90 RPM güç eğrisi kaydı); Faz 3 - 75 RPM/150 W/30 dakika tam yük (sıcaklık stabilizasyonu ΔT<1 °C/5 dakika). Belge verimlilik hedefleri: %25 yükte >%75, %50 yükte %>85%, tam yükte %>88.
   8. Kalibrasyon ve performans haritalama: Voltaj noktalarında (0 V, 12 V, 24 V, 36 V, 48 V, 60 V ± 0.01 V) ve akım noktalarında (0 A, 1 A, 2 A, 5 A, 10 A, 15 A, 20 A ± 0.01 A) Fluke 8845A (%0,0035 doğruluk) kullanılarak kalibre edin. 25 test noktası (5 V x 5 I matris) boyunca kapsamlı test için elektronik yükü (200 W kesintili) programlayın. Kalibrasyon katsayılarını elektrikle silinebilir programlanabilir tek okuma bellekte depolayın; V_{düzeltilmiş} = kazanç x_{V ölçülüp} + ofset ile %±0,5% maksimum hata. Hassas multimetreyi sistem ölçüm noktalarına paralel bağlayın, kalibre edilmiş kaynaklardan bilinen referans voltajları ve akımları uygulayın, her test noktası için hem referans hem de ölçülen değerleri kaydedin, ardından doğrusal düzeltme katsayılarını hesaplayın ve bunları mikrodenetleyici belleğinde depolayarak hedef ölçüm doğruluğunu elde edin.
   9. Sistem performans dokümantasyonu: Verimlilik haritaları oluşturulur (0-150 W, 5 W çözünürlük), genellikle %70-80 oranlı zirve verimlilik noktasını belirleyin. MPPT dinamiklerini doğrulayın: %10 adım <0,5 saniye, %50 adım <2 saniye, %100 yük reddi <3 saniye aşırı voltaj olmadan. 15-40 °C sıcaklığında >%97 sabit durum takibini doğrulayın, %30-%85 göreceli nem çalışma zarfı. Rekor termal denge: soğutucu 80 °C <, kondansatörler 85 °C <, manyetikler 110 °C < ve -2.5 W/°C ortam sıcaklığında 40 °C'nin üzerinde (termal τ ≈15 dakika ile %95 nihai sıcaklık).
   10. Son entegrasyon ve doğrulama: Tüm alt sistemlerin spesifikasyonlar dahilinde çalışmasını sağlamak için tam sistem entegrasyonu. Tüm parametreleri izleyerek nominal güçte 4 saat sürekli çalışma testi yapın. Document, performansı tasarım hedeflerine göre ölçür ve bakım takvimi içeren bir operasyonel kılavuz oluşturur. Bileşen bozulma modellerine dayalı uzun vadeli performans takibi ve öngörücü bakım algoritmaları için veri kaydetme uygulamasını uygulayın.

Şekil 3: Elektronik sistem. Şematik, üç fazlı doğrultucu, LC filtre devresi, MPPT kontrolörü ve DC-DC dönüştürücüden oluşur. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

