核心发现
方法论
本文提出了一种结合尖峰神经网络（SNN）和可微分常微分方程（ODE）求解器的架构，用于电源转换器的参数估计。该方法通过将尖峰时序处理与物理约束分离，利用三层泄漏积分与发放（LIF）神经元估计被动元件参数，同时通过ODE求解器提供物理一致的训练。此架构在电磁干扰（EMI）污染的同步降压转换器基准测试中表现出色。
关键结果
- 在EMI污染的同步降压转换器基准测试中，SNN将总电阻误差从25.8%降低到10.2%，达到了被动元件制造公差的±10%范围内，并在神经形态硬件上预计能耗降低约270倍。
- 持久的膜电位状态使得在突发故障时，通过尖峰率增加5.5个百分点，实现了退化跟踪和事件驱动的故障检测。
- 架构在Intel Loihi 2或BrainChip Akida上实现了93%的尖峰稀疏性，适合于始终在线的部署。
研究意义
该研究在学术界和工业界具有重要意义，尤其是在资源受限的边缘设备上实现高效的电源转换器健康监测。通过将尖峰神经网络与物理信息神经网络相结合，解决了传统GPU或云加速器在能耗和实时性方面的瓶颈，为电力电子设备的数字孪生和预测性维护提供了新的可能性。
技术贡献
技术贡献包括通过分离尖峰时序处理和ODE物理约束，解决了通过展开的尖峰动态进行自动微分计算ODE残差的计算复杂性和数值不稳定性的问题。该架构不仅在能耗上具有显著优势，还提供了物理一致的参数估计，适合在神经形态硬件上直接部署。
新颖性
本研究首次将尖峰神经网络与可微分ODE求解器结合，用于电源转换器的参数估计。与现有的物理信息神经网络相比，该方法在能耗和实时性上具有显著优势，并实现了物理一致的训练。
局限性
- 在训练过程中，尖峰神经网络的替代梯度噪声可能导致参数估计的振荡，需通过最佳检查点选择来缓解。
- 该方法在处理多种操作条件和噪声实现的统计验证方面仍需进一步研究。
- 在某些情况下，尤其是初始瞬态的EMI污染下，电感的估计误差可能较大。
未来方向
未来的研究方向包括在多种操作条件和噪声实现下进行多次试验的统计验证；结合尖峰动态和鲁棒损失函数以缩小精度差距；在连续波形之间进行训练以适应周期间故障；以及在BrainChip Akida或Intel Loihi 2上进行硬件部署以测量功耗和延迟。
AI 总览摘要
在现代电力电子系统中，电源转换器的健康监测是确保系统可靠性和效率的关键。然而，传统的基于GPU的物理信息神经网络由于其高能耗和实时性限制，难以在边缘设备上实现始终在线的监测。
本文提出了一种结合尖峰神经网络（SNN）和可微分常微分方程（ODE）求解器的创新架构，用于电源转换器的参数估计。该方法通过将尖峰时序处理与物理约束分离，利用三层泄漏积分与发放（LIF）神经元估计被动元件参数，同时通过ODE求解器提供物理一致的训练。
尖峰神经网络通过模拟生物神经元的时序动态，以离散尖峰事件而非连续值激活的方式处理信息。这种方法在神经形态硬件上实现了显著的能耗优势，适合于资源受限的边缘设备。
在电磁干扰（EMI）污染的同步降压转换器基准测试中，SNN将总电阻误差从25.8%降低到10.2%，达到了被动元件制造公差的±10%范围内，并在神经形态硬件上预计能耗降低约270倍。持久的膜电位状态使得在突发故障时，通过尖峰率增加5.5个百分点，实现了退化跟踪和事件驱动的故障检测。
该研究不仅在能耗和实时性上具有显著优势，还为电力电子设备的数字孪生和预测性维护提供了新的可能性。然而，尖峰神经网络的训练过程中存在替代梯度噪声的问题，未来的研究方向包括在多种操作条件和噪声实现下进行多次试验的统计验证。
深度分析
研究背景
电力电子系统在现代工业和消费电子中扮演着至关重要的角色，尤其是在电源转换器的应用中。随着数字孪生技术的发展，物理信息神经网络（PINNs）被广泛应用于电源转换器的在线参数识别和预测性维护。然而，PINNs通常依赖于GPU或云加速器进行浮点乘加运算，这在能耗和实时性方面限制了其在边缘设备上的应用。近年来，尖峰神经网络（SNNs）作为一种受生物启发的计算模型，因其在神经形态硬件上的低能耗优势而受到关注。
核心问题
电源转换器的健康监测需要在能耗受限的边缘设备上实现始终在线的推理，这对于传统的基于GPU的PINNs来说是一个挑战。具体而言，PINNs的推理需要在GPU或云加速器上进行浮点乘加运算，使得在成本和功率受限的转换器系统中进行始终在线的状态监测变得不切实际。
核心创新
本文的核心创新在于提出了一种结合尖峰神经网络（SNN）和可微分常微分方程（ODE）求解器的架构，用于电源转换器的参数估计。• 该方法通过将尖峰时序处理与物理约束分离，利用三层泄漏积分与发放（LIF）神经元估计被动元件参数。• ODE求解器提供物理一致的训练，通过解耦ODE物理损失与展开的尖峰循环，实现了计算复杂性和数值稳定性的提升。
方法详解
- �� SNN估计器：处理噪声波形并输出三个标量参数（电感、容抗和总电阻）。• 可微分ODE求解器：使用估计的参数进行ODE积分，生成预测波形。• 重构损失：计算预测波形与测量波形之间的均方误差（MSE）。• 梯度流从重构损失通过ODE求解器流入SNN权重，通过替代梯度实现标准反向传播。
实验设计
实验在一个同步降压转换器基准测试上进行，使用真实参数进行ODE仿真，并加入结构化EMI噪声。SNN估计器使用三层LIF隐藏层，并通过Adam优化器进行训练。实验结果表明，SNN在总电阻的估计误差上优于传统的前馈网络，并在能耗上具有显著优势。
