本发明涉及传感器，具体涉及具有压电振动能量收集功能的传感器，特别涉及基于svm模型的自供电传感器效率控制方法及智能控制系统。
背景技术：
1、随着信息技术的迅猛发展，无线传感节点所采集的数据已成为物联网信息汇聚的重要组成部分。这些节点因其体积小、易于嵌入的特性，并且能够在危险或偏远地区等复杂环境下稳定工作，因此在农业气候预警、工业产品检测以及生活智能水电抄表等多个领域均有广泛应用[1-3]。
2、然而，传统的无线传感节点通常采用有源线路或电池供电方式。尽管这些方式在某些场景下能满足供电需求，但它们限制了无线传感节点的使用环境，而电池供电则需要定期更换和回收电池，增加了运营成本。特别是在偏远地区，线路铺设困难，电池更换成本高昂且操作难度大[4-5]。
3、为了解决这些问题，研究者们开始探索利用环境能量作为无线传感节点的电源。目前，热能、风能、太阳能等环境能量收集方式已被广泛研究[6]。尽管温差能在许多场景下都较为常见，但由于环境中的可利用能量相对微弱，且功率密度不理想，因此压电振动能量收集器成为当前的主流选择[7-8]。
4、压电振动能量收集器的自供电机制如图2所示[8-9]。其工作原理是：高频发生梁通过绳索触发或由低频驱动梁直接冲击，当压电材料受到外力作用时，会产生电荷分离，从而生成电压和电流。
5、这种机制使得传感器能够从其工作环境的振动中捕获能量，并将其转换为电能以供自身使用。值得注意的是，压电振动能量采集器的中心工作频率通常能达到74.75hz至106hz，相较于传统的能量采集方法，其带宽提高了4.2倍。
6、当前，如何提高压电振动能量收集器的能量收集效率已成为研究热点。现有技术[10-13]已公开了多种跟踪压电振动能量收集器最大功率点的方法，这些方法主要利用三极管或电容等元件组成的提取器来实现对当前压电振动能量收集器的能量提取及供电效率的换算。
7、然而，这些技术在实际应用中存在一定的局限性。它们主要适用于已经成型的产品进行测量，而对于处于设计阶段或品控阶段的压电振动能量收集器，尤其是臂梁的设计、工艺性能控制及成型阶段，如果现有技术检测到其供电效率不满足相关工艺要求，那么只能将该臂梁及整个压电振动能量收集器报废处理。因此，如果能在臂梁的设计阶段就实现对其供电效率的预测，无需依赖外部提取器的工作，那么将能够在设计阶段提供有针对性的指导策略，并对臂梁进行进一步的参数调整，以确保产品的供电效率满足工艺需求，从而降低产品的报废率。
8、为此，本发明提出基于svm模型的自供电传感器效率控制方法及智能控制系统。
技术实现思路
1、有鉴于此，本发明实施例希望提供基于svm模型的自供电传感器效率控制方法及智能控制系统，以解决或缓解现有技术中存在的技术问题，即如何无需依赖外部提取器，在臂梁的设计阶段就实现对其供电效率的预测。并对此至少提供一种有益的选择；本发明的技术方案是这样实现的：
2、第一方面，基于svm模型的自供电传感器效率控制方法：
3、(一)概述：
4、为了实现不依赖外部提取器，在臂梁的设计阶段就实现对其供电效率的预测，本技术方案首先需要考虑了臂梁自由振动、阻尼影响、边界条件和模态响应等因素的运动模型来描述臂梁的动态行为，然后使用svm模型与其动态行为建立映射关系。在臂梁的设计阶段，依靠svm模型在“当前臂梁的动态行为”和“供电效率”之间进行桥接并加以换算，实现臂梁的设计阶段就实现对其供电效率的预测，提供有针对性的指导策略，并对臂梁进行进一步的参数调整，以确保产品的供电效率满足工艺需求，从而降低产品的报废率。
5、(二)运动模型：
6、在实现上述技术需求的基础上，需先制定一运动模型以评判压电振动能量收集器的工作特征。即如何通过考虑自由振动、阻尼影响、边界条件和模态响应的因素，使得该模型能够准确地描述压电振动能量收集器的动态行为。该运动模型为：
7、2.1自由振动及其控制：
8、如图2所示，设任意一臂梁中性轴上的任意一点的位移为w(x,t)，表示在x位置处t时刻的绝对位移，基于杨氏模量y、惯性矩i和臂梁单位长度质量m，通过物理振动和力学原理建立了位移w(x,t)与这些参数之间的关系。这个方程反映了在没有任何外力作用下的自由振动状态，形成一个自由振动方程：
