This paper lies in the domain of Fault Detection and Isolation (FDI). A Bayesian Naïve Classifier (BNC) structure is selected and used as a first attempt to use Bayesian Belief Networks (BBNs) for DC/DC power converter FDI. In order to highlight the BNC capabilities, it is compared to the well known and used FDI method based on Proportional Observer (PO). This comparative study is based on real data collected from a Zero Volt Switch (ZVS) Full Bridge Isolated Buck converter

چکیده

این مقاله به موضوع شناسایی خطا و ایزولاسیون خطا (FDI) تکیه دارد. ساختار دسته بندی بیزی Naïve (BNC) انتخاب شده و به عنوان مرحله اول استفاده از شبکه های باور بیزی (BBN ها) برای FDI در مبدل های قدرت DC/DC به کار رفته است. به منظور نمایش قابلیت های BNC، این ساختار با روش‌ شناخته شده FDI بر اساس ناظر تناسبی (PO) مقایسه شده است. این مطالعه مقایسه ای بر اساس داده های واقعی جمع آوری شده از یک مبدل باک ایزوله شده تمام پل سوئیچ ولتاژ صفر (ZVS) صورت گرفته است.

1-مقدمه

امروزه، ماشین های الکتریکی به صورت گسترده در زندگی روزمره ما مورد استفاده قرار می گیرند. توان الکتریکی هسته مرکزی هر نوآوری جدید است. در واقع، توان الکتریکی زندگی ما را رو به جلو می برد. این حقایق، تقاضای انرژی الکتریکی پیوسته را افزایش داده و بر همین اساس، تقاضا برای سیستم های تغذیه برق قابل اطمینان را به منظور برآورده سازی نیاز مصرف کننده ها، بیشتر می کند. این پیوستگی نیازمند سیستم های عاری از خطا است که می توانند از بروز خطا جلوگیری نمایند. به این منظور، داشتن یک سیستم تشخیص و ایزولاسیون خطا (FDI) ضروری است که بتواند بروز خطا را به موقع شناسایی کرده و سپس نوع خطای شناسایی شده و جدا کند...