2. Deneysel tasarım

1. Katılımcı alımı ve temel değerlendirme
   1. Kurumsal kanallar üzerinden 7 sağlıklı gönüllü (5 erkek, 2 kadın, 22-30 yaş arası, BMI 22.8 ± 2.1 kg/m²) alın.
   2. Katılımcıları Fiziksel Aktivite Hazırlığı Anketi kullanarak taramak. Güvenliği sağlamak için, kardiyovasküler rahatsızlığı veya bilinen herhangi bir karşı endikasyona sahip kişileri orta yoğunlukta egzersize karşı çıkarın. Ayrıca, önceki 6 ay içinde kas-iskelet sistemi yaralanması yaşamış katılımcılar hariç tutulmaktadır.
   3. YMCA submaksimal döngü ergometre protokolünü kullanarak temel uygunluk değerlendirmesi yapın. Hedef kalp atış hızı bölgelerini üç yoğunluk seviyesine katmanlaştırın: düşük (%40 - %55_{kalp sıkışı),} orta (%55 - %70_maksimum kalp hızı) ve yüksek (%70 - %85_{kalp hızı).}
   4. Her katılımcı için 20 dakikalık bir tanışma oturumu düzenleyin. Veri toplamadan önce, katılımcılara doğru bisiklet duruşu hakkında eğitim verin ve optimal pedal çevirme tekniğini gösterin. Tüm denemelerde tutarlı biyomekanik sağlamak için ekipmanı her birey için ayarlayın.
2. Deneysel protokol
   1. Dört batarya paketi konfigürasyonunu (12 V, 24 V, 36 V, 48 V) dört elektrik yük koşuluna (10 W, 30 W, 50 W, 70 W) karşı test eden 4 x 4 faktöriyel deney tasarlayarak katılımcı başına 16 deneysel koşul elde edin (n = toplam 112 deneme).
   2. Denemeleri, dengeli bir Latin kare tasarımı kullanarak ve seanslar arasında en az 48 saat iyileşme aralıkları olan denemeleri rastgele hale getirin ve çevresel koşulları 20 - 22 °C ile %40 - %50 göreli nemde standartlaştırın.
   3. Her deneysel denemeyi bu yapılandırılmış diziyi takip ederek yürütün: deneysel oturumu beş farklı aşamaya ayırın: bir temel değerlendirme (5 dakika), 50 RPM'ye yükselen bir ısınma (5 dakika) ve ana veri toplama süresi (hedef yoğunlukta sürekli döngü) (20 dakika). Aktif fazın ardından, katılımcıların 5 dakikalık kademeli yavaşlama bekleme süreci geçirmesini sağlayın. Son olarak, Borg algılanan eser ölçeğiyle 5 dakika boyunca egzersiz sonrası değerlendirme yapın.
   4. Bisiklet şanzımanını ön vites 2 ve arka vites 9'da (dişli oranı 0.222) 174 mm pedal kolu uzunluğu ile sabitleyin, böylece tüm denemelerde tutarlı mekanik avantaj sağlanır.
3. Enstrümantasyon ve veri toplama sistemi
   1. 2 Hz örnekleme hızında gerçek zamanlı izleme sağlamak için sensör, iletişim, işleme ve uygulama katmanlarını paralel olarak içeren çok katmanlı bir veri toplama sistemini entegre edin (Şekil 4).
   2. Sensör katmanını üç bağımsız ölçüm kanalıyla yapılandırın: Mekanik izleme için, arka janta bir Hall-etkisi sensörü (1000 Hz, ± 0.1 RPM) ve her iki pedala gerilme ölçer yük hücreleri (500 N, %0.1 FS) takın. Çok kanallı güç analizörü kullanarak sistem elektrik verilerini kaydet, 10 Modbus kayıt üzerinden altı parametre okuyordu. Ana değişkenler için, pedallama hızı s (RPM, aralık 0-200), pedal kuvveti p (N, aralık 0-500, her iki pedaldan gerginlik ölçer yük hücreleriyle toplanan), pil voltajı v (V, ayrık seviyeler: 12/24/36/48) ve elektrik yükü l (W, ayrık seviyeler: 10/30/50/70) kaydedilir. Verimliliği η = P_elektriksel /_{P insan} × %100 olarak türetin
      burada P_insan = F·r·ω (F N'de, r = 0.174 m, ω rad/s'de). S ve p için 20-80. perdelikler kullanılarak minimum maksimum normalizasyon ile ön işleme, v ve l için ayrık kodlama (0, 0.33, 0.67, 1.0) ve IQR outlier algılama (Q1 ± 1.5 x IQR sınırları) uygulanır. Zamansal özellikleri (μ_s, μ_p, σ_s,_{σ p)} 10 örneklik kaydırma pencereleri aracılığıyla hesaplayın.
      NOT: Değişken p, basınç değil, doğrudan gerilme göstergeleriyle ölçülen toplam pedal kuvvetini (N) temsil eder. Pedal basıncı bisiklet bağlamlarında halk arasında kullanılsa da, bu çalışmadaki tüm ölçümler ve analizler N kuvvetine atıfta bulunur.
   3. İletişim katmanını çift protokollü mimari ve otomatik devretme yeteneğiyle uygula (Şekil 4): İletişim, seri arıza durumunda varsayılan olarak Modbus TCP'ye geçen RS-485 üzerinden Modbus RTU arayüzüne dayanıyordu. Başlatma protokolünde, 10 örneklik ortalamaya dayalı kuvvet sensörleri için grafiksel kullanıcı arayüzü (GUI) izlenen sıfır nokta kalibrasyonu ekleyin.
   4. İşleme katmanını, her 500 ms'de senkronize veri toplama sağlamak için GUI çerçevesine sahip yorumlanmış bir programlama dili kullanarak geliştirin (Şekil 4 merkezi işleme boru hattı). Gerçek zamanlı insan güç çıkışını (P_insan) şu denklemi kullanarak hesaplayın
      P_insan = F⋅r⋅,
      burada yer 0.174 m olarak sabittir. Mevcut nesil polaritesini değerlendirerek sistemin çalışma modunu belirleyin - üretim için pozitif, pil beslemesi için negatif - ve bu polarite, ardından belirli toplam güç hesaplama formülünü belirler. Veri kararlılığını sağlamak için, tüm parametreler boyunca yuvarlanan istatistikleri (ortalama, maksimum, minimum) hesaplamak için 100 örneklik bir kaydırma penceresi uygulanır.