9、
10、其中，杨氏模量y和惯性矩i两者的乘积由截面集合参数与杨氏模量共同决定。
11、考虑了在实际情况下，由于阻尼作用，自由振动会受到影响。因此需要对式(1)进行扩充表述，将自由振动方程更为一控制方程：
12、
13、其中，ca为外部空气的粘滞阻尼，csi为内应变阻尼项。
14、2.2计算位移：
15、基于2.1，考虑到臂梁相对于固定惯性系的横向绝对位移关系，因此将基础位移和相对位移结合，有助于分析整个系统的振动特性：
16、w(x,t)＝wb(t)+wr(x,t)………(式3)
17、其中，wr(x,t)是横向位移量，wb(t)是基础位移：
18、wb(t)＝δ1(x)g(t)+δ2(x)h(t)………(式4)
19、其中，δ1(x)和δ2(x)是在特定条件下取值为1和x的函数，用于在式(3)的推导中替代绝对位移；g(x)是内部激励项，将在式(19)中被使用并更新。h(t)是阻尼激励项。
20、如果能引入边界条件，将振动方程的解限制在一定范围内，使得解具有实际意义。可体现了振动系统在实际应用中的约束条件，是振动分析中的重要一环，因此对于臂梁而言可令δ1(x)、δ2(x)分别为1、x，所以将式(3)带入到式(2)得出：
21、
22、因此，可用基础位移和相对横向位移替代绝对位移，就可以让绝对位移情况下的自由振动方程变为相对位移情况下的受迫振动方程。
23、2.2引入边界条件：
24、设臂梁的边界条件为：
25、
26、为了简化计算，引入了质量归一化的特征函数φr(x)，这样每个模态的振动都可以用一个特定的函数来描述，同时考虑了该模态在臂梁不同位置上的振幅分布。
27、
28、其中，上式(6)～(8)反映了如下内容：
29、1)引入边界条件：首先设定了臂梁的边界条件(如式(5)所示)，这些条件限定了臂梁在振动时的位移和/或力的行为。
30、2)使用模态分析：通过将振动方程分解为一系列模态(或本征函数，如式(6)所示)，每个模态对应一个特定的振动模式，这使得复杂的振动问题得以简化。
31、3)正交性条件：式(8)和式(9)中提到了模态函数(本征函数)之间的正交性条件，这是模态分析方法的一个重要特性，确保每个模态的振动行为是独立的，不会相互干扰。
32、进而用收敛的本征函数形式表示式(5)的解：
33、
34、其中在式(9)中考虑了阻尼效应，通过引入机械阻尼比ξr来描述阻尼对振动行为的影响。这允许我们分析在存在阻尼的情况下，臂梁的振动将如何随时间衰减。
35、其中，φr(x)和ηr(t)分别为臂梁第r阶振动模态坐标和质量归一化的特征函数。
36、又因为系统的阻尼是线性的[9]，所以φr(x)实质上是相同边界条件下对应无阻尼自由振动问题的质量归一化本征函数。因此，第r阶模态的质量归一化本征函数为：
37、
38、其中，l是臂梁的长度。通过式(10)我们可以计算出在给定外部激励下，臂梁上任意位置的振动响应。这为我们提供了关于压电振动能量收集器在实际工作条件下性能的重要信息。
39、其中，λr是无量纲频率，可从特征方程中得到：
40、1+cosλrcoshλr＝0………(式11)
41、σr为：
42、
43、同时归一化的本征函数除了要满足上述条件，还需要符合正交条件：
44、
45、其中，φs(x)表示的是臂梁第s阶振动模态坐标的质量归一化本征函数。它是用于描述臂梁在特定振动模态下的位移分布的函数。式(13)反映了振动系统在不同模态下的振动特性。归一化的本征函数实质上是无阻尼自由振动问题的质量归一化本征函数，通过它可以分析振动系统的固有频率和振动模态。同时δrs是dirac符，定义r＝s时为1，否则为0，ωr为无阻尼作用时r阶固有频率：
46、
47、结合边界条件的同时，还需考虑特征函数的正交条件，得到常微分方程集合：
48、
