Multi-objective design of inductors using artificial neural networks

This master thesis work has been realized in collaboration with Infineon Technologies Austria AG, in the Villach site, and it is part of the study of magnetic components optimization through machine learning techniques (ML) to aid power system design. In the research context, my work focuses on the development of an algorithm for the speed-up of inductors design and a related graphical interface that can make this process easier. In several biomedical and general electronic applications, the optimization of the individual components and devices making up the system is the most complex phase in the overall development of the circuit. The optimization of the devices to carry out the desired function already requires a complex and rigorous design. Furthermore, many devices require a power supply module that, especially in the biomedical field, must comply with stringent power stability and safety requirements. In detail for power supply and converters, the design of the magnetic components given their complexity in terms of involved variables, is highly time-consuming and application-dependent, often generating components that cannot be approximated by already existing models on the market, leading therefore to potentially inconsistent results when a high number of degrees of freedom is considered. The thesis aims to develop an algorithm for the speed-up of magnetic components optimization, specifically for the inductors, to reduce the complexity in the initial design phase rather than leading to the specific component optimization in defined applications. To make the speed-up of inductor optimization effective and innovative, a machine learning technique, specifically artificial neural networks (ANN), is chosen as design method thanks to its generality in learning the relationship between multiple criteria in a complex system and to the ability of leading, in the prediction phase, to fast and direct results. On the base of the most accurate ANN models, a graphical user interface (GUI) is designed and structured so as to allow the comparison of different solutions in homogeneous groups of variables so as to choose the best ones for the application. This tool aims to support the design of the inductor, showing on screen the most interesting parameter sets on which in the next step, a more specific and constrained optimization can lead to results in shorter simulation time, effectively speeding up the entire process. First of all in the thesis, is introduced the problem of electronic systems and circuits optimization. Design requirements are analyzed in various fields of application, including the problem of electrical insulation of medical devices. The optimization of inductors and converters in general is discussed, pointing out how a multi-objective design approach often leads to better results than a single-objective one. The state of the art is then reviewed, both for optimization methods and inductors applications in power supply circuits so as to find the most efficient methods and the most common requirements. The aim is, in fact, to speed up the optimization of the components in the widest range of possible applications. A large number of simulations are obtained, using genetic algorithms (GA), varying the system inputs chosen in the problem definition phase. The results of these simulations, properly characterized and filtered, are saved in a database that is then used to train the neural networks. Considering all the simulations, a total of 2.280.734 inductors are designed. The methods used for the development of artificial neural networks are then illustrated. A general approach for the reconstruction of the solutions and two different sub-strategies are employed to obtain the final estimate of the components for each given case. One of the two sub-strategies is much more accurate than the other and is subsequently used for the development of all the models. The best networks are incorporated in the graphical interface which simultaneously allows their combination and use. Unlike the previously used algorithm, the use of the GUI permits a reduction of the prediction time from 250-450 seconds to 2.5 seconds on average, for a single simulation. Some of the models obtained are then validated using a set of real measures taken on a designed inductor. Afterwards, the importance of inductor design is analyzed in the general context of converter optimization. A biomedical case study (power supply for an X-ray tube) is at the end considered. The algorithm and GUI that have been developed can correctly estimate, also in this case, the object parameters of the inductors optimization. The models developed in this case, despite a smaller number of data used as a training set compared to the general case, show an average accuracy in the search for solutions of 71.43% on a total of 25 possible classes in the test set. The obtained results (average accuracy of about 93% of test data for all models developed in the database and low relative errors of the numerical estimate of the solutions), definitely show how it is possible to speed up the optimization of inductors in circuit design, making it clear that the strategy used, in its generality, can lead in future developments to the speeding up of a large number of magnetic and overall electronic components design.