Şekil 4: Dört katmanlı gerçek zamanlı veri toplama iş akışı. İş akışı, sensör, iletişim, işleme ve uygulama katmanlarının paralel işleyişini gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

4. Kalite kontrolü ve doğrulama
   1. Çok katmanlı doğrulama mimarisi uygulayın: Veri bütünlüğünü sağlamak için, sınırlarla (Q_1/3 ± 1.5 x IQR) olan çeyreklerarası aralık (IQR) yöntemiyle outlier'ları otomatik olarak işaretleyin. Herhangi bir protokol geçişinden önceki hatalarla tetiklenen üç denemelik tekrar deneme dizisi kullanarak iletişim kararlılığını yönetin, kısa veri boşlukları ise lineer enterpolasyon kullanılarak yeniden oluşturuldu.
   2. Uygulama katmanını kapsamlı görselleştirmeyle yapılandırmak: Renk kodlu durum göstergeleriyle gerçek zamanlı görselleştirmeler için dört panelli bir arayüz ve örnekleme kararlılığı ile veri kalitesini değerlendirmek için performans metrikleri bölümü kullanın. Tarihsel verileri üç farklı tablo moduyla inceleyin: Tüm Veriler, Güç Odak ve Performans Odak.
   3. Sürekli veri kaydını zaman damgalı CSV dosyalarına konfigure edin: Çıktı dosyaları [Deneyci][Pil][Yüklemek]Gear[Ratio][Zaman Damgası].csv düzenine uydu ve 15 senkronize parametreden oluşuyordu. Zamansal sadıklığı sağlamak için, sistem hassas zamanlama kontrolünü her 200 döngüde bir tetiklenen drift düzeltme mekanizması ile uygulayın.
   4. Otomatik oturum sonlandırması için güvenlik özellikleri uygulandı: Deneysel sonlandırma kriterleri üç farklı sınırla tanımlandı: fizyolojik eşik %95 yaş tahmini_{kalp hızı maksimi}, mekanik yük sınırı 500 N ve beş ardışık iletişim arızasıyla tetiklenen sistem stabilite koruması.
   5. Sistem performansını doğrulayın: Tüm denemelerde %98'den fazla veri tamlığına ulaşın; sensör okuma ile ekran güncellemesi arasında ortalama 8,3 ± 2,1 ms gecikme sağlanır; böylece her deneysel oturum boyunca hedef egzersiz parametrelerinin korunması için gerçek zamanlı geri bildirim sağlanır.