49、其中，通过式(15)和式(16)描述了如何计算得到臂梁第r阶模态的质量归一化本征函数φr(x)以及对应的无量纲频率λr。这里采用了振动模态分析的方法，将复杂的振动问题分解为一系列简单的模态振动问题，使得每个模态有其特定的频率和形状。
50、其中，ξr是机械阻尼比，包括应变阻尼cs，阻尼比描述了系统能量耗散的速度，对于振动系统的动态响应有重要影响：
51、
52、其中，fr(t)是模态力函数：
53、
54、式(18)定义了模态力函数fr(t)，通过激励项描述了作用于模态上的力，是分析振动系统响应的关键。其中，是内部激励项，是阻尼激励项；式中的激励函数为：
55、
56、该激励函数的设计会把外部阻尼的部分忽略，那么基于杜哈梅积分原理，通过已知的模态函数和激励函数，可直接计算得到模态响应。
57、这个方程在振动分析和控制中提供了计算系统在不同激励下的响应的方法，因此当我们知道模态函数的时候，就可以通过杜哈梅积分解算出模态响应ηr(t)，有助于预测和优化系统的性能：
58、
59、其中，τ是时间标记，表示杜哈梅积分在外载激励作用的时刻。用于在积分中定位并计算在不同时间点上的系统响应。ωrd为第r阶模态的阻尼固有频率，描述了不同模态下，由内部和外部激励产生的力的变化：
60、
61、2.3得到任意位置的响应：
62、最后，将式(20)得到的模态相应带入至式(9)，结合本征函数，得到任意位置的响应为：
63、
64、这是将模态分析的结果应用于实际物理系统响应的计算过程。
65、经更新后的响应值wr(x,t)是一个表示压电振动能量收集器的臂梁相对于固定惯性系的横向绝对位移关系的值。它基于模型中的自由振动方程和引入的阻尼影响、边界条件以及模态响应等因素进行计算得出，代表了臂梁在任意位置x和时间t的横向绝对位移量。
66、悬臂的位移幅度直接影响着压电材料所经受的应力和应变状态，进而决定了压电材料产生的电荷量和电压水平。随着悬臂位移的增大，压电材料内部的应力与应变亦随之增强，从而导致电荷生成的增多，这对于提高能量转换效率具有积极作用。
67、(三)svm模型的技术方案：
68、尽管上文的运动模型能计算得出悬臂的响应值wr(x,t)，但这一参数与压电材料供电效率之间的关系并非线性或直观可得的。wr(x,t)反映了压电振动能量收集器在振动过程中的动态行为和工作特性，但其本身并不直接等同于供电效率。
69、因此为了更准确地评估能量收集器的性能，需要进一步解析wr(x,t)与压电材料供电效率之间的内在联系，并借助更先进的模型来建立两者之间的映射关系。
70、本技术方案选择的是svm模型(支持向量机模型)，目标是建立响应值wr(x,t)与供电效率e之间的映射关系并实现供电效率e的预测。该目标实质上属于要解决一种回归问题，因svm模型本身就是一种强大的、处理非线性关系的分类和回归工具，所以在面对本发明所要解决的技术问题时有天然的优选性和适应性。该svm模型的具体执行步骤包括如下的步骤s1～s5。
71、3.1步骤s1，数据工程：
72、对于压电振动能量采集器，收集包含响应值wr(x,t)和对应供电效率e的数据集ds。
73、这些数据可以来自对实际产品的测量其中，响应值wr(x,t)可采用上文提供的运动模型计算得出。对应的供电效率e则可以使用现有技术[10]-[13]的技术方案获取。数据集ds为：
74、ds＝[(c1,l1),(c2,l2),...,(cn,ln)]………(式23)
75、其中，ci和li分别是特征和标签，分别代表一个响应值wr(x,t)及其对应的供电效率e；(ci,li)是任意一样本，n是样本数量。
76、还可以进一步地对收集到的数据进行清洗、去噪和归一化等处理，确保数据的质量和一致性。
77、3.2步骤s2，特征工程：
78、在数据集ds中，对每个特征ci中提取关键特征，这些特征应能有效地表征响应值wr(x,t)的特性；通过相关性分析方法选择对供电效率e影响最大的特征子集。
79、3.2.1步骤s200，构建特征ci：
80、特征ci包括：
81、1)阻尼影响，可以通过实验测量或模拟仿真得到，包括：