Questo lavoro di tesi è stato realizzato in collaborazione con Infineon Technologies Austria AG, nella sede di Villach, e fa parte dello studio sull'ottimizzazione dei componenti magnetici attraverso le tecniche di apprendimento automatico (ML) per semplificare la progettazione di alimentatori e convertitori. Nel contesto di ricerca, il mio lavoro verte sullo sviluppo di un algoritmo per la riduzione dei tempi di progettazione degli induttori e di una relativa interfaccia grafica che possa rendere più semplice tale processo. In varie applicazioni biomedicali ed in generale elettroniche, l'ottimizzazione dei singoli componenti e dispositivi costitutivi del sistema, è la fase più complessa della progettazione circuitale. L’ottimizzazione dei dispositivi per espletare la funzione richiesta necessita una accurata e rigorosa progettazione. Molti di questi dispositivi inoltre, richiedono un modulo di alimentazione che, soprattutto in campo biomedicale, deve rispettare stringenti requisiti di stabilità di alimentazione e sicurezza. Nel dettaglio, per alimentatori e convertitori di potenza, la progettazione dei componenti magnetici, richiede l'accurata valutazione di un elevato numero di variabili e un'attenta analisi dei vincoli definiti dall'applicazione, necessitando spesso lunghi tempi di simulazione per il raggiungimento di soluzioni accettabili. Per soddisfare tutti i requisiti imposti, l’ottimizzazione conduce spesso a configurazioni geometriche e risultati specifici non approssimabili a modelli già esistenti in commercio. La stima dei parametri di progettazione, inoltre, risulta particolarmente inaffidabile in presenza di molti gradi di libertà nel problema. L'obiettivo di questa tesi è sviluppare un algoritmo per velocizzare l'ottimizzazione dei componenti magnetici, nel dettaglio induttori, in modo da ridurre il numero di gradi di libertà nella fase iniziale della progettazione piuttosto che portare a ottimizzazioni complete per casi specifici d'uso. Per ridurre i tempi di ottimizzazione degli induttori, viene adottata una tecnica di apprendimento automatico, reti neurali artificiali in particolare (ANN). Tale metodo è caratterizzato da una grande generalità nell'apprendimento e permette, al termine della fase di addestramento, previsioni molto rapide. Sulla base dei modelli di reti neurali più accurati ottenuti, una interfaccia grafica utente (GUI) è progettata e strutturata in modo da permettere, data una specifica applicazione, la comparazione di molteplici possibili soluzioni in gruppi omogenei di variabili, al fine di portare alla scelta della migliore sequenza di parametri sui quali effettuare un'ottimizzazione specifica e vincolata, rendendo così più semplice la progettazione finale degli induttori. Nella tesi, prima di tutto, viene introdotto il problema dell'ottimizzazione dei sistemi e dei circuiti elettronici. I requisiti di progettazione vengono poi analizzati in vari settori industriali. Particolare importanza viene data al problema dell'isolamento elettrico dei dispositivi medici. Viene poi discussa l'ottimizzazione di induttori e convertitori in generale, sottolineando come un approccio di ottimizzazione multi-obiettivo porti spesso a risultati migliori di uno a singolo obiettivo. Viene quindi esaminato lo stato dell'arte, sia in termini di metodi di ottimizzazione che di applicazione degli induttori nei circuiti di alimentazione, in modo da trovare i metodi più efficienti ed i requisiti più comuni. L'obiettivo è, infatti, quello di rendere più veloce l'ottimizzazione dei componenti nella più ampia gamma di applicazioni possibili. Un gran numero di simulazioni è ottenuto tramite algoritmi genetici (GA), variando gli input scelti nella fase di definizione del problema. I risultati di queste simulazioni, opportunamente caratterizzati e filtrati, vengono salvati in un database che viene quindi utilizzato per il training delle reti neurali. Considerate tutte le simulazioni effettuate, sono stati progettati 2.280.734 induttori in totale. Sono poi illustrati i metodi utilizzati per la creazione delle reti neurali artificiali. Un approccio generale per la ricostruzione delle soluzioni e due diverse sotto-strategie sono impiegati per ottenere la stima finale dei componenti per ogni data applicazione. Una delle due sotto-strategie, molto più accurata dell'altra, viene successivamente impiegata per la creazione di tutti i modelli. I migliori modelli sono incorporati in un'interfaccia grafica che ne consente in contemporanea la combinazione e l'uso. A differenza dell'algoritmo usato in precedenza, l'uso della GUI consente di ridurre i tempi di ottimizzazione da 250-450 secondi a 2.5 secondi in media, per una singola simulazione. Alcuni dei modelli ottenuti vengono quindi validati utilizzando una serie di misure reali prese su un induttore e viene poi analizzata l'importanza della progettazione degli induttori nel contesto generale dell'ottimizzazione dei convertitori. Viene infine considerato un caso di studio biomedicale (alimentatore per un tubo a raggi X). L'algoritmo e la GUI sviluppati sono in grado di stimare correttamente, anche in questo caso, i parametri oggetto dell'ottimizzazione. I modelli sviluppati per tale applicazione, nonostante un numero ridotto di dati usati per il loro allenamento rispetto al caso generale, mostrano sui dati di test una accuratezza media di 71.43% per la ricerca delle soluzioni su un totale di 25 classi. I risultati ottenuti nella fase di test sulla base della strategia utilizzata (accuratezza media di circa 93% per tutti i modelli sviluppati e un basso errore relativo nella stima numerica delle soluzioni), mostrano efficacemente come sia possibile rendere più veloce la progettazione degli induttori evidenziando come, tale tecnica nella sua generalità, possa portare in futuri sviluppi a rendere più semplice e veloce l'ottimizzazione di componenti magnetici e non.