ترجمه فارسی عنوان مقاله

پیش¬شناسی خازن های الکترولیت آلومینیومی با استفاده از رویکرد شبکه عصبی مصنوعی

عنوان انگلیسی

Prognostics of aluminum electrolytic capacitors using artificial neural network approach

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
138469	2018	9 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Microelectronics Reliability, Volume 81, February 2018, Pages 328-336

فهرست مطالب ترجمه فارسی

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.

ترجمه مقدمه

پایش وضعیت و نگهداری آن، حوزه¬ی میان¬رشته¬ای است که به دلیل نیازمندی¬ سیستم¬های با قابلیت اطمینان بالا برای کاربردهای ایمن، توجه زیادی را به خود جلب کرده است. سیستم¬های الکترونیک قدرت، برای مصرف-کنندگان مختلف صنعتی و کاربردهای نظامی مورد استفاده قرار می¬گیرند. برای تقویت عمر سرویس مولفه¬های قابل اطمینان، پایش بلادرنگ وضعیت آن¬ها ضروری است، تا قابلیت اطمینان کلی سیستم الکترونیک قدرت بهبود داده شود. ]1[ مروری از تکنیک های مختلف پایش وضعیت را برای تعیین قابلیت اطمینان سه نوع خازن بکار رفته در کاربردهای dc-link ارائه می¬دهد؛ که عبارت است از خازن های الکترولیت آلومینیوم، خازن های فیلم متالایز پلی پروپیلن، و خازن¬های سرامیکی چند لایه با ظرفیت بالا. بررسی¬های صنعتی اخیر در مورد قابلیت اطمینان سیستم¬های الکترونیک قدرت نشان می¬دهد که بیشتر خطاها به دلیل فرسودگی خازن های الکترولیت آلومینیوم رخ می¬دهد و فشار گرمایی، علت اصلی کاهش پارامتری است. خرابی و فرسودگی، ناشی از تجزیه پارامتری خازن است و زمانی رخ می دهد که مقدار ظرفیت آن کم تر از 80% باشد و یا مقاومت سری معادل به میزان 100% مقدار اولیه آن افزایش داشته باشد. پایش وضعیت خازن¬های الکترولیت آلومینیومی در کانورترهای برق مختلف، با در معرض قرار دادن آن ها در برابر فرکانس و دمای متغیر انجام می شود. ESR، با دما و فرکانس اجرایی تغییر می¬کند و مستلزم پایش بلادرنگ بر ولتاژ جذر میانگین مربعات (rms) و جریان rms است. هدف این مقاله، ارائه رویکرد شبکه عصبی مصنوعی برای تعیین شرایط بلادرنگ مداری خازن های هدف در سیستم های الکترونیک قدرت، با ملاحظه اثر فرکانس و دمای اجرایی به طور همزمان است. شبکه عصبی مصنوعی با استفاده از دیتاست آزمایشی و آموزشی که از بستر توسعه داده شده بدست می آیند به طور آفلاین آموزش داده می شود. با استفاده از مجموعه تست، خازن های هدف در معرض دما و فرکانس اجرایی در بخش خروجی مدار کانورتر DC/DC قرار می گیرند. در نتیجه، وزن های شبکه برای پیاده سازی آن جهت برآورد ESR خازن های هدف ضعیف و اولیه، با استفاده از نرم افزار LabVIEW و سیستم اکتساب داده بکار می روند. در نهایت، پیاده سازی بلادرنگ با استفاده از خازن-های هدف در مرحله فیلتر پایین گذر برای مدار gear کنترل الکترونیکی یک لامپ فلورسنت فشرده اعتبارسنجی می شود. دما و فرکانس بلادرنگ مدار تست با استفاده از یک میکروکنترلر کم هزینه مبتنی بر سیستم اکتساب داده حاصل می شود. عملکرد روش پیشنهادی با مقایسه ESR شبکه عصبی مصنوعی خازن های هدف در فرکانس تشدید با مقادیر ESR درون مدار ارزیابی می شود. شمای مبتنی بر شبکه عصبی مصنوعی، برای پایش خازن های الکترولیت در مدارهای الکترونیک قدرت بسیار مفید است و می تواند برای پایش سایر مولفه های حیاتی مدار نیز توسعه داده شود.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

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.