82、1.1)外部空气的黏滞阻尼ca；
83、1.2)内应变阻尼项csi；
84、2)边界条件wr(0,t)：响应值wr(x,t)在边界位置x＝0随时间t的变化情况，如上文所述的式(6)；
85、3)模态响应ηr(t)：表示臂梁结构在不同模态下的振动响应。对于每个模态r，模态响应ηr(t)可以通过解结构的运动方程得到；如上文所述的式(20)；
86、3.2.2步骤s201，特征选择：
87、在提取了关键特征之后，下一步是通过相关性分析来选择对供电效率e影响最大的特征子集。即计算每个特征与供电效率之间的相关系数。
88、本发明选择的是皮尔逊相关系数(pearson correlation coefficient)：
89、
90、其中：r是相关性系数；和分别是特征ci和标签li的平均值。
91、通过计算每个特征与供电效率之间的相关系数，可以选择那些与供电效率高度相关的特征，即r值最高的特征ci，从而构建一个更有效的特征子集用于svm模型的训练。
92、3.3步骤s3，构建及训练svm模型：
93、svm模型包括回归函数和核函数，使用模型参数控制回归函数的映射关系。并使用数据集ds对其进行训练。
94、3.3.1步骤s300，构建回归函数：
95、svm回归的基本思想是找到一个超平面，使得数据点到这个超平面的距离最小。对于非线性回归问题，svm通过使用核函数将数据映射到高维空间，从而在高维空间中找到这样的超平面。因此基于作为特征ci的响应值wr(x,t)作为输入，以作为标签li的供电效率e作为输出，构建出一回归函数f(x)，用于构建特征ci和标签li之间的映射关系；回归函数f(x)为：
96、
97、其中：αi和αi*是拉格朗日乘子，通过优化问题求解得到。k(x,xi)是核函数，用于将数据从原始空间映射到高维空间。b是偏置项。
98、x代表输入特征，即响应值wr(x,t)，而f(x)代表预测的供电效率e。
99、3.3.2步骤s301，设定模型参数：
100、核函数选择为rbf核函数k(x,x’)：
101、k(x,x′)＝exp(-γ|x-x′|2)………(式26)
102、其中，υ是rbf核函数的参数，它控制了数据点的相似度如何随着它们在原始空间中的距离而衰减。
103、模型参数包括惩罚系数c、rbf核函数参数υ、拉格朗日乘子αi和αi*和偏置项b，惩罚系数c控制了模型在拟合数据和确保决策边界的边缘最大化之间的权衡。较大的c值将导致模型更倾向于完美地拟合数据，而较小的c值将使模型更加关注于保持决策边界的边缘最大化。
104、这些均通过后文的步骤s303验证完后选择得到。
105、3.3.3步骤s302，训练：
106、将数据集ds划分为训练集tns和测试集ts，使用70％的数据作为训练集tns，其余作为测试集ts。然后对svm模型进行训练。
107、在svm的训练过程实际上就是我们试图找到最优的超平面来划分数据，即实质上属于一个凸优化问题。对于svm回归(svr)，训练需要制定一个优化问题：
108、
109、其中：w是超平面的法向量。b是偏置项。c是惩罚系数，用于控制模型复杂度与拟合数据之间的权衡。ξii和ξii*是松弛变量，允许某些数据点在一定程度上偏离超平面。φxi是将xi映射到高维空间的函数(通过核函数隐式定义)。ε是svr中的不敏感损失函数的参数，定义了回归允许的误差范围。
110、这个优化问题实质上在表述：
111、1)最小化表示希望找到的超平面的法向量w的模(长度)尽可能小，即希望超平面尽可能简单，避免过度拟合。
112、同时，我们还想要最小化表示希望所有的数据点尽可能地接近超平面。
113、2)约束条件：对于每个数据点，其真实值yi与超平面的预测值，即(w·φ(xi)+b)之间的差距应该在一定的误差范围ε内，加上一个松弛变量。这允许一些数据点在一定程度上偏离超平面，从而增加了模型的鲁棒性。
114、3)约束条件还表示松弛变量必须是非负的，这是为了确保它们能够正确地度量数据点偏离超平面的程度。