结果分析
实验结果显示，SNN在EMI污染的同步降压转换器基准测试中，将总电阻误差从25.8%降低到10.2%，达到了被动元件制造公差的±10%范围内。此外，SNN在神经形态硬件上实现了93%的尖峰稀疏性，能耗降低约270倍。持久的膜电位状态使得在突发故障时，通过尖峰率增加5.5个百分点，实现了退化跟踪和事件驱动的故障检测。
应用场景
该方法适用于资源受限的边缘设备上的电源转换器健康监测，尤其是在需要始终在线监测的场景中。通过在神经形态硬件上实现低能耗的推理，该架构为电力电子设备的数字孪生和预测性维护提供了新的可能性。
局限与展望
尽管该方法在能耗和实时性上具有显著优势，但在训练过程中，尖峰神经网络的替代梯度噪声可能导致参数估计的振荡。此外，该方法在处理多种操作条件和噪声实现的统计验证方面仍需进一步研究。未来的研究方向包括在多种操作条件和噪声实现下进行多次试验的统计验证，以及在BrainChip Akida或Intel Loihi 2上进行硬件部署以测量功耗和延迟。
通俗解读 非专业人士也能看懂
想象一下，你在厨房里做饭。传统的神经网络就像一个大型的厨房电器，需要大量的电力来处理复杂的食材。而尖峰神经网络就像一个聪明的厨师，只在需要的时候才使用电力，节省了大量的能量。这个聪明的厨师通过观察食材的变化，判断出需要添加哪些调料来保持菜肴的美味。在电源转换器的健康监测中，尖峰神经网络就像这个聪明的厨师，通过观察电流和电压的变化，判断出电源转换器的健康状态。与传统方法不同，尖峰神经网络不需要一直开着电器，而是通过智能的方式来节省能量。这种方法不仅节省了电力，还能在故障发生时快速做出反应，就像厨师在发现菜肴变味时立即调整调料一样。
简单解释 像给14岁少年讲一样
嘿，小伙伴们！你们知道吗？在我们的手机和电脑里，有一些小小的电源转换器，它们就像是给设备充电的超级英雄！但有时候，这些超级英雄也会生病哦。为了让它们一直保持健康，我们需要一种聪明的方法来监测它们的健康状态。传统的方法就像是用显微镜观察超级英雄的每一个细节，非常耗电。而我们今天要讲的尖峰神经网络就像是一个超级聪明的侦探，只在需要的时候才出动，节省了大量的电力。这个侦探通过观察电流和电压的变化，判断出超级英雄的健康状态。更酷的是，当超级英雄遇到麻烦时，这个侦探会立刻发出警报，就像发现坏人时吹响警笛一样！所以，尖峰神经网络不仅聪明，还非常节能，是不是很酷呢？
术语表
尖峰神经网络 (Spiking Neural Network)
一种受生物神经元启发的计算模型，通过离散尖峰事件而非连续值激活来处理信息。
用于电源转换器的参数估计和健康监测。
物理信息神经网络 (Physics-Informed Neural Network)
结合物理约束和神经网络的模型，通过嵌入物理方程作为软约束来提高模型的物理一致性。
用于电源转换器的在线参数识别。
神经形态计算 (Neuromorphic Computing)
一种模仿生物神经系统的计算方法，旨在实现低能耗的智能计算。
在Intel Loihi 2或BrainChip Akida上实现低能耗的电源转换器健康监测。
泄漏积分与发放神经元 (Leaky Integrate-and-Fire Neuron)
一种神经元模型，通过在膜电位达到阈值时发放尖峰来模拟生物神经元的时序动态。
用于尖峰神经网络中的时序处理。
常微分方程 (Ordinary Differential Equation)
描述连续变化系统的数学方程，通过ODE求解器进行数值积分。
用于提供物理一致的训练。
电磁干扰 (Electromagnetic Interference)
由电磁场引起的对电子设备的干扰，常见于电源转换器的操作中。
在实验中加入结构化EMI噪声以测试模型的鲁棒性。
数字孪生 (Digital Twin)
物理对象或系统的数字化副本，用于模拟和监测其性能。
用于电力电子设备的在线监测和预测性维护。
替代梯度 (Surrogate Gradient)
用于尖峰神经网络训练的技术，通过替代不可微的激活函数实现梯度计算。
在训练过程中用于实现标准反向传播。
能耗 (Energy Consumption)
计算设备在执行任务时消耗的能量，通常以焦耳或瓦特为单位。
在神经形态硬件上实现低能耗的推理。
事件驱动 (Event-Driven)
一种计算模式，仅在特定事件发生时进行计算，以节省能量。
用于故障检测和退化跟踪。
开放问题 这项研究留下的未解疑问
- 1 如何在多种操作条件和噪声实现下验证尖峰神经网络的鲁棒性？目前的方法在统计验证方面仍需进一步研究。
- 2 尖峰神经网络的替代梯度噪声如何影响参数估计的稳定性？需要更深入的研究来理解其对训练过程的影响。
- 3 如何结合尖峰动态和鲁棒损失函数以缩小精度差距？这是提高模型性能的一个潜在方向。
- 4 在连续波形之间进行训练以适应周期间故障的可能性如何？这需要进一步的实验验证。
- 5 如何在BrainChip Akida或Intel Loihi 2上进行硬件部署以测量功耗和延迟？需要实际的硬件测试来验证模型的性能。
应用场景
近期应用
电源转换器健康监测
通过尖峰神经网络实现低能耗的电源转换器健康监测，适用于资源受限的边缘设备。
数字孪生技术
在电力电子设备中应用数字孪生技术，实现在线监测和预测性维护，提高系统可靠性。