3. Model seçimi ve optimizasyon metodolojisi

1. Model seçim çerçevesi
   1. Karşılaştırmalı analiz için farklı teorik temellere sahip üç makine öğrenimi algoritması seçin: burada seçilen modelleme yaklaşımları, toplamalı ayrıştırma yoluyla olağanüstü yorumlanabilirlikleri nedeniyle Genelleştirilmiş Ekleme^{Modelleri (GAM) 34}; Gauss Süreç Regresyonu (GPR) gerçek zamanlı operasyonlar için kritik olan belirsizliği nicelendirme Bayes kapasitesi^{için 35,36}; ve En Küçük Kare Güçlendirme (LSBoost⁾³⁶.
      NOT: XGBoost dahil güçlendirme toplulukları, son zamanlarda çeşitli tahmin görevlerinde yüksek tahmin doğruluğu ve hesaplama verimliliği^{göstermiş 37}, bu da onları karşılaştırma için güçlü bir temel haline getirmiştir. İkincisi, özellikle istisna varlıklara karşı dayanıklılığı sağlamak ve karmaşık değişken etkileşimlerini etkili şekilde modellemek için seçildi.
   2. Model seçim protokolünü Ek Dosya 1'e göre çalıştırın. Veri ön işlemesinden (IQR outlier algılama ve min-max normalizasyon) sonra, modelleri 5 katlı çapraz doğrulama tekniğiyle değerlendirin. Tahmin doğruluğunu en üst düzeye çıkarmak için belirleme katsayısına dayalı nihai model seçimini önceliklendirin.
2. Algoritma uygulaması
   1. Optimizasyon problemini, dört boyutlu parametre uzayında kısıtlı bir arama olarak resmileştirin: pedal çevirme hızı s, basınç p, voltaj v ve yük l.
   2. Fizyolojik olarak sürdürülebilir operasyonel aralıkları tanımlayın. Arama alanını, toplam katılımcı havuzundan hesaplanan gözlemlenen parametrelerin 20. ve 80. perdelikleriyle sınırlayın. Bu kısıtlama, optimizasyonu rahat egzersiz yoğunlukları alanına sınırlayarak istisnalardan kaçınmaya hizmet etti.
   3. Hiyerarşik adaptif ızgara arama stratejisini uygulayın. Normalleştirilmiş hız-basınç uzayında ([s, p] ∈ [0, 1]²) tekdüz bir ızgara üzerinde eğitilen GPR modeli üzerinden tahmin edilen verimliliği değerlendirin. Performans manzarasını kapsamlı şekilde haritalamak için gerilim (12, 24, 36, 48 V) ve yük (10, 30, 50, 70 W) için ayrık parametrik varyasyonlar değerlendirmeye dahil edildi.
   4. Umut vadeden bölgelerde yerel iyileştirme gerçekleştirin. Birincil aramadan çıkarılan yerel optima, her aday üzerinde 5 x 5 boyutunda bir ızgara oluşturulan bir iyileştirme sürecine yönlendirildi. Bu yüksek çözünürlüklü yerel alanlar içindeki verimlilik tahminlerini yeniden değerlendirin.
   5. Tahmin edilen verimlilik ve model belirsizliğini birleştiren iyileştirme kriterlerini uygulayın. Optimum adayları belirlemek, maksimumun %80'inin üzerindeki verimlilik değerleri için filtrelerken, ortalama tahminin %20'sinden fazla olan arka standart sapma ile tanımlanan yüksek belirsizlikli bölgeleri (doğrulama veri analizinden elde edilen belirsizlik eşiği) aynı anda hariç edin.
   6. Her pil-yük kombinasyonu için optimal konfigürasyon, karşılık gelen tahmin edilen verimlilik ve güven aralıkları ile çıktı.
3. Model değerlendirmesi ve sonuç analizi
   1. 5 kat katmanlı çapraz doğrulama yapın. Model genellemesini değerlendirmek için, veri setini katılımcı düzeyinde gruplama ile beş kata ayırın (her katılımcının aynı kata atanmış tüm çalışmaları) ve böylece konu içi veri sızıntısı önlenir. Her iterasyonda, GPR modelini dört katlama üzerinde eğitin ve beşinci katlamada doğrulama yapın; bu süreç kapsamlı değerlendirme sağlamak için tüm katlama kombinasyonlarında tekrarlanır.
   2. HPEG operasyonel gereksinimlerine dayalı üç değerlendirme ölçütü seçin: R² (belirleme katsayısı, 0-1 aralığı) model tarafından açıklanan verimlilik varyansı oranını nicelikletir; RMSE (kök ortalama kare hata, %12 birimi cinsinden) kontrol toleransı için tahmin doğruluğunu ölçür ve <%12 hata sistem kararlılığını korur; MAE (ortalama mutlak hata, %'de birimler), yorgunluk aşamalarında aykırı değerlere karşı daha az hassas sağlam hata tahmini sağlar. Bu regresyon metrikleri, sınıf dengesizliği endişeleri olmadan sürekli verimlilik tahminini ele alır. Doğruluk doğrudan enerji verimini (%1 verimlilik artışı ≈ oturum başına 0,02$, 0,18$/kWh) ve güvenliği (>%15 hata yük azalmasını tetikler) etkiler.
   3. Her model için performans metriklerini hesaplayın: Belirleme katsayısına dayalı performans değerlendirmesi, her modelleme^{yaklaşımı için farklı sonuçlar verdi} 38,39,40. GAM 0.584³⁹ R² üretirken, LSBoost 0.657 ile daha iyi doğruluk gösterdi. GPR modeli, en güçlü uyumu 0.681 R² (5 kat çapraz doğrulama ortalaması)⁴⁰ ile gösterdi.
   4. En yüksek R² ve belirsizlik nicelik yeteneğine dayalı olarak GPR'yi optimal model olarak seçin.
   5. GPR hiperparametrelerini marjinal olasılık maksimizasyonu yoluyla optimize edin. GPR modelini, uygun yumuşatma ve genlik ölçeklendirmesini sağlamak için özellikle σ_l = 15.2 uzunluğu ölçeği ve σ_f = 0.8 sinyal varyansı ile optimal hiperparametrelerle yapılandırın.
   6. Tüm 16 pil yüklü konfigürasyonda optimizasyon ortamı oluşturun (Şekil 5) ve optimizasyon sonuçlarından temel bulguları analiz edin: Verimlilik, pil voltajıyla monoton bir artış gösterdi; 48 V konfigürasyonunda zirve noktasına ulaştı ve 48 V konfigürasyonda zirve noktaya ulaştı; REI = %168 (12 V temel çizgisinin %68 üzerinde, mutlak dönüşüm verimliliği fazlar arasında %45-95 değişiyordu), bu da 12 V taban çizgisine göre %68 bir iyileşmeyi temsil eder. Mekanik optimizasyon açısından farklı rejimler belirlendi: düşük yük koşulları (10 W) yüksek kadans stratejilerini (150-180 RPM, 50-70 N) desteklerken, daha yüksek yükler (50 W, 70 W) daha düşük kadanslara (100-120 RPM) ve pedal basıncını artırdı (100-150 N).
   7. Verimlilik-konfor dengelerinin Pareto sınır analizini yapın. Sistem performansı ile kullanıcı deneyimi arasındaki dengeyi değerlendirmek için, tüm deneysel konfigürasyonlarda verimliliği konforluk puanlarıyla karşılaştırın. Analiz, azalan getiriyle karakterize edilen doğrusal olmayan bir ilişki ortaya koydu ve özellikle 3,5 birim eşiğinin üzerindeki verimlilik artışlarının kullanıcı konforunda orantısız tavizlere yol açtığını gösterdi.
   8. Durum tanımlama için GMM-HMM çerçevesini entegre edin: Akıllı telefon hızlanma ölçerlerinde insan aktivitesi tanımasını geliştirmek için kullanılan^{metodolojilere dayanarak,} zamansal özellik dizilerini (μ_s, μ_{p, σ s}, σ_p çözmek için Gauss Karışımı emisyon modelleriyle (K=3 bileşen) Gizli Markov Modeli (HMM) uygulayın 10 örnek penceresinden) beş operasyonel duruma (ısınma, sabit durum, yüksek yoğunluk, iyileşme, yorgunluk) dönüştürülür. Parametreleri etiketlenmiş verilerin %70'inde (n=28 oturum, 196 segment) Baum-Welch algoritması kullanarak eğitin ve doğrulama setinde %87,3 sınıflandırma doğruluğu elde edilir. Sistem, gelecekteki durum değişikliklerini öngörmek ve kontrol parametrelerini proaktif olarak ayarlamak için yalnızca ileri durum geçiş olasılıklarını (kendi kendine geçiş ≥ 0.7) kullandı.
   9. GPR modelinin insan enerji üretim sistemi optimizasyonu için üstün performans gösterdiği sonucuna varılır (R² = 0.681)⁴²; bu da sağlam kontrol tasarımı için hem öngörü doğruluğunu hem de belirsizlik niceliğini sağlar. Bu çerçeve, GPR'nin akıcı ve doğrusal olmayan özelliklerinin insan biyomekaniğiyle doğal olarak uyumlu olduğu ve verimlilik maksimizasyonu ile kullanıcı konforu ve güvenliği arasında dengelenen risk farkında kontrol stratejilerini mümkün kılan, akıllı fitness tabanlı enerji toplama sistemleri için temel bir metodoloji oluşturur.

