Hacia un marco de diagnóstico de fallas impulsado por datos para SMPS-AEC utilizando algoritmos de aprendizaje supervisado
Autores: Kareem, Akeem Bayo; Hur, Jang-Wook
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Hacia un marco de diagnóstico de fallas impulsado por datos para SMPS-AEC utilizando algoritmos de aprendizaje supervisado
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Condensadores electrolíticos de aluminio
Fuentes de alimentación
Dispositivos de conmutación
Marco de diagnóstico de fallas
Monitoreo de condiciones de frecuencia
Parámetros eléctricos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 29
Citaciones: Sin citaciones
La vida útil de los capacitores electrolíticos de aluminio se está convirtiendo en un factor crítico de diseño en fuentes de alimentación. A pesar de las crecientes demandas de densidad de potencia, los capacitores electrolíticos y los dispositivos de conmutación son las dos partes más comunes de la fuente de alimentación que envejecen (se deterioran) bajo condiciones de trabajo normales y diversas. Este estudio presenta un marco de diagnóstico de fallas integrado con frecuencia a largo plazo para un capacitor electrolítico de aluminio de fuente de alimentación conmutada (SMPS-AEC). La monitorización de condiciones de frecuencia a largo plazo se logró utilizando el avanzado medidor LCR HIOKI a 8 MHz. Los datos adquiridos durante el estudio experimental pueden ayudar a lograr el paradigma necesario a partir de diversas características medidas del componente del convertidor de potencia SMPS para detectar anomalías entre los capacitores seleccionados para el análisis. El procedimiento de monitorización de condiciones en este estudio estuvo limitado por los parámetros eléctricos - capacitancia (Cs), resistencia en serie equivalente (ESR), factor de disipación (DF) e impedancia (Z) - actuando como técnicas de degradación durante cambios físicos y químicos de los capacitores. Además, la metodología propuesta se llevó a cabo utilizando extracción de características estadísticas y correlación basada en filtros para la selección de características, seguida de entrenamiento, pruebas y validación utilizando los algoritmos de aprendizaje supervisado seleccionados. La evaluación resultante reveló que con un mayor capacidad de datos, se logró un rendimiento mejorado en los algoritmos seleccionados, de los cuales el vecino más cercano (KNN) tuvo la mejor precisión promedio (98.40%) y el costo computacional más bajo (0.31 s) en todos los parámetros eléctricos. Se realizó una evaluación adicional utilizando la visualización de fallas asistida por análisis de componentes principales (PCA) para validar y decidir sobre los mejores parámetros eléctricos para la técnica de monitorización de condiciones.
Descripción
La vida útil de los capacitores electrolíticos de aluminio se está convirtiendo en un factor crítico de diseño en fuentes de alimentación. A pesar de las crecientes demandas de densidad de potencia, los capacitores electrolíticos y los dispositivos de conmutación son las dos partes más comunes de la fuente de alimentación que envejecen (se deterioran) bajo condiciones de trabajo normales y diversas. Este estudio presenta un marco de diagnóstico de fallas integrado con frecuencia a largo plazo para un capacitor electrolítico de aluminio de fuente de alimentación conmutada (SMPS-AEC). La monitorización de condiciones de frecuencia a largo plazo se logró utilizando el avanzado medidor LCR HIOKI a 8 MHz. Los datos adquiridos durante el estudio experimental pueden ayudar a lograr el paradigma necesario a partir de diversas características medidas del componente del convertidor de potencia SMPS para detectar anomalías entre los capacitores seleccionados para el análisis. El procedimiento de monitorización de condiciones en este estudio estuvo limitado por los parámetros eléctricos - capacitancia (Cs), resistencia en serie equivalente (ESR), factor de disipación (DF) e impedancia (Z) - actuando como técnicas de degradación durante cambios físicos y químicos de los capacitores. Además, la metodología propuesta se llevó a cabo utilizando extracción de características estadísticas y correlación basada en filtros para la selección de características, seguida de entrenamiento, pruebas y validación utilizando los algoritmos de aprendizaje supervisado seleccionados. La evaluación resultante reveló que con un mayor capacidad de datos, se logró un rendimiento mejorado en los algoritmos seleccionados, de los cuales el vecino más cercano (KNN) tuvo la mejor precisión promedio (98.40%) y el costo computacional más bajo (0.31 s) en todos los parámetros eléctricos. Se realizó una evaluación adicional utilizando la visualización de fallas asistida por análisis de componentes principales (PCA) para validar y decidir sobre los mejores parámetros eléctricos para la técnica de monitorización de condiciones.