基于PCA-SVDD的故障检测和自学习辨识

为了利用多变量统计过程控制在故障检测上的优势以及克服其在故障辨识诊断上的缺陷,提出一套新的用于化工过程的故障检测和自学习辨识算法.应用主元分析(PCA)实施故障检测并对故障数据运用PCA特征提取,提出3种基于主元分析-支持向量数据描述(PCA-SVDD)的模式判别方法来实现故障的自学习辨识:考虑故障辨识时可能出现的类分布重合问题,分析和比较了基于欧氏距离和归一化半径判别这2种方法,提出针对新型未知故障辨识的加权归一化半径判别法.通过对Tennessee Eastman(TE)过程的仿真研究,说明了提出的故障检测和自学习辨识算法的可行性和有效性.     

开关电源传导EMI分析及抑制方法研究

以开关电源中的CRM Boost PFC变换器为研究对象,研究了CRM下整流桥产生的电压变化率,阐述了交流电正负半周的差模、共模传导噪声的产生机理,分析了由于驱动电压过冲导致的传导电磁干扰问题,通过建立等效电路,提出了在整流桥电路加差模电容的电磁干扰抑制方法,该方法可有效降低传导电磁骚扰,为工程提供了实用的技术方案.     

故障分离——一种基于FDA-SVDD的模式分类算法

为了克服多变量统计过程控制在故障分离上的缺陷, 提出了一种新的故障分离方法。 新方法由基于Fisher判别分析（FDA）的特征提取、Fisher线性分类和基于支持向量数据描述（SVDD）的非线性核空间模式分类等算法组成。构造了基于FDA-SVDD的串级和混联融合方式, 并设计了基于SVDD的加权归一化半径模式判别准则。非等温连续搅拌槽 （CSTR）过程仿真验证了混联融合比单纯的FDA分类算法和串级融合具有更优良的故障分离效果。     

融合FDA-PCMC样本分类的KPCA故障检测新算法

针对处理实际工业过程中提取的建模样本不纯而导致故障检测失效的问题,提出一种新的融合Fisher判别分析-可能性C-均值聚类(FDA-PCMC)的核主元分析(KPCA)故障检测算法.通过FDA特征提取、初分类和PCMC聚类相结合的方代来实现建模样本的有效分类和提纯,然后使用KPCA进行实时故障检测.对Tennessee Eastman(TE)过程的仿真研宄结果表明了该算法的可行性和有效性.     

基于Levenberg-Marquardt算法的碳化硅MOSFET建模研究

为了更快速准确地对碳化硅MOSFET功率器件进行开关行为预测与分析,需要建立其静态和动态行为模型. 静态模型包括不同温度下的转移特性曲线和输出特性曲线,以及寄生非线性电容曲线等. 提出了一种基于EKV公式改进的曲线拟合公式和一种新的非线性电容拟合公式,利用Levenberg-Marquardt算法进行参数拟合,建模速度快,模型误差小. 动态模型在考虑封装寄生电感和寄生非线性电容等非理想条件下,分别建立器件导通和关断过程每一个阶段的栅源极电压、漏源极电压、肖特基二极管电压、栅极电流和漏极电流的电路微分方程组,再以每一个阶段结束时的状态变量作为下一个阶段的初始条件. 采用4阶龙格库塔法求解上述微分方程组的数值解,并与LTspice仿真波形进行对比分析. 结果表明,上述建模方法能较好地描述器件的动态行为特性.     

基于离散数学模型的时域EMI接收机检波器建模研究

针对接收机电磁传导干扰问题,分析了中频滤波器的带通特性,选用汉宁窗函数,便于选取任意频率间隔的中频特性,其次通过快速傅里叶变换得到频域特性,再将此信号进行快速傅里叶逆变换得到时域最大值; 最后对通过快速傅里叶变换得到的离散频域信号进行最大值和平均值检测. 仿真结果表明,所提方法可以有效实现EMI接收机检波器模型的搭建.