115、3.3.3.1步骤s3020，定义函数φxi：
116、函数φxi是将xi映射到高维空间的函数，我们并不需要显式地构造出这个映射函数φxi，而可以通过rbf核函数k(x,xi)来隐式地实现高维空间的点积运算。rbf核函数对k(x,xi)的点积表述为：
117、k(xi,xj)＝φ(xi)·φ(xj)……(式28)
118、其中的点积表示高维空间中两个向量的相似度。
119、3.3.3.2步骤s3021，引入不敏感损失函数：
120、ε是svr中的不敏感损失函数的参数，定义了回归允许的误差范围；该不敏感损失函数的形式为：
121、
122、其中，y是真实值。f(x)是模型对输入特征x的预测值。ε是不敏感区域的半径，它是一个用户定义的参数，用于控制模型对预测误差的容忍度。
123、在这个损失函数中，当预测值与真实值的差的绝对值小于或等于ε时，认为预测是准确的，此时损失为0。一旦预测值与真实值的差的绝对值超出了这个范围，损失就会以线性方式累积。
124、3.3.3.3步骤s3022，求解优化问题：
125、通过二次规划(quadratic programming,qp)算法来求解。qp算法负责找到一组拉格朗日乘子αi和αi*，它们与数据点相对应，并定义了超平面w的位置。
126、先构造拉格朗日函数l，并引入一组拉格朗日乘子(αi,α’iηi,ηi*)，其中
127、
128、对l关于求偏导，并令其为0，我们可以得到以下关系：
129、
130、将这些关系带入拉格朗日函数中，我们得到一个只包含αi和αi*的优化问题，即原问题的对偶问题。然后，我们可以使用qp算法来求解这个对偶问题，得到最优的αi和αi*值。
131、一旦我们找到了最优的αi和αi*，我们就可以通过它们来确定超平面w的位置，因为超平面的法向量w可以由αi和αi*以及对应的那个支持向量xi表示出来。同时，我们也可以通过一些支持向量来计算出偏置项b的值。
132、3.3.4步骤s303，交叉验证：
133、使用k-fold交叉验证法评估模型的泛化能力，并选择最佳的惩罚系数c和rbf核函数参数υ。
134、k-fold交叉验证的基本思想是将数据集ds分成k个子集，每次使用k-1个子集作为训练数据，剩下的一个子集作为测试数据。这个过程重复k次，每个子集都用作一次测试集，其余子集合并作为训练集。最后，取k次测试结果的平均值作为模型性能的评估。但这个过程可以描述为以下步骤：
135、s3030，将数据集ds随机分成k个大小相等的子集，即d1,d2,...,dk。
136、s3031，对于i从1到k：
137、s30310，选择di作为测试集tns，其余子集合并作为训练集ts。
138、s30311，使用训练集ts训练svm模型，设定目标函数为优化目标，并对其应用rbf核函数k(x,x’)：
139、
140、s30312，使用测试集tns测试训练好的svm模型，并记录性能指标(召回率)。
141、s3032，计算k次测试结果的平均值，作为模型性能的最终评估。
142、s3033，重复步骤s3031和s3032，尝试不同的c和υ组合，基于s30312的性能指标，找到使模型性能最佳的参数组合。
143、通过k-fold交叉验证，可以更准确地评估svm模型的泛化能力，并选择出最佳的惩罚系数c和rbf核函数参数υ。
144、3.4步骤s4，模型应用：
145、利用训练好的svm模型，输入新的响应值wr(x,t)’特征，通过回归函数f(x)预测对应的供电效率e’。
146、首先需要明确svm回归模型的基本形式。在训练阶段，svm回归模型会找到一个超平面，使得数据点到这个超平面的距离最小。这个超平面被更新后的回归函数f(x)来表示：
147、
148、其中，nsv是支持向量的数量。
149、当有新的响应值特征wr(x,t)时，我们可以将其输入到回归函数f(x)中来预测对应的供电效率e'：
150、
