使用脉冲神经网络进行电源转换器健康监测的神经形态参数估计

常开型转换器健康监测要求亚毫瓦级的边缘推理，这是基于 GPU 的物理信息神经网络无法达到的。这项工作将脉冲时间处理与物理约束分离：一个三层泄漏积分-发放 SNN 估计无源元件参数，而一个可微 ODE 求解器通过将 ODE 物理损失与展开的脉冲循环解耦来提供物理一致的训练。在一个受 EMI 干扰的同步降压转换器基准上，与前馈基线相比，SNN 将集总电阻误差从 $25.8\%$ 降低到 $10.2\%$，处于无源元件 $\pm 10\%$ 的制造容差范围内，预计在神经形态硬件上能效提升约 ${\sim}270\times$。持久的膜状态进一步通过突变故障时 $+5.5$ 个百分点的脉冲率跳变，实现了退化跟踪和事件驱动的故障检测。凭借 $93\%$ 的脉冲稀疏性，该架构适合在 Intel Loihi 2 或 BrainChip Akida 上进行常开部署。