基於物理資訊的人工神經網路優化無人機電池熱管理系統

摘要：本文進行基於物理資訊建立人工神經網路優化無人機電池熱管理系統研究。因無人機近年來的需求和產量日增，電池熱管理系統也成為顯學。而無人機電池熱管理系統技術，許多機型採取鰭片氣冷設計，在飛行時保持電池溫度不超過50℃。在設計無人機飛行時的散熱鰭片，傳統使用數值模擬分析進行設計，包括有限元素法、有限差分法或有限體積法。優勢是工程師可以在製作前透過數值模擬，找到鰭片的合適設計，但不容易找到最佳解；另一種作法則是利用大量的數據後，執行人工神經網路運算，找到最適解。然而透過人工神經網路，需要非常多的時間產生足夠大的數據，人工神經網路的準確度才會高。本文透過物理資訊建立人工神經網路，讓損失函數可以利用已知的微分方程進行更快修正，進一步減少輸入數據，加快找到最適解。

Abstract：This article conducts research on establishing an artificial neural network based on physical information to optimize the UAV battery thermal management system. Due to the increasing demand and production of drones in recent years, battery thermal management systems have also become prominent. As for drone battery thermal management system technology, many models adopt fin air-cooling designs to keep the battery temperature from exceeding 50°C during flight. When designing heat dissipation fins for drone flight, numerical simulation analysis is traditionally used for design, including the finite element method, finite difference method, or finite volume method. The advantage is that engineers can find the appropriate design of the fins through numerical simulation before production, but it is not easy to find the optimal solution. Another method is to use a large amount of data to perform artificial neural network calculations to find the optimal solution. However, through artificial neural networks, it takes a lot of time to generate large enough data, so that the accuracy of artificial neural networks will be high. This article uses physical information to establish an artificial neural network, so that the loss function can be modified faster using known differential equations, further reducing input data and speeding up finding the optimal solution.

關鍵詞：人工神經網路、無人機、電池熱管理系統

Keywords：Neural network, UAV, Battery thermal management system

前言

近年來無人機隨著消費者的需求不斷提升性能，其中純電或混合動力的無人機，需要良好的電池熱管理系統，才能保護電池在安全的工作環境下操作。好的電池熱管理系統，在飛行時須保持電池溫度不超過50 ℃，且不能發生熱失控。目前全世界無人機電池熱管理系統方針，採用幾種方式：自然對流氣冷、強制對流氣冷、間接式水冷和直接式水冷。其中氣冷系統的重量比水冷系統輕，對無人機飛行較不會造成電力負擔。故氣冷系統的鰭片設計非常重要，好的鰭片設計可以有較高的熱交換效率和較輕的質量，不僅讓電池保持適當的工作溫度，散熱系統的重量也不會造成無人機飛行負擔，節省電池能源。傳統製作散熱鰭片前，會先以數值模擬進行分析，確保散熱鰭片熱交換效率，節省開發成本。數值模擬大致分為有限元素法、有限體積法和有限差分法。這三種皆能有效分析鰭片的溫度分布，然而對於最佳化設計，通常需要工程師的物理知識和工程經驗，並需要花非常多的時間設計。另一種方法是近年來一些模組廠或系統廠的方式，利用公司或工廠製作大量的鰭片實體資料，因有測試數據，可以藉此建構人工神經網路。人工神經網路是一種模擬人類大腦工作方式的計算模型。它由多個相互連接的人工神經元組成，這些神經元可以接受輸入數據、進行信息處理並生成輸出。以鰭片為例，輸入值包括發熱源尺寸、發熱源的瓦數範圍、鰭片底部的寬度和長度、鰭片的間距、材質、後加工處裡；輸出值則是散熱性能、電池溫度、鰭片成本等。人工神經網路可以通過學習過程來提高其對輸入數據的處理能力，配合大量模組或系統散熱的資料，讓人工智能自動學習，快速找到各種鰭片的最佳參數。但這方式的缺點在於操作人員需要有大量的數據，並且僅限於過往相近的機型開發，效果才會明顯[1]。而本研究使用George Em Karniadakis等人[2]的基於物理資訊的機器學習(Physics-informed machine learning，以下簡稱PIML)，另稱為基於物理資訊的人工神經網路(Physics-informed neural networks，以下簡稱PINN)，除了傳統利用輸出值讓損失函數修正人工神經網路的權重，使機器學習可以正確學習數據資料外，額外將物理學中的相關方程式導入，利用微分方程項，擴增損失函數值。換而言之，它將深度學習和物理模型相結合，利用人工神經網路的優勢，自動學習從數據中提取的特徵和模式，同時參考已知的物理定律來訓練神經網路，以實現更好的泛化性和更準確的預測。這樣造成PIML的優勢是可以用相對少量的物理數據來進行訓練，在實驗數據稀缺或昂貴的情況下特別有用。通過將物理定律內建到人工神經網路的結構中，能夠生成符合物理規律的預測，並且在不需要龐大的標記數據集的情況下實現高效的學習。我們利用此優勢，結合有限差分法，讓數據利用數值模擬不斷產生，而產生的資料則利用PIML進行快速計算，協助工程師找到最適解。

實驗方法

我們以旋翼式無人機做PIML散熱鰭片優化，幾何設計如圖1所示。電池包放置於機身的中間偏下方，讓無人機飛行時最下方能夠乘載負荷。電池熱管理系統設計於電池下方，電池規劃使用21700電池，電池和散熱鰭片中間放置均溫蒸氣腔( Vapor chamber )，讓電池的熱量傳遞到散熱鰭片之間，先透過均溫蒸氣腔讓電池溫度可以較均勻。此設計因可以讓電池的溫度較為均勻傳遞到鰭片，可假設在單位面積下等熱通量傳遞，讓各項方程式簡化成一維的微分方程。而在均溫板下方為散熱鰭片，機身採用自然對流，不使用額外電力操作風扇，僅靠飛機飛行時的風流量進行散熱。

圖1 無人機電池熱管理系統示意圖

利用PIML演算法導入無人機的氣冷散熱鰭片優化散熱分析，因需要有測試結果，本研究採用數值模擬分析，每一個資料產生的方法為有限差分法的數值模擬方式。靠著數值模擬分析，可以簡化實驗操作和成本耗損，讓PIML學習的時間更短。有限差分法使用的程式為Python，PIML使用的程式亦為Python。因PIML結合數值模擬器後，可整合物理資訊以及分散的雜訊資料，這使得我們能夠充分利用物理特性，將其融入模型訓練過程中，從而提高了模型對氣冷系統鰭片實體及散熱真實性的適應能力。更進一步將這種物理約束整合進人工神經網路的損失函數，使得鰭片優化速度可以因此加速，不需要大量的數據資料，或者僅需要少量的數值模擬分析資料，即可推出最適解。散熱鰭片在無人機氣冷使用的參數資料，包括鰭片的底厚、鰭片高度、鰭片的間距、鰭片(圓柱)的半徑、材質等。如使用傳統的人工神經網路，如圖2所示。損失函數使用計算出的結果(Output值)和輸入參數去做人工神經網路的修正，將偏差(Bias)修正成最合適的狀態。

圖2 傳統的人工神經網路