151、其中，k(xi,wr(x,t))表示核函数，它计算了支持向量xi与作为新输入特征的wr(x,t)之间的相似度。通过将所有支持向量的贡献加权求和，并加上偏置项b，我们得到了预测的供电效率e'。
152、需要注意的是，因为我们使用的是rbf核函数，则k(xi,x)的形式也需相应变形为：
153、
154、3.5步骤s5，效率控制：
155、设定一有关压电振动能量收集器的工艺阈值p，如果得到的供电效率e’小于工艺阈值p，则对压电振动能量收集器的臂梁的杨氏模量y和惯性矩i进行调整，直至供电效率e’超过工艺阈值p。其中：
156、1)杨氏模量y：在压电振动能量收集器中，调整杨氏模量可以改变材料的刚度，从而影响其振动特性和能量转换效率。数学上，杨氏模量y定义为应力σ与应变ψ的比值：
157、
158、在实际应用中，需要通过更换材料或改变材料的微观结构来调整杨氏模量。
159、2)惯性矩i：对于梁状的结构，惯性矩是描述其抗弯刚度的一个重要参数。在压电振动能量收集器中，调整臂梁的截面形状或尺寸可以改变其惯性矩，进而影响振动时的能量转换效率。对于矩形截面梁，其惯性矩i可由下式给出：
160、
161、其中，d是截面宽度，h是截面高度。通过改变这些尺寸参数，可以调整惯性矩。
162、调整策略包括：
163、1)选择具有更高杨氏模量的材料来增加刚度。
164、2)改变臂梁的截面尺寸以增加惯性矩，从而提高能量转换效率。
165、这个过程需要反复迭代，每次调整后都要重新评估供电效率e'，直到e'超过工艺阈值p为止。这个过程是实验性的，需要根据实际情况进行多次尝试和优化。该迭代法的具体形式如下：
166、s500，初始化：设定压电振动能量收集器的工艺阈值p。使用svm模型预测初始设计或当前设计的供电效率e'。
167、s501，供电效率评估：比较预测的供电效率e'与工艺阈值p。如果e'≥p，则停止迭代，当前设计满足要求。如果e'<p，则进入下一步进行调整。
168、s502，参数调整：根据工程经验和理论分析，每次按照微小且定量的调整量步长，调整压电振动能量收集器的臂梁的杨氏模量y和/或惯性矩i。
169、调整杨氏模量y涉及更换材料或改变材料的微观结构。
170、调整惯性矩i涉及改变臂梁的截面形状或尺寸。
171、s503，重新评估：根据调整后的设计，重新使用svm模型预测供电效率e'。
172、s504，迭代：返回s501，使用新的供电效率e'进行评估。
173、这个过程会反复进行，直到预测的供电效率e'达到或超过设定的工艺阈值p为止。此外，为了提高迭代效率，可以采用一些优化算法来指导参数的调整，例如梯度下降法、遗传算法或其他启发式搜索算法，以便更快地找到满足工艺阈值的设计参数。
174、(四)阶段性总结：
175、对于处于设计阶段或品控阶段的压电振动能量收集器，特别是臂梁的设计、工艺性能控制及成型阶段，若使用传统方法进行供电效率的检测，一旦发现不满足工艺要求，往往相当于已经投入了大量资源和时间制造出的产品需要报废，这会导致成本的大幅增加和资源的浪费。而本技术方案的s1～s5步骤中，通过svm模型的快速预测得出的效率值e'，能够在设计初期就给出关于供电效率的预测。这样，设计者可以在实际制造之前，通过调整设计参数来优化供电效率。在设计阶段，通过svm模型的预测，设计者可以及时发现潜在的供电效率问题，并立即调整设计参数，而不是等到产品制造完成后再进行检测。并且由于svm模型的预测机制，设计者可以在短时间内尝试多种设计方案，迅速找到最优解，从而避免了不必要的物理制造和随之而来的报废。进而通过在设计阶段就进行优化，可以减少因为供电效率不达标而产生的报废品，进而节约制造成本和材料成本。同时在生产过程中，可以利用svm模型对每批产品进行快速预测，及时发现并剔除可能供电效率不达标的产品，从而提高品控的效率和准确性。
176、第二方面，基于svm模型的自供电传感器效率控制系统：
177、如图3所示，所述系统包括处理器、与所述处理器耦接的寄存器，以及与被所述处理器控制的显示器，所述寄存器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器执行如上述所述的基于svm模型的自供电传感器效率控制方法，并将计算得出的新的供电效率e'由显示器可视化展示出来。
