故障预测及健康管理(prognostics and health management,PHM)对于增强系统的可靠性以及提高系统的可维护性具有重要意义。随着电力电子装置在各领域的广泛应用,研究电力电子装置的PHM技术势在必行。由于具有非侵入性的特点,基于混杂模...故障预测及健康管理(prognostics and health management,PHM)对于增强系统的可靠性以及提高系统的可维护性具有重要意义。随着电力电子装置在各领域的广泛应用,研究电力电子装置的PHM技术势在必行。由于具有非侵入性的特点,基于混杂模型的LC参数辨识方法是一种先进的PHM技术实现方式。然而,由于忽略了开关瞬态的二极管电流的突变,现有的混杂模型并不适用于Boost型电路。为了解决这一问题,对现有模型进行了修正,并提出一种基于小波去噪以及最小二乘算法的参数辨识方法。通过Matlab/Simulink仿真分析和实验验证,结果表明,该方法的参数辨识精度可达95%以上,验证了该修正模型的有效性。展开更多
文摘故障预测及健康管理(prognostics and health management,PHM)对于增强系统的可靠性以及提高系统的可维护性具有重要意义。随着电力电子装置在各领域的广泛应用,研究电力电子装置的PHM技术势在必行。由于具有非侵入性的特点,基于混杂模型的LC参数辨识方法是一种先进的PHM技术实现方式。然而,由于忽略了开关瞬态的二极管电流的突变,现有的混杂模型并不适用于Boost型电路。为了解决这一问题,对现有模型进行了修正,并提出一种基于小波去噪以及最小二乘算法的参数辨识方法。通过Matlab/Simulink仿真分析和实验验证,结果表明,该方法的参数辨识精度可达95%以上,验证了该修正模型的有效性。
