| 【中文题名】 | DC/DC开关电源的故障诊断研究 |
| 【英文题名】 | |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-16 |
| 【中关键词】 | 全桥直流变换器,故障诊断,故障特征提取,小波包变换,神经网络, |
| 【英关键词】 | Full-bridge converter,Fault diagnosis,Feature extracted,Wavelet packet transform,Neural network, |
| 【分类导航】 | 工业技术>无线电电子学、电信技术>无线电设备、电信设备>电源>> |
| 【论文摘要】 |
开关电源是一个典型的设备，大至电力系统，小至仪表设备，都有它的存在。由于没有统一的故障模型、存在元器件容差和非线性等因素，采用常规或传统的故障诊断理论和方法难以解决它的故障诊断问题。以神经网络为代表的智能技术为之提供了一条有效途径，目前倍受学术界的关注。
论文首先介绍了开关电源的核心部分一开关变换器的基本电路拓扑及工作原理，并且选取了全桥直流变换器作为本文的研究对象。接着详细介绍了该变换器的主电路拓扑结构和工作原理，根据对变换器工作原理的分析，提出了以变换器的输出电压作为故障特征参数的方法。通过用simulink工具箱仿真了变换器不同元件开路故障时的运行情况，得到了相应的输出电压波形，并采用了小波包变换理论进行了电压波形故障特征的提取。然后对分解系数进行能量求解，构造对应的特征向量。
在小波分析的基础上，提出了基于神经网络的故障识别方法。将BP神经网络应用于故障模式识别，探讨了神经网络学习样本的设计方法，并且进行了变换器智能故障诊断的仿真，研究表明这种识别方法是有效的。采用神经网络诊断方法，有利于提高故障诊断的性能以及减少象专家系统那样需求大量数据进行分析整理归纳的工作量。
... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-8 |
|
第一章 绪论 |
8-17 |
|
1.1 故障诊断的发展及理论方法 |
8-15 |
|
1.1.1 故障诊断技术的发展 |
8 |
|
1.1.2 故障诊断技术的主要内容 |
8-9 |
|
1.1.3 故障诊断技术的主要理论和方法 |
9-15 |
|
1.2 开关电源故障诊断技术研究的背景和意义 |
15 |
|
1.3 论文主要研究内容 |
15-17 |
|
第二章 直流开关电源的基本原理 |
17-27 |
|
2.1 直流-直流变换器的分类 |
17-18 |
|
2.2 基本的PWM变换器主电路拓扑 |
18-22 |
|
2.2.1 Buck变换器 |
18-19 |
|
2.2.2 Boost变换器 |
19-20 |
|
2.2.3 Buck-boost变换器 |
20-21 |
|
2.2.4 Cuk变换器 |
21-22 |
|
2.3 带变压器隔离的DC-DC变换器拓扑 |
22-27 |
|
2.3.1 带变压器隔离变换器的基本结构 |
22-24 |
|
2.3.2 全桥(Full-bridge)直流变换器的工作原理 |
24-27 |
|
第三章 小波—神经网络模型 |
27-51 |
|
3.1 小波分析的理论基础 |
27-33 |
|
3.1.1 小波函数 |
27-28 |
|
3.1.2 小波变换 |
28-29 |
|
3.1.3 多分辨率分析 |
29-31 |
|
3.1.4 小波包变换 |
31-33 |
|
3.2 用于诊断的神经网络模型 |
33-40 |
|
3.2.1 神经网络概述 |
33-35 |
|
3.2.2 神经网络模型 |
35-36 |
|
3.2.3 BP(Back propagation)算法 |
36-40 |
|
3.3 小波网络 |
40-51 |
|
3.3.1 小波网络的分类 |
40-42 |
|
3.3.2 故障特征提取 |
42-44 |
|
3.3.3 样本集构造 |
44-46 |
|
3.3.4 BP网络结构设计 |
46-47 |
|
3.3.5 基于小波—神经网络的故障诊断 |
47-51 |
|
第四章 基于小波网络的DC/DC开关变换器的故障诊断研究 |
51-71 |
|
4.1 全桥直流变换器的故障仿真研究 |
51-57 |
|
4.1.1 MATLAB仿真工具简介 |
51 |
|
4.1.2 全桥直流变换器的故障仿真模型 |
51-53 |
|
4.1.3 全桥直流变换器的波形仿真 |
53-54 |
|
4.1.4 加入白噪声和谐波电压的变换器输出电压仿真 |
54-57 |
|
4.2 全桥直流变换器的故障诊断研究 |
57-71 |
|
4.2.1 开关变换器输出电压的小波包变换 |
57-60 |
|
4.2.2 开关变换器故障特征的提取 |
60-63 |
|
4.2.3 开关变换器故障模式和神经网络学习样本设计 |
63-67 |
|
4.2.4 神经网络的性能测试 |
67-69 |
|
4.2.5 基于小波—神经网络的故障诊断 |
69-71 |
|
第五章 结论与展望 |
71-73 |
|
5.1 工作总结 |
71 |
|
5.2 进一步的研究工作 |
71-73 |
|
参考文献 |
73-77 |
|
附录1 |
77-81 |
|
附录2 |
81-83 |
|
附录3 |
83-85 |
|
致谢 |
85-86 |
|
攻读学位期间主要的研究成果 |
86 |
|
| 【DOI】 | LunWen.ID:2.2008.347200 |