Şekil 5: GPR optimizasyon manzarası. Manzara, 16 voltaj-yük kurulumu boyunca verimlilik dağılımlarını ve verimlilik-konforlu Pareto sınır analizini gösteriyor. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

4. HPEG için Gauss süreç regresyon metodolojisi

1. Teorik çerçeve ve model yapısı
   1. Enerji dönüşüm verimliliğini bir Gauss süreci^{olarak tanımlayın 43}
      
   2. Dört boyutlu giriş alanını x = [s,p,v,l]T belirtin: ^Veri ön işleme, sürekli ve ayrık parametreler için farklı ölçeklendirme stratejileri içeriyordu. Pedal çevirme hızı ve uygulanan basınç için, ölçek eşitsizliğini ortadan kaldırmak için min-max normalizasyonu yapın. Ayrık kontrol parametreleri için, pil voltajı ve elektrik yükünü kodlayarak kategorik konfigürasyonlarını karşılaştırılabilir bir sayısal ölçekle eşleştirin.
   3. Önceki^44,45 için sıfır ortalama fonksiyonu m(x)=0 benimseyin, verimlilik manzarasını yakalamak için kovaryans^{yapısına dayanarak 46}.
   4. ARD Kare Üstel (ARD-SE) çekirdeğini sistematik ampirik değerlendirmeyle formül (2)'de gösterildiği gibi seçin. Parametre öneminin otomatik keşfini mümkün kılmak için, çekirdek yapısındaki her giriş boyutu için bağımsız uzunluk ölçekleri (l_d) tanımlanır. Ayrıca, modeli fonksiyon varyasyonlarının genliğini yönetmek için bir sinyal varyansı (σ²f) ile parametreleştirin ve ölçüm belirsizliğini açıkça hesaba katmak için bir gürültü varyansı terimi (σ²n) ekleyin.
      
   5. Hiperparametre vektörünü θ = (σf, l₁, l₂, l₃, l₄, σn) marjinal olasılık maksimizasyonuyla optimize edin:
      
      burada I, gürültü artırılmış kovaryans^{matrisi 47'yi} temsil eder.
   6. Hesaplama verimliliğini sağlamak ve sayısal istikrarı korumak için analitik türevler kullanan gradyan tabanlı yöntemler^{kullanın 48}. Hesaplamalı karmaşıklık, önbellekleme faktörlendirmesinden sonra her tahminde O(n³) (K_y'nin Cholesky ayrıştırması) ve O(n²) olarak ölçeklenir; bu da STM32F334'de n=112 için 47 ± 3 ms başlatma ve 8.3 ± 2.1 ms çıkarım gerektirir. Yakınsama, 15 ± 3 yineleme içinde sağlanır (Δlogp < ^10-4). Önyargı-varyans dengesini uzunluk ölçekleriyle düzenleyin: optimize edilmiş değerler (l_voltaj = 8.3, l_yük = 15.2) esneklik ile aşırı uyum dengesini sağlarken, σ_n = 0.15 sensör gürültüsüne uymayı engeller. Çapraz doğrulama, kalibre edilmiş belirsizliği doğrular; gözlemlerin %94,8'i 2-σ aralıklar içinde gerçekleşir.
2. Çok amaçlı optimizasyon mimarisi
   1. Enerji üretim verimliliğinin eşzamanlı optimizasyonu için üç birbirine bağlı model bileşeninden oluşan entegre bir GPR mimarisi^{geliştirmek; 49}, egzersiz stabilitesi ve kullanıcı konforu^50,51.
   2. Yeni girdi noktaları x* için tahmini dağılım, formül (4)'te gösterildiği gibi. Her değerlendirme noktası için, önce eğitim verisine göre kovaryans vektörü k_* ^{türetilir 52}. Ortaya çıkan öngörücü dağılım, posterior ortalama μ^*'yi birincil operasyonel^{tahmin olarak 53} olarak sağlar, ayrıca posterior varyans ile birlikte. Belirsizliği niceliklendirmek için ikincisini açıkça kullanın, böylece risk farkında kontrol stratejileri uygulanabilir⁵⁴.
      