事件驱动故障检测
利用尖峰神经网络的事件驱动特性，实现快速故障检测，适用于实时性要求高的应用场景。
远期愿景
智能电网
在智能电网中应用尖峰神经网络，实现高效的电力监测和管理，推动能源行业的智能化转型。
边缘智能计算
在边缘设备上实现智能计算，推动物联网和边缘计算的发展，支持更多智能应用场景。
原文摘要
Always-on converter health monitoring demands sub-mW edge inference, a regime inaccessible to GPU-based physics-informed neural networks. This work separates spiking temporal processing from physics enforcement: a three-layer leaky integrate-and-fire SNN estimates passive component parameters while a differentiable ODE solver provides physics-consistent training by decoupling the ODE physics loss from the unrolled spiking loop. On an EMI-corrupted synchronous buck converter benchmark, the SNN reduces lumped resistance error from $25.8\%$ to $10.2\%$ versus a feedforward baseline, within the $\pm 10\%$ manufacturing tolerance of passive components, at a projected ${\sim}270\times$ energy reduction on neuromorphic hardware. Persistent membrane states further enable degradation tracking and event-driven fault detection via a $+5.5$ percentage-point spike-rate jump at abrupt faults. With $93\%$ spike sparsity, the architecture is suited for always-on deployment on Intel Loihi 2 or BrainChip Akida.
参考文献 (10)
Advancing Neuromorphic Computing With Loihi: A Survey of Results and Outlook
Mike Davies, Andreas Wild, G. Orchard 等
Towards spike-based machine intelligence with neuromorphic computing
K. Roy, Akhilesh R. Jaiswal, P. Panda
Training Spiking Neural Networks Using Lessons From Deep Learning
J. Eshraghian, Max Ward, Emre O. Neftci 等
Neural Ordinary Differential Equations
T. Chen, Yulia Rubanova, J. Bettencourt 等
Spiking Neural Networks for Low-Power Vibration-Based Predictive Maintenance
Alexandru Vasilache, Sven Nitzsche, Christian Kneidl 等
The remarkable robustness of surrogate gradient learning for instilling complex function in spiking neural networks
Friedemann Zenke, T. Vogels
Networks of Spiking Neurons: The Third Generation of Neural Network Models
W. Maass
Loihi: A Neuromorphic Manycore Processor with On-Chip Learning
Mike Davies, N. Srinivasa, Tsung-Han Lin 等
CMSIS-NN: Efficient Neural Network Kernels for Arm Cortex-M CPUs
Liangzhen Lai, Naveen Suda, V. Chandra
Benchmarking Keyword Spotting Efficiency on Neuromorphic Hardware
Peter Blouw, Xuan Choo, Eric Hunsberger 等