کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6945897 1450520 2018 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Prognostics of aluminum electrolytic capacitors using artificial neural network approach
ترجمه فارسی عنوان
پیش شناسی خازن های الکترولیت آلومینیومی با استفاده از رویکرد شبکه عصبی مصنوعی
کلمات کلیدی
پیری سریعا، شبکه های عصبی مصنوعی، انتشار اولیه، خازن الکترولیتی، پیشگیری،
فهرست مطالب مقاله
چکیده
کلمات کلیدی
1.مقدمه
2.خرابی تجزیه پارامتری در خازن الکترولیتی آلومینیوم
شکل 2: تخریب پارامتری ناشی از فساد حجمی الکترولیت
3. سنجش آزمایشی ESR خازن های تست درون مدار
1.3 سنجش ESR در فرکانس متغیر و دمای ثابت
2.3 سنجش ESR در دمای متغیر و فرکانس ثابت
شکل 3- نمودار شماتیک بستر تست
جدول1- مقایسه ESR متوسط آزمایشی برای Rubycon BXA با AGLIENT 4294 در 40 درجه سانتیگراد
جدول2- مقایسه ESR متوسط آزمایشی برای G.Luxon 708Dبا AGLIENT 4294 در 40 درجه سانتیگراد
شکل 4- تغییر ESR خازن اولیه و ضعیف با فرکانس برای G.Luxon  (708D)
4. پیاده سازی مدل شبکه عصبی مصنوعی برای محاسبه ESR خازن های هدف
شکل 5- آماده سازی آزمایشی برای بدست آوردن ESR با دمای مختلف در فرکانس تشدید
جدول3- متوسط تغییر ESR با دمای بدنه برای خازن های اولیه و حالت ضعیف در 10 کیلوهرتز.
شکل 6- فلوچارت پیاده سازی مدل ANN برای محاسبه ESR
1.4 تعریف و نرمال سازی داده های ورودی و خروجی
2.4 مشخص کردن معماری ANN برای محاسبه ESR خازن های هدف
جدول 4- دیتاست های ورودی و خروجی نرمال برای BPNN
شکل 7- معماری ANN
3.4 آموزش و اعتبارسنجی ANN
5. تخمین مبتنی بر  ANN برای ESR به صورت بلادرنگ
شکل 11- آموزش BPNN برای تعیین ESR ی G.Luxon (780D)
شکل 12- اکتتساب داده و نظارت بر ESR تخمین زده شده توسط ANN
6. ارزیابی عملکرد ESR تخمین زده شده توسط ANN برای خازن های هدف
7. نتایج و شبیه سازی ها
شکل 13- پنل جلوی VI
شکل 14: نمودار VI
شکل 15: (الف) شکل موج جریان rms در خازن در مدار ECG؛ (ب) شکل موج ذخیره شده
شکل 16: (الف) تصویر شکل موج جریان rem در خازن؛ (ب) تصویر شکل موج ولتاژ در خازن
8. نتایج
جدول5- مقایسه نتایج ESR پیشنهادی توسط ANN و ESR نظارت شده در مدار
ترجمه چکیده
در این تحقیق، تلاشی برای نظارت بر شرایط خازن الکترولیت آلومینیوم داخل مدار با استفاده از شبکه های عصبی مصنوعی انجام شده است. بررسی¬های صنعتی اخیر در مورد قابلیت اطمینان سیستم های الکترونیک قدرت نشان می دهند که بیشتر خطاهای رخ داده، که ناشی از فرسودگی خازن های الکترولیت آلومینیوم و فشار گرمایی بوده است، علت اصلی تجزیه پارامتری است. شرایط خازن های هدف می تواند با نظارت بر تغییر در مقاومت سری معادل (ESR) از مقدار حالت پیشین اولیه برآورد شود. برای برآورد ESR خازن های اولیه و خازن های هدف ضعیف در شرایط تست از شبکه عصبی مصنوعی استفاده می¬شود. داده های آزمایشی و آموزشی شبکه عصبی انتشار رو به عقب پیشنهادی، به طور عملی از بستر تست توسعه داده شده بدست می آیند. با استفاده از بستر تست، خازن های هدف در معرض فرکانس و دمای اجرایی مختلف در بخش خروجی مدار کانورتور DC/DC قرار می گیرند تا اثر تغییر در فشار گرمایی و الکتریکی روی مقدار ESR را تعیین کند. پس از آموزش آفلاین، شبکه عصبی مصنوعی با استفاده از نرم افزار ابزار ملی LabVIEW پیاده سازی می شود. یک میکروکنترلر کم هزینه نیز برای اکتساب داده های بلادرنگ خازن های هدف برنامه ریزی می شود و انتقال سریال دیتاست بدست آمده در نرم افزار LabVIEW در کامپیوتر میزبان نصب می شود. عملکرد روش پیشنهادی، با مقایسه ESR حاصل، با مقادیر آزمایشی در خازن های هدف داخل مدار ارزیابی می شود. شبکه عصبی مصنوعی پس از آن که به درستی آموزش داده شد، به دلیل قابلیت تعمیم خود می تواند برای مدارهای مختلف و در شرایط اجرایی مختلف بکار رود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر سخت افزارها و معماری
پیش نمایش مقاله
پیش شناسی خازن های الکترولیت آلومینیومی با استفاده از رویکرد شبکه عصبی مصنوعی
چکیده انگلیسی
In this work, an effort is being made to monitor the condition of in-circuit aluminum electrolytic capacitor using artificial neural network (ANN). Recent industrial surveys on the reliability of power electronic systems shows that most of faults occur due to the wear out of aluminum electrolytic capacitors and thermal stress is the major cause for its parametric degradation. The condition of target capacitors can be estimated by monitoring variation in equivalent series resistance (ESR) from the initial pristine state value. ANN is used to estimate ESR of pristine and weak target capacitors at the test conditions. The data set for training and testing of proposed back-propagation trained artificial neural network are experimentally obtained from the developed test bed. Using the test bed, target capacitors are subjected to different operating frequency and temperature in the output section of DC/DC buck converter circuit to determine the effect of variation in electrical and thermal stress on ESR value. After off-line training, the proposed ANN is implemented using National Instruments LabVIEW software. A low cost microcontroller is programmed for real time data acquisition of target capacitors and the serial transmission of acquired dataset to the LabVIEW software installed at host computer. The performance of the proposed method is evaluated in real time by comparing the resulting ESR with the experimental values of in-circuit target capacitors. The proposed ANN, once trained properly, can be used for different circuits and in different operating conditions because of its generalization capability.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Microelectronics Reliability - Volume 81, February 2018, Pages 328-336
نویسندگان
, ,