   3. Forma (5)'te gösterildiği gibi, egzersiz durumu tahmini için zaman özellikleriyle özellik uzayını artırın. Egzersiz aşamaları (ısınma, sabit durum, yüksek yoğunluk ve toparlanma) arasındaki ayrımı kolaylaştırmak için, ham verileri işleyerek ana zamansal göstergeleri çıkarın. Özellikle, sinyal dalgalanmalarını karakterize etmek için 10 örneklik kaydırma penceresi (μ_s, μ_p) ve yerel değişkenlik ölçümleri (σ_s, σ_p) hesaplar.
      
   4. Formül (6)'da gösterildiği gibi, rekabet eden hedefleri dengeleyen bileşik çok amaçlı bir fonksiyon formüle edin. Performans niceliklendirmesi,_stabilite(x) =1/φ(1 +std(P_insan(x))) ve hızlı üst uzuv değerlendirmesine dayalı konfor metriğine ψ_konfor(x) dayanıyordu. Sonra, bireysel kullanıcı tercihlerine esnek uyum sağlamak için α,β,γ kısıtlamalarıyla α + β + γ γ ≥β α+ 0 kısıtlamaları ile ayarlanın.
      
   5. Gauss süreç vekili modelleri için uyarlanmış verimli çok amaçlı optimizasyon algoritmaları kullanarak enerji hasadı verimliliği, egzersiz stabilitesi ve kullanıcı konforu arasında farklı tavizleri temsil eden pareto-optimal^{çözümleri belirlemek.}
3. Uygulama stratejisi ve hesaplamalı optimizasyon
   1. Gerçek zamanlı kontrol için hesaplama kısıtlamalarını ele almak: Etkili kapalı döngü kontrolü için hedef tahmin gecikmesi 100 ms'in altına alın (insan biyomekanik yanıt süresi: 100 - 300 ms)⁵⁶.
   2. Hesaplama yükünü azaltmak için Cholesky ayrıştırma önbelleklemesini uygulayın: Model başlatma O(^{n 3}) Cholesky ayrıştırmasını gerektirse de, sistem mimarisi hızlı çıkarım için optimize edilmiştir. Çarpandırma matrislerini önbellekleyerek, gelecekteki öngörücü işlemler için hesaplama maliyeti O(n²) doğrusal-kuadratik karmaşıklığa düşürülür. Bir STM32F334C8T6 mikrodenetleyicide (ARM Cortex-M4, 72 MHz, 64 KB SRAM, çıplak metal) m = 30 indükleyici noktası kullanarak benchmarklar yapın; 100 çıkarım döngüsünde donanım zamanlayıcısıyla ölçülen 8,3 ± 2,1 ms ortalama tahmin gecikmesi elde edilir.
   3. Formül (7)'de gösterildiği gibi, büyük veri setleri için indükleyici noktalar kullanarak seyrek Gauss süreç yaklaşımı uygulanır. Hesaplamalı ölçeklenebilirliği ele almak için, m indükleyici noktalar (m ≪ n) kümesi seçerek seyrek bir yaklaşım stratejisi kullanın. Bu formülasyonda, indükleyici noktalar arasındaki ters kovaryansı temsil ederken, Λ yaklaşım belirsizliğini yakalar. Bu yaklaşım, O(m²)'ye kadar eğitim ve tahmin işleminin hesaplamalı karmaşıklığını başarıyla azalttı.
      
   4. Optimal yapılandırma tanımlaması için hiyerarşik uyarlanabilir ızgara araması kullanın: Arama protokolüne, normalize kinematik alanı ve tanımlanmış ayrık elektriksel konfigürasyonları kapsayan kaba 20 x 20 boyutlu bir ızgara üzerinde tahmin edilen verimliliği değerlendirerek başlatın. Çözüm hassasiyetini artırmak için, algoritma daha sonra arama alanını ilk geçişte tespit edilen yerel optimaların etrafına 5 x 5 yerel ızgaralar yerleştirerek geliştirdi.
   5. Arama alanını fizyolojik olarak uygulanabilir bölgelerle sınırlayın. Çeşitli kullanıcı gruplarından toplanan verilerin 20. ve 80. perdeliklerini hesaplayarak operasyonel kısıtlamalar belirleyin. Sistemin operasyonel noktalarını bu yüzde ile sınırlandırarak, egzersiz yoğunluğunu ampirik olarak konforlu^{sınırlar 57} içinde korur.
   6. Formül (8)'de gösterildiği gibi, model güvenine dayalı sistem davranışını otomatik olarak ayarlayan risk farkında bir kontrol politikası uygulayın. Sistem davranışını düzenlemek için risk_{λ risk >} 0 parametresi kullanın⁵⁸. Daha yüksek λ_risk değerleri belirsizliğe karşı muhafazakar yanıtlar verirken, λ_risk = 0 durumu standart beklenen fayda maksimizasyonu⁵⁹ ile örtüşür.
      
