logo móvil
Contáctanos

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

Descargar PDF

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


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.

Otros recursos que podrían interesarte

Temas Virtualpro