178、与现有技术相比，本发明的有益效果是：
179、一、预测供电效率机制：本发明通过svm模型作为分类和回归工具，能够准确地根据悬臂的响应值预测压电振动能量收集器的供电效率，并处理二者之间的非线性关系。相较于传统的优化设计可能依赖于耗时且昂贵的物理实验，本发明的技术方案通过svm模型的快速预测，能够迅速给出在不同设计参数下的供电效率预测值，从而指导设计者更快地找到最优设计方案。
180、二、多因素考量机制：由于本发明的svm模型是针对响应值进行的训练，进而综合反映了臂梁在多种条件下的动态响应(包括自由振动、阻尼影响、边界条件和模态响应)，有助于模型更精确地捕捉臂梁响应与供电效率之间的复杂关系，从而提高预测的准确性。
181、三、优化设计指导：本发明考虑了多种因素的响应值使得svm模型能够在不同工作条件和环境下进行预测。这种综合性的输入有助于模型学习到更广泛的情况，从而增强其泛化到新数据的能力。同时通过对响应值的详细分析，svm模型可以为设计者提供更具体的指导，比如如何调整臂梁的结构参数以改善其动态响应，进而提高供电效率。这种指导是基于模型对臂梁行为的深入理解，因此更具针对性和实效性。
182、四、加速研发进程：使用本发明的svm模型结合响应值进行预测和优化，可以缩短研发周期。因为模型能够迅速给出在不同设计或条件下的供电效率预测，从而帮助研发团队更快地找到最佳设计方案。而且使用svm模型进行预测和优化，可以减少实际物理实验的次数，从而降低研发成本和时间成本。
183、五、降低成本和风险：通过本发明的svm模型的预测，可以减少对物理原型的依赖，进而降低实验成本和失败的风险。这种基于模型的预测和优化方法在产品设计初期尤为有用，因为它允许在投入大量资源制造实际样品之前进行虚拟测试和优化。并且svm模型还提供了调整策略以改善供电效率。这种策略性的指导大大减少了盲目实验的次数，提高了研发效率。
184、六、增强系统鲁棒性：本发明的svm模型引入了不敏感损失函数和k-fold交叉验证法机制，通过不断地预测、调整和验证，本发明的svm模型可以逐渐逼近最优设计，不仅提高了供电效率，也增强了整个能量收集系统的鲁棒性和稳定性。
1.基于svm模型的自供电传感器效率控制方法，包括计算出压电振动能量采集器的臂梁相对于固定惯性系的横向绝对位移关系的响应值wr(x,t)，其特征在于，基于所述响应值wr(x,t)，执行如下步骤：
2.根据权利要求1所述的效率控制方法，其特征在于：在所述s1中，所述数据集ds为：
3.根据权利要求1所述的效率控制方法，其特征在于：在所述s2中，上述提取和所述选择是通过如下两个步骤分别实现的：
4.根据权利要求2所述的效率控制方法，其特征在于：在所述s3中，所述回归函数是通过s300实现的：
5.根据权利要求4所述的效率控制方法，其特征在于：在所述s3中，设定模型参数及所述核函数是通过s301实现的：
6.根据权利要求5所述的效率控制方法，其特征在于：在所述s3中，设定模型的优化问题，使用二次规划算法计算最优的所述拉格朗日乘子αi和αi*，所述优化问题为：
7.根据权利要求6所述的效率控制方法，其特征在于：在所述s3中，基于所述优化问题，使用k-fold交叉验证法计算最优的所述惩罚系数c和所述参数
8.根据权利要求2、4或7所述的效率控制方法，其特征在于：在所述s4中，所述供电效率e’的获取方法为：
9.根据权利要求8所述的效率控制方法，其特征在于：在所述s5中，所述调整的方法是通过如下的迭代策略实现的：
10.基于svm模型的自供电传感器效率控制系统，其特征在于：所述系统包括处理器、与所述处理器耦接的寄存器，所述寄存器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器执行如权利要求1-9中任意一项所述的效率控制方法。