4. Doğrulama çerçevesi ve performans değerlendirmesi
   1. İnsan faktörleri verileri için özel olarak tasarlanmış katmanlı 5 katlı çapraz doğrulama gerçekleştirin. Ana kovaryatların dağılımsal bütünlüğünü korumak için veri bölmesi yapılması, özellikle kullanıcı demografiği ve fitness seviyelerinin^{foldlar 59} arasında dengeli temsilini sağlamak. Bu tabakalaşma, operasyonel koşullara da yayıldı ve her doğrulama^{döngüsü 60} içinde farklı sistem durumlarına eşit şekilde maruz kalmasını sağladı.
   2. Karşılaştırmalı değerlendirme için temel yöntemleri uygulamak: Modelleme aşaması, dört farklı algoritmanın uygulanmasını içeriyordu: GAM, LSBoost, SVR ve Rastgele Orman^{Regresyonu 61}. Bu modelleri aynı anda eğiterek performans tabanlarını belirleyin.
   3. Standart regresyon metriklerini hesaplayın: Nicel değerlendirme üç birincil ölçüğe dayanıyordu: varyans açıklamasını ölçmek için belirlenme katsayısı (R²), tahmin hatasını tahmin etmek için ortalama kare hata (MSE) ve ortalama mutlak hata (MAE).
   4. GPR'ye özgü olasılıksal metrikleri hesaplayın: Olasılıksal değerlendirme için negatif log tahmin yoğunluğunu hesaplayın.
   5. Farklı problem ölçeklerinde hesaplama performansını değerlendirin. Hesaplamalı ölçeklenebilirliği değerlendirmek için, artan veri seti boyutlarında eğitim süresini ve bellek ayak izini ölçmek. Ayrıca, gerçek zamanlı kontrol uygulamaları için gereken 10 ms'nin altındaki hedefi tutarlı şekilde karşılamak için tahmin gecikmesini titizlikle test^{etmek gerekir 62}.
   6. Pratik kullanıma kavuşabilirliği sağlamak için giyilebilir fitness cihazlarına özgü gömülü sistemler^{kıyaslaması 62,63}.
   7. Sürekli model uyarlaması için çevrimiçi öğrenme yetenekleri ekleyin: Sistem, gelen kullanıcıya özgü verileri gerçek zamanlı entegre etmek için özyinelemeli bir güncelleme mekanizması kullanır ve kapsamlı yeniden eğitim ihtiyacını etkili bir şekilde aşmaktadır. Bu yaklaşım, hesaplama verimliliğini korurken model doğruluğunun sürekli geliştirilmesini sağlar ve kritik bir denge^{sağlar 63}.
   8. Tasarım hedeflerine ulaşıldığını doğrulayın. Gömülü işlemcilerde tahmin gecikmelerini 10 ms'in altında tutmak için stratejik optimizasyonları doğrulayın, böylece gerçek zamanlı yanıt verebilirlik sağlanır. Ayrıca, uyarlanabilir şebeke araması, fizyolojik olarak güvenli operasyonel parametrelere ve kullanıcı konforu kısıtlamalarına sıkıya bağlı kalarak enerji üretim verimliliğini en üst düzeye çıkaran optimal yapılandırmaları başarıyla belirledi.
   9. Enerji toplama ile sağlık destekleyici fiziksel aktiviteyi kusursuzca entegre eden akıllı fitness temelli enerji toplama sistemleri için kapsamlı bir metodoloji oluşturun (Şekil 6).

Şekil 6: Üç fazlı GPR metodolojisi. Akış şeması model yapımı, çekirdek optimizasyonu ve çok amaçlı mimariyi detaylandırır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Results

Verimlilik, termodinamik dönüşüm verimliliğine (%0-%00) aitti. REI, göreli verimlilik endeksini ifade eder; (gözlemlenen/taban) x %100 olarak hesaplanır ve bu da %100'ü aşabilir. Heterojen ayarları karşılaştırmak için, aynı boru hattı altında ölçülen sabit bir temel konfigürasyonu (12 V-70 W) gözlemlenen verimliliğin bölünmesiyle hesaplanan Göreli Verimlilik İndeksi kullanılır. Dolayısıyla REI = %110, başlangıç seviyesine göre %10 kazancı gösterir, %100'ün üzerinde termodinamik verimlili...

Discussion

HPEG sistemleri için GPR tabanlı optimizasyonun başarılı uygulanması, mekanik bağlantı hassasiyeti ve hesaplama verimliliğine kritik şekilde^{bağlıdır 28}. Sadece jantlı konfigürasyon çok önemli oldu; çünkü tam tekerlek montajları, dönme ataleti varyasyonları nedeniyle takip verimliliğini %35-%45^{düşürdü 27}. 350 ± 50N için kayış gerginliği kalibrasyonu, özellikle kritik sapmalar erken arıza veya aşırı parazitik kayıplara yol açtığı ve GPR tahmi...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
AC priz modülü (Çin GB/T, panel tipi)	10/16 A, gömülü kaset, çocuk koruma panjurları	Beş delikli masaüstü AC güç prizi (siyah)	Wanyu
Ayarlanabilir poliüretan V-kemer	ABCZM tipi, eklemli PU kemeri	ABCZM evrensel eklemli poliüretan V-belt (çivili/çivisiz) / —
Ayarlanabilir anahtar	6 inç, lazer ölçeği	Ayarlanabilir anahtar 6 inçlik açık çeneli, parlatılmış sap 250006	Ruineng
Alternatör, üç fazlı kalıcı mıknatıs	300 W, 24 V (listelendiği gibi)	300– 400 W üç fazlı AC kalıcı mıknatıslı alternatör, 300 W 24 V	Jiunian
Batarya paketi, taşınabilir güç istasyonu	2400 W büyük kapasiteli taşınabilir ünite	2400 W taşınabilir yedek enerji santrali, çok fonksiyonlu güneş enerjisi depolama / & mdash;
Bisiklet zinciri	1/2" ve zamanlar; 1/8", 920kgf çekme mukavemi, %0,5 uzalma sınırı	KMC X101
Bisiklet bilgisayarı (kablosuz)	Su geçirmez, gece arka ışığı, hız/odometre	Kablosuz büyük ekranlı bisiklet bilgisayarı, su geçirmez, arka ışık / & dash;
Bisiklet eğitmeni (manyetik rulo, katlanabilir)	Manyetik direnç, havalandırmalı volan, çift kilitli düğmeler	Manyetik dirençli tekerlekli eğitmen, katlanabilir / & dash;
Bisiklet, yol (700C)	700C jantlar, dişli	700C aero yol bisikleti, çok hızlı	Sonsuza dek, Yongjiu
Şarj kontrolörü, MPPT (12/24 V)	Auto 12/24 V, 20 A (listelendiği gibi)	MPPT güneş şarjı kontrolörü 12/24 V 20 A	Lansheng
Akım sensörü, Hall-etkisi	± 100A, 20mV/A± %0,5 BW=120kHz	ACS758LCB-100B
Diyot (bloklama) & dash; Tam cihazı doğrula.	Schottky diyot / çift yönlü TRIAC / IXFN132N50P3 karışımları listelenmesi	IXFN132N50P3 (listede Schottky diyot ve çift yönlü TRIAC iddiaları) / & dash;
Diyot, ultrahızlı iyileşme	200V V_RRM, 30A I_F(AV), < 35ns t_rr	RHRG30120
Elektrik bandı (PVC)	9 m rulo	Elektrik bantı ET6 9 m	Boğa
Elektronik yük, programlanabilir	200W kesintili, 0--500V, 0--120A	BK Precision 8500
Mikrodenetleyici, 32-bit	ARM Cortex-M4, 72MHz, 12-bit ADC@5MSPS	STM32F334C8T6
MOSFET, P-kanalı	RDS(on)< 10mΩ, 200V, -12A	IRFP9240
Multimetre, dijital	Arkadan aydınlatmalı, aşırı yüklenmeye karşı korumalı	Dijital multimetre DEM23, arkadan aydınlatma, yanma önleyici & nbsp;	Delixi
Multimetre, hassasiyet	6,5 haneli, %0,0035 DCV doğruluğu	Fluke 8845A	Şans
Operasyonel amplifikatör, dörtlü	Raydan raya, Vos< 2mV, 1MHz GBW	MCP6004
Kalıcı mıknatıs jeneratörü	24V/300W, 12 kutuplu, NdFeB N42 mıknatıslar	YC-FD300
Sıfırlanabilir devre kesici (push-to-reset)	3– 50 A serisi (listelendiği gibi)	Termal sıfırlama devre kesici 88/98 Serisi/AR 3– 50 A	Kuoyuh
Tornavida seti (Phillips/düz)	6& kez; 100 mm, manyetik uçlar, 2 parça	Manyetik düz tornavida seti 6 x 100 mm (2 pc) & nbsp;	Phillips
Yazılım, programlama dili	Sürüm 3.8, GUI framework ile		Python
Terminal bloğu, tek pozisyonlu (DIN/panel)	IN-100BK, 130 A sınıfı (listelendiği gibi)	DIN-ray terminal bloğu IN-100BK, tek pozisyonlu ve nbsp;	WeilianDun
Terminal bloğu, tek pozisyonlu (DIN/panel)	IN-411S, 60 A sınıfı (listelendiği gibi)	DIN-ray terminal bloğu IN-411S, tek pozisyon ve nbsp;	WeilianDun
Lastik kolları (çift)	12 inç (30 cm), 2 adet	Lastik kolları 12 inç (çift) & nbsp;	Chengzhou
TVS diyot	135V kelepçe, 1500W tepe ve lt; 1ps yanıtı	1.5KE100A
Kablo konnektörler, sıkma hızlı bağlantı (mermi)	1.5&ntir; 2.5 mm², naylon, mavi, 100 set	Bullet hızlı bağlantı kablo konnektörleri, mavi (100 set) & nbsp;	Gotoele
Tel soyucu/sıxıcı	7 inç, çok işlevli	7 inçlik çok işlevli tel soyucu DL902200	Deli
Tel, silikon (12 AWG ≈ 3.4 mm²)	Yüksek sıcaklık silikon yalıtımı, 1 m	Silikon tel 12 AWG (& asymp; 3.4 mm²) 1 m	